手术机器人的下一步，或许不只是让机械臂操作得更精准，而是让具身智能体参与器械管理、设备操作和手术间周转。海德堡大学、哈佛医学院与斯克里普斯研究所团队在《npj Digital Medicine》发表观点文章，提出“临床前验证—低风险围手术期任务—较高风险术中辅助”的分阶段框架。作者强调：现有证据主要来自受控实验和远程操作原型，独立自主执行仍不具备临床成熟度。
1. 手术室自动化的空白，不只在手术台上
过去二十年，以达芬奇手术系统为代表的专用机器人主要围绕一个目标演进：增强外科医生的视野、灵巧性与操作精度。论文援引的数据表明，全球每年已有超过100万例机器人辅助手术。然而，手术室中的大量工作并不发生在切口内部，而是分布在器械准备、物资补充、设备调整、无菌维护、环境清洁和房间周转等支持环节。
这些任务看似常规，却处在高可靠性医疗系统中。器械缺失或故障、人员短缺、沟通中断、陌生团队协作以及环境干扰，都可能放大为流程延误或患者风险。论文引用既往研究指出，许多围手术期不良事件与手术室管理缺陷有关，且接近一半具有可预防性。
传统自动化方案通常是固定底座或轮式的单任务设备。它们在结构化环境中更稳定、硬件复杂度也更低，能够完成物流、递送或预设器械传递；但当任务跨越不同设备、空间和接口时，往往需要额外改造。人形机器人的潜在价值不在于“长得像人”，而在于其双手操作、类人活动范围和移动能力可能直接适配为人类设计的抽屉、推车、触摸屏、脚踏开关和标准器械。
这也是作者提出“行走的物理应用程序接口（Application Programming Interface，API）”这一比喻的原因：机器人通过身体与现有设备交互，在数字接口尚未统一的手术室中连接彼此割裂的系统。但这仍是一项待验证的工程假设。论文也明确指出，双足形态并非临床自动化的必要条件；对于边界清晰的早期任务，轮式平台可能在稳定性、成本和风险上更合适。
2. 三道关卡：先证明可控，再靠近患者
这篇文章不是一项临床试验或原创实验研究，而是一篇Perspective。它的核心贡献是给出风险逐级上升的部署路线，并要求每一级都以量化验证作为进入下一级的前提。
临床前验证：在患者之外建立能力基线
第一道关卡是实验室、虚拟仿真和高保真模拟手术室。机器人需要分别验证感知、抓取、传递、导航和指令理解等基础能力，不能用一次完整演示掩盖单项能力的不稳定。作者还建议把家庭和养老场景作为医疗邻近的“现实沙盒”：已有至少12项实证研究在受监督的家庭或辅助生活环境中考察人形机器人的日常支持、社交互动和训练任务，可为低风险条件下的迭代提供经验。
论文援引跨本体学习与家庭任务研究作为技术趋势的旁证：物体放置成功率曾由32%提高到71%，物体分拣成功率由57%提高到78%，跨本体规模扩展可带来约50%的成功率提升。这些数字来自不同研究和任务，不能直接外推为手术室性能；它们说明的是训练范式在进步，而不是临床门槛已经达到。
第一阶段：低后果、低患者接触的围手术期任务
进入临床环境后的首批任务应是手术间周转、清洁、环境服务、物资盘点与补充等低风险工作。它们频率高、体力负担大，却可与无菌区和患者保持距离，适合先验证导航、调度、人机协作和故障处置。
这一阶段的关键指标不应只有“任务是否完成”，还要包括碰撞与跌倒、路径阻塞、误取物品、通信中断、人工接管频率、清洁效果和对既有流程时间的影响。只有当系统在真实工作流中证明安全且带来净收益，扩展任务边界才有依据。
第二阶段：靠近无菌区的较高风险辅助角色
第二阶段才进入巡回护士与洗手护士的部分支持职责，例如管理非无菌设备、准备和传递器械、记录物品数量、监测污染风险以及根据手术进程预判需求。作者将直接实施高风险手术操作明确排除在当前框架之外；相关职责只有在前序阶段满足预定义安全阈值后才可能讨论。
这张图描绘的是目标角色，而不是已经实现的临床系统。对于工程团队，真正需要拆解的是每个动作背后的验证链：识别正确的器械只是第一步，还需证明朝向、握持力、递交时机、无菌边界、异常撤回和人工覆盖均可控。
3. “看懂—规划—执行”：具身AI的两层智能栈
人形机器人若要从预编程动作走向情境化协作，需要把多模态感知与物理控制串成闭环。论文以分层视觉—语言—动作架构说明这一思路：高层视觉—语言模型（Vision-Language Model，VLM）负责理解场景、解析自然语言和拆分任务；低层视觉—语言—动作模型（Vision-Language-Action Model，VLA）把子任务转换为抓取、移动和操作指令。
例如，外科医生发出“出血，需要更多吸引”的紧急指令时，高层模型不仅要识别词义，还要结合手术阶段、器械位置和人员状态判断需求；低层模型则需要定位吸引器、规划安全路径、以正确姿态递交，并在不确定时请求确认。任何一环出现延迟、误识别或动作偏差，都可能使“语言理解正确”仍然产生错误执行。
作者借用双过程理论，将高层情境推理类比为较慢的“系统2”，将低层快速执行类比为“系统1”。这个类比有助于理解系统分工，但不是对机器人认知机制的生物学证明。更现实的挑战是，手术室信息具有多模态、冲突、不完整和强时效性；论文判断，在毫秒级完成可靠的情境推理仍明显超出当前技术能力。
4. 现有证据证明了什么，又没有证明什么
目前的证据更接近“物理兼容性验证”，而非“自主临床能力验证”。
在球囊—面罩通气的概念验证中，远程操作的Unitree G1人形系统在临床期望潮气量范围内取得最高93.3%的通气准确率，时间一致性优于人类操作者。另有预印本展示了远程操作人形机器人使用标准器械完成腹腔镜操作，以及在尸头模型中辅助鼻内镜手术。它们说明人形本体可以接入部分人类设备和器械，但系统全程依赖人工遥控，不能据此宣称机器人具备自主手术能力。
器械识别与传递方面，论文引用的Quirubot在受控评估中识别27种手术器械的平均匹配准确率超过98%，对82条预设语音指令的总体识别成功率为94.2%。这类结果来自专用机器人系统，并非人形机器人在真实手术室中的总体表现。受控识别准确率也不能替代端到端的传递成功率、无菌安全和异常处理能力。
论文还特别提醒，部分被宣传为“自主”的人形机器人演示实际上包含远程操控。对医疗场景而言，自主程度必须成为独立报告项：遥操作、共享控制、监督式自主和完全自主不能混写。现阶段更可信的路径，是先在遥操作与人机共控下积累故障数据，再逐步放宽系统权限。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5. 人机协作的变化：不是简单“机器换人”
如果人形机器人承担标准化、重复性的外围任务，资深护士的工作可能更多转向监督、协调、故障处理和培训。论文提出“人形机器人管理者”这一设想：临床专家可以监控多间手术室中的半自主智能体，在关键阶段介入，并通过远程操作接管异常任务。
作者将其类比为麻醉医师与注册麻醉护师之间的分层协作：专家聚焦高风险节点和策略决策，标准化工作在监督下持续执行。但这只是组织模式的启发，并不意味着护士职责可以直接复制为机器人权限。手术团队依靠非语言沟通、共同预判、情境理解和长期磨合，现有智能体尚不能稳定复现这些能力。
论文援引的研究还显示，当人和AI的能力预期错配时，人机组合可能逊于人类或AI单独工作。因此，性能验证不能只测机器人，还要测“人—机器人—流程”这个完整系统：团队是否知道何时信任、何时质疑、何时接管；警报是否造成额外认知负担；空间布局与任务分配是否被技术引入意外打乱。
6. 冷静审视：从演示到临床，还缺哪些证据
这套框架的价值，在于把“人形机器人进入手术室”从一次炫目的演示拆成连续的验证关卡。但在真正靠近患者之前，至少还有五类问题需要解决。
第一，稳定与失效安全。 双足机器人仍可能失衡或跌倒，而手术室空间狭窄、线缆密集、设备昂贵，任何失稳都可能造成不成比例的后果。系统目标不能只从“鲁棒”升级到更高成功率，还必须具备防跌倒、紧急制动、安全态恢复和人工覆盖。
第二，手术室特有干扰。 液体暴露、电磁干扰、无线通信不稳定、遮挡、反光和无菌要求，都可能破坏实验室中的性能。遥操作模式尤其需要对信号中断、时延和控制权切换建立可审计的回退策略。
第三，端到端验证。 识别、抓取或语言理解的单项准确率不能代表临床任务成功。未来研究需要前瞻性记录任务完成率、无菌违规、人工接管、近失事件、流程时间、人员负担、成本以及患者相关安全结局。
第四，监管与责任。 论文指出，欧盟《人工智能法案》按预期用途而非外形分类：仅承担非临床环境服务的系统通常不属于高风险，而在患者邻近或安全关键场景中处理无菌器械的系统将进入高风险范畴，需要正式风险管理、文档与人工监督。随着自主权限增加，制造商、部署机构与临床人员之间的责任边界也必须重新界定。
第五，社会技术系统。 患者知情同意需说明机器人的功能范围、自主程度和潜在风险；临床团队也需接受任务授权、监控、接管和复盘培训。技术“能做”并不等于流程“值得做”，更不等于组织“准备好做”。
结尾
这篇观点文章没有证明人形机器人已经可以在手术室自主工作，也没有给出临床结局改善的证据。它真正完成的，是提出一条更符合医疗风险逻辑的路线：先在患者之外验证基础能力，再承担低后果任务，最后才讨论靠近无菌区的辅助职责；每次升级都以预定义安全阈值、人工监督和可追溯记录为前提。
对于具身AI产业而言，这意味着医疗落地不会是从“机器人主刀”开始的闪电式替代，更可能从清洁、补货、设备复位和器械管理等边缘任务缓慢进入。下一步最值得关注的，不是又一段完成复杂动作的演示视频，而是能否出现公开、可重复的高保真模拟验证，以及比较人类团队与人机团队的前瞻性研究——只有这些证据，才能把物理兼容性逐步转化为临床可信度。
Note
当前最稳妥的判断是：人形本体与部分手术器械和环境的物理兼容性已有初步概念验证，但支持独立临床执行的自主具身AI仍不成熟。
参考资料
Kernbach, J. M., Brat, G., Topol, E. J., & Rajpurkar, P. Humanoid robots in the operating room: a framework for staged integration of embodied AI in surgery. npj Digital Medicine (Perspective). Published 13 July 2026. DOI: https://doi.org/10.1038/s41746-026-02853-6
原文页面：https://www.nature.com/articles/s41746-026-02853-6
审核 | 医工学人理事会
