AI三年后取代外科医生？马斯克暴论被证伪

“目前手术机器人的智能化进程，可类比汽车自动驾驶的分级体系，整体处于L1基础辅助到L2进阶辅助的广泛落地阶段，仅在少数标准化术式中进入L3条件自主的临床前探索阶段，远未达到真正的全自主操作，用更贴合临床的话来说，就是‘能辅助放大医生的手，但替代不了医生的脑’。”

近日，香港大学深圳医院神经外科副主任医师叶小帆接受第一财经记者采访时谈及手术机器人发展现状。作为一名外科医生，他在专注神经外科疾病诊疗同时，也作为核心研发成员，深度参与了中科院香港人工智能研究院牵头的手术视频大模型研发。

近年来，越来越多的手术机器人在探索与AI辅助技术结合，但AI的加入，能否补全手术场景中最核心的“临床决策”拼图？

今年年初，科技富豪、特斯拉CEO马斯克曾在一次公开访谈中抛出惊人言论，称“3年后，AI将取代外科医生”。这究竟是天方夜谭，还是下一代外科手术领域的终极形态？

手术从依赖个人经验到可量化

3月24日，中国科学院香港创新研究院人工智能与机器人创新中心正式发布了“术影”SurgMotion手术视频大模型，相关研究成果已于同期上线国际学术平台arXiv。

中国科学院香港创新研究院人工智能与机器人创新中心主任、研究员刘宏斌对第一财经记者表示，手术流程中大量的核心信息是以手术视频的形式被保留下来的，既是年轻医生术前学习、术后复盘的核心工具，也是手术场景智能辅助与临床决策支持的核心基础。

该模型的推出，一方面旨在成为可靠的教学辅助工具，帮助年轻医生完成规范化的手术复盘与技能提升；另一方面也希望推动具身智能手术机器人的研发，成为具身智能系统的核心感知功能模块，辅助外科医生实时理解术中手术进程、解剖环境与操作风险。

根据国家统计局数据，我国医疗卫生机构住院病人手术人次已从2019年的6930.44万次攀升至2023年的1.04亿次。与之相对的是，我国手术医师分布严重不均衡，基层地区极度缺乏高水平手术医师，而培养一名合格的手术医师，需要经过“5+3+X”年的规范化培养与临床历练。

中山大学附属第一医院呼吸与危重症医学科副主任、主任医师廖槐表示，医生的临床决策能力需要终身学习，但个人的视野与经验始终存在局限，而AI大模型能够集成全行业海量的临床数据与顶尖专家的经验，帮助医生补齐视野短板、提升决策能力。

“我们经常说，知名外科专家在面对手术中棘手问题时，总能拿出成熟的解题思路与应对方法。但在没有AI大模型的时代，这些宝贵的临床经验主要靠‘师傅带徒弟’的模式口传心授，很多细节会随着时间流逝。有了AI大模型后，我们可以将这些经验进行结构化拆解、提炼出核心规范，普及给更多年轻医生与基层医师，同时也能为医生术中的辅助决策提供循证参考。”廖槐说。

中国科学院香港创新研究院人工智能与机器人创新中心研究员易东表示，AI辅助的手术机器人，能够显著提升手术机器人的视觉感知与场景理解能力，真正将手术从“依赖医生个人经验”，转变为“可量化、可复制、可推广”的标准化规范。

长期以来，手术视频大模型的开发始终面临三大核心挑战：高质量手术标注数据极度稀缺、长时程视频模型预训练难度高、难以兼顾手术场景多维度的感知需求。

易东介绍，“术影”SurgMotion手术视频大模型是目前业内规模最大、覆盖场景最完整的手术视频通用智能底座，依托自主构建的SurgMotion-15M数据集完成训练。该数据集涵盖约1500万帧、超过3658小时的真实手术视频，覆盖13个解剖区域、100余种临床常见术式，其中心外科相关视频时长超2860小时，是目前全球最大的同类型数据集。

基于这一海量临床数据，SurgMotion突破了传统像素级重建的技术局限，引入运动引导的隐空间预测机制，显著提升了模型对手术器械、解剖结构、器械-组织交互动作等关键语义结构的理解能力，为多中心、多科室、多术式的通用手术智能奠定了核心基础。

适配性仍是核心挑战

AI赋能的手术机器人已成为整个外科赛道“数智化”升级的核心抓手，也被各大手术机器人厂商视为下一代技术竞争的核心高地。

叶小帆表示，参考汽车自动驾驶的分级逻辑，手术机器人的智能化可清晰划分为5个等级，目前临床落地进度差异显著。

其中L1级基础辅助已在临床普及，核心是医生全程操控手术机器人，系统仅提供单一维度的操作辅助，比如ROSA机械臂的精准立体定向功能，能在医生的操控下，完成比人手更稳定的穿刺操作，尤其适配神经外科深部电极植入、脑活检、立体定向脑电植入等对精度要求高的场景，核心价值是放大医生的操作能力，增加手的稳定性，从而降低手术操作的物理门槛。

L2级作为进阶辅助，已在多专科成熟落地，核心是系统可完成多个单一环节的自动化辅助。

比如达芬奇手术机器人的机械臂防抖、动作缩放、手术视野自动追踪、器械自动对齐。医生需全程控制器械移动与操作决策，但系统可自动完成“动作滤波（防抖）、比例缩放（精细操作）、器械关节自适应”，在神经外科内镜经鼻垂体手术、腹腔镜胆囊切除、骨科关节置换等标准化术式中应用广泛，核心价值是减少医生的重复操作，提升手术流程的规范性，但是在术中解剖结构自动识别方面仍有欠缺。

L3级能实现条件性自主操作，即仅在预设的、无意外的标准化手术场景中，机器人可自主完成特定的连续手术步骤，但一旦出现术中出血、解剖结构变异等突发情况，必须立即由医生接管，系统无法自主决策处理。

在高复杂度、高个体化的神经外科手术中，L3级应用仍处于极早期的实验室验证阶段，远未达到临床应用标准，如神经外科手术场景目前仍不可标准化——即使是同一种颅内肿瘤，不同患者的血管神经走行、肿瘤侵袭范围差异极大，缺乏“预设的无意外场景”。

而L4-L5级可以实现高自主/全自主操作，但因手术场景的高度个体化、复杂性与不可预测性，目前仅停留在实验室理论研究阶段，短期内完全无法落地临床。

“真正的全自主手术，核心难点不仅在于‘操作’，更在于‘决策’。”叶小帆说。目前广泛使用的脑科机械臂有精准定位能力的“手”+基础导航“透视眼”。它能基于术前影像规划路径，半自动完成空间定位（如电极植入点校准），但缺乏识别和理解手术流程的能力。SurgMotion这类模型的发布，虽增加了手术机器人的“感知与决策增强模块”，做到精准识别和部分理解，但也还不是能够决策的“大脑”。

刘宏斌表示，手术的智能化是未来趋势，但目前的技术水平还远无法满足临床的真实需求，面临诸多核心挑战。“手术本身是千人千面的，不同医生的操作习惯存在巨大差异，患者的个体病情、解剖结构更是千差万别，这要求AI必须具备极强的个性化适配能力。更重要的是，手术过程中会面临很多突发并发症等紧急情况，AI如何像顶尖临床专家那样，辅助医生快速应对这些突发状况，是目前亟待突破的技术瓶颈。”

在发布会现场，中国科学院香港创新研究院人工智能与机器人创新中心在发布“术影”SurgMotion手术视频大模型的同时，也宣布了模型的全面开源计划。

在叶小帆看来，该模型的开源将带来三方面核心价值：打破技术壁垒、加速临床落地、构建行业标准。

“目前医疗AI尤其是手术视频大模型的研发，存在数据、算法、算力的三重门槛，很多基层医院、中小型医疗科技企业甚至高校科研团队，因缺乏核心模型参数，难以开展针对性的临床适配性研究。”叶小帆说，单一研发团队对临床场景的理解始终是有限的，而开源后，全国乃至全球的临床医生、AI工程师，都能基于真实临床需求对模型进行优化迭代。

“这种多场景、多学科的协同优化，会让模型的临床适配性提升速度远快于闭门研发，大幅缩短从‘实验室模型’到‘临床辅助工具’的转化周期。”叶小帆说，模型的开源还将为行业提供一套可参考的技术框架和评估体系，推动行业形成统一的研发规范和临床验证标准，也为手术机器人从L2向L3级的技术升级，提供核心的视频理解与场景感知底座。

AI取代外科医生进程仍漫长

AI正在重构未来的临床诊疗模式和医学研究范式，但关于“AI取代医生”的讨论，始终是行业绕不开的核心话题。

刘宏斌表示，外科医生的日常工作，既是高强度的体力劳动，也是高复杂度的脑力劳动。未来，手术中重复的、标准化的体力操作，会逐步被AI辅助的机器人所替代，但这绝不意味着外科医生会失业。“未来，外科医生会更多地转变为‘指挥家’的角色，主导人机协同的手术全流程，这很可能是未来外科医生的核心竞争力之一。”

叶小帆则明确表示，马斯克所说的“机器人医生要几年内彻底碾压人类外科医生”，从临床实际来看是完全不可能的，甚至在未来十年内，都难以实现。

他给出了三个核心原因：一是外科手术不仅是精准的机械操作，更需要医生基于患者的年龄、体质、病情、解剖结构等个体情况，做出全流程的个性化临床决策，同时兼顾患者的心理需求与人文关怀。

比如神经外科手术中，医生需要根据患者颅内血管、神经走行的先天变异，实时调整手术入路与肿瘤切除范围；面对术中突发的颅内大出血、血管痉挛等危急情况，医生需要凭借数十年的临床物理世界的理解和经验，快速做出应急处理与决策调整。这些都是依赖大数据语言、视频和算法的机器人难以实现的，因为临床中的突发情况和个体化需求，尚无法完全量化和预设进算法模型中。

二是手术场景的复杂性和不确定性，远超现有AI系统的处理能力。

三是医疗行业的特殊性，决定了技术替代的慢节奏。医疗行业直接关系到患者的生命安全，一项新技术的临床应用，需要经过严格的伦理审查、多轮临床试验、国家监管部门的准入审批，以及长期的临床安全性验证，这一过程往往需要数年甚至数十年的时间。

“即使机器人医生在虚拟场景和各实验室中取得了不错的成果，要实现临床的广泛应用，并达到‘碾压人类外科医生’的水平，还需要突破技术、伦理、法律、监管等多重障碍，这在短短几年内是完全无法实现的。”叶小帆说，AI浪潮对医疗领域的重构，从来都不是简单的“技术替代人”，而是“AI赋能医疗”——推动临床诊疗从“经验驱动”向“数据驱动”转变，医学研究从“试错式探索”向“精准化预测”升级，而医生的角色，也会从“单一的诊疗执行者”，转变为“AI的驾驭者、临床的决策者、医疗的创新者”。