日本啟動2nm醫療AI晶片計畫：IBM、imec與Rapidus如何讓CT與手術影像即時運算？

日本為什麼要替醫療設備開發2nm AI晶片？

2026年10月20日，日本最先進半導體技術中心LSTC、北海道大學、富士軟片、GE HealthCare Japan與比利時imec宣布，聯合提出的醫療影像AI研發計畫獲日本NEDO採納。核心目標不是訓練更龐大的聊天機器人，而是讓AI推論直接在CT、超音波與手術顯微鏡等醫療設備內進行。醫療現場重視的不只是吞吐量，還包括延遲、耗電、可靠性與影像處理的可預測性。

從雲端GPU走向醫療邊緣AI

一般AI系統可以把資料送往資料中心處理，但醫療影像涉及龐大資料量、傳輸延遲與敏感資訊管理。將推論運算部署在設備端，可能縮短資料往返路徑，並降低對網路連線的依賴。不過，邊緣部署不代表自動符合醫療資安或法規要求，仍須驗證資料保護、軟硬體安全與臨床有效性。

三大應用場景：CT、超音波、手術顯微鏡

第一項是CT影像高速重建與器官分割，目標是更快從大量掃描資料產生可判讀影像並標示組織結構。第二項是把超音波影像與既有CT或MRI影像即時配準及疊合，協助醫師掌握解剖位置。第三項是分析手術顯微鏡影像，辨識器械、解剖構造與出血等資訊。這些功能均屬研發與驗證目標，不能當成已可常規臨床使用的產品。

為什麼專用ASIC可能比通用GPU有效率？

GPU需要兼顧多種圖形與平行運算工作負載；推論專用晶片則能針對固定算子、資料流、記憶體搬移與低精度數值運算最佳化。例如卷積、矩陣乘法與影像分割常見的張量運算，可透過專用計算單元與片上記憶體減少外部資料傳輸。實際速度與能效仍高度依賴模型、精度、批次大小、功率限制和比較基準，不能單靠2nm製程推導出5倍或10倍優勢。

兩階段開發：先用IBM Spyre，再轉向2nm

官方規劃先在IBM Spyre Accelerator等先行硬體上開發、移植與最佳化AI模型，再評估轉移至2nm世代推論專用晶片。這可降低等待先進製程晶片完成才開始軟體研發的風險。日本媒體報導，預期的2nm晶片可能由IBM相關設計方案延伸，Rapidus是受期待的製造選項，但晶片設計與代工安排尚未最終確定。

五家正式合作單位各自負責什麼？

LSTC擔任計畫主導並推進半導體技術整合；北海道大學負責醫療AI研究、評估與臨床驗證，並將在北海道大學醫院進行實證；富士軟片投入CT影像重建、器官分割等醫療影像AI；GE HealthCare Japan參與醫療設備與臨床應用開發；imec提供跨國先進半導體研發合作。IBM的重要性在於Spyre加速器及潛在晶片設計路線，而不是五家共同提案機構之一。

時程與資金：這是五年研發，不是已經量產

日本MONOist報導，計畫期程為2026年9月至2031年9月，預定2029年3月進行階段審查。階段審查前預算約62億日圓，含後續階段的整體規模約105億日圓。這些數字代表計畫預算與審查安排，並非單一晶片研發成本或已核發的全部款項。是否能順利進入後段實證，仍取決於技術成果與審查。

5倍速度、10倍能效應如何解讀？

官方提出相較現行GPU達到影像處理速度至少5倍、能源效率至少10倍的研發目標。但目前沒有足以獨立重現的完整benchmark，包含對照GPU型號、測試模型、影像解析度、精度、功耗量測方式與批次設定。未來應以同一醫療任務的端到端延遲、每瓦完成影像數、準確度及臨床流程時間進行公平比較。

Rapidus的真正機會：為2nm尋找可持續的客戶需求

Rapidus追求日本國內先進邏輯晶片製造能力，但先進製程的挑戰不只有電晶體性能，還包括良率、產能、設計生態系與穩定訂單。醫療AI專用晶片若能形成可驗證的應用案例，將有助於建立製造與系統整合經驗。不過，醫療市場的出貨量、驗證週期與成本結構與大型AI資料中心不同，單一計畫無法保證2nm晶圓廠的商業規模。

從技術展示到臨床使用，還有哪幾道關卡？

醫療AI除了晶片速度，還必須面對資料集偏差、跨院泛化、影像品質、錯誤警示、醫療器材法規與人機協作流程。以手術出血辨識為例，誤報可能干擾注意力，漏報則可能影響安全。模型必須在不同設備、患者與醫療場景下測試，且建立更新後的再驗證機制。北海道大學醫院的實證是重要起點，但不等於上市許可。

結論：先進製程的價值，最終要由醫療現場驗證

這項合作把日本半導體復興、歐洲研發資源與醫療AI需求串成一條技術路線。真正值得觀察的不是2nm這個數字本身，而是專用硬體能否在不犧牲診斷品質的前提下，提供更低延遲、更低能耗、可負擔且可靠的醫療系統。若目標達成，將為AI晶片開闢不同於資料中心GPU的市場；若無法跨過臨床與量產門檻，則仍只是成功的研究示範。

Tech English 技術名詞中英對照

Edge AI（邊緣人工智慧）：在醫療設備本機執行模型推論，減少對遠端運算的依賴。 ASIC（特殊應用積體電路）：針對特定運算設計的晶片，可用彈性換取效率。 Image Reconstruction（影像重建）：由掃描感測資料計算出可供醫師閱讀的影像。 Image Segmentation（影像分割）：將器官、病灶或其他區域從影像中辨識並標示。 Inference Accelerator（推論加速器）：專門加速已訓練AI模型執行的硬體。 Stage-Gate Review（階段關卡審查）：依里程碑成果決定研發計畫是否進入下一階段的評估程序。