Healthcare IT News：医疗物理 AI 落地关键转向治理与规模化准备

医疗中的物理 AI 要真正落地，关键不只是机器人，而是治理、验证和工作流重构

在《Healthcare IT News》关于 physical AI 的第二篇报道中，Northwell Health、NVIDIA 和 Expper Technologies 的受访者把讨论重点从“物理 AI 是什么”进一步推进到“医院该如何为它的真实部署做准备”。

他们的共同观点是，下一阶段真正困难的地方，不在于挑选哪一台机器人，而在于建立一整套治理、安全框架和运营策略，让物理 AI 能在大规模场景下安全地帮助临床团队。

物理 AI 更像照护团队的延伸，而不是替代者

几位受访者都明确表示，医院不会把临床决策直接交给自主机器。更现实的路径，是让物理 AI 成为照护团队的延伸，承担例行性的物理劳动，而把关键判断权留在人类手中。

Expper Technologies 联合创始人兼工程负责人 Davit Martirosyan 特别提到，一些难以从传统屏幕交互中受益的人群，可能最先体现出物理 AI 的价值，例如：

• 儿童
• 老年人
• 需要反复指导或陪伴的患者

在他看来，物理系统可以通过“存在感”、持续注意力和更自然的沟通方式，提供单纯屏幕界面难以实现的互动。

长期图景不是单个机器人，而是医院中的协同物理 AI 层

Martirosyan 进一步提出，医院未来更大的机会不在于一台台彼此孤立的机器人，而在于构建一层协调运行的 physical AI network（物理 AI 层）。

在这种设想中，多个专用设备与机器人会共享上下文、任务和安全规则，而不是各自独立工作。换句话说，真正创造价值的可能不是某一台机器本身，而是整个医院物理环境被更智能地管理。

NVIDIA 医疗与医疗技术业务发展高级总监 David Niewolny 也给出了相似判断。他认为，医院最终会从“彼此独立的 AI 工具”走向“彼此协调的数字与物理 AI agent 系统”。

数字 AI 和物理 AI 会协同工作，而不是彼此替代

Niewolny 的核心判断是，未来医院不会是孤立工具的集合，而会由：

• 负责推理、文档和照护编排的数字 AI agent
• 负责物流、监测和流程支持的物理 agent、机器人和智能设备

共同组成协调系统。

这种模式下，数字 AI 仍然处理信息密集型任务，而物理 AI 则进入真实世界完成与患者、设备和环境相关的交互。两类能力结合后，医院才可能从零散试点走向可扩展的适应性运营模型。

外科场景可能率先形成“嵌入式智能”

Northwell Health 外科创新负责人 Filippo Filicori 认为，未来智能不会以独立附加层的形式存在，而会越来越深地嵌入手术工作流本身。

他提到，系统将更频繁地结合：

• 视频
• 机器人运动学数据
• 力反馈信息
• 设备遥测
• 工作流事件

这种多模态理解能力，将帮助系统识别手术阶段、发现潜在问题，并在不夺走控制权的前提下向临床团队提供支持。

他举的例子包括：

• 根据外科医生意图自动调整镜头或曝光
• 识别操作受阻并及时给出协助
• 自动处理边界清晰的子任务
• 预判器械和耗材需求

但他同时强调，这些都属于 assistance（辅助）而非 replacement（替代）。

真正重要的可能不是“最像人的机器人”

Filicori 特别指出，未来最重要的系统，未必是外观最炫目的 humanoid robot，而更可能是那些能稳定减少延迟、降低变异、把时间还给临床人员的系统。

这其实给医疗场景里的物理 AI 指明了一个更现实的价值标准：不是表演复杂动作，而是能否持续减少摩擦、改善流程和释放高价值人力。

治理从一开始就必须是基础设施级问题

几位受访者给出的另一条共同警告是，医院不能用部署普通软件的思路去部署物理 AI。

因为物理 AI 直接作用于现实世界，治理、安全和运营监督不再是后置问题，而是前置前提。

Martirosyan 建议，医疗机构应把 physical AI 视为 operational infrastructure（运营基础设施），而不是又一个普通软件应用。

他认为，每台智能设备都应具备：

• 安全身份
• 有限权限
• 清晰的感知、访问和动作边界

同时，医院必须清楚知道系统在做什么、为什么做出某个动作，以及何时由人进行了干预。

安全机制必须是多层的

Martirosyan 还强调，物理 AI 系统必须设计多层安全防护，包括：

• 人类接管机制
• 紧急停止
• 网络故障时的安全行为
• 可预测的回退模式

Filicori 则指出，物理 AI 的治理绝不能只由 IT 部门单独承担，因为这类系统直接影响患者照护。

他提出的组织治理应围绕四个支柱建立：

• 技术基础设施
• 治理
• 安全与生命周期监测
• 人员准备度

同时，治理必须覆盖系统用途、自治水平、安全边界、责任人、视频与传感器数据归属、厂商访问权限、审计性、知情同意、责任划分和事件上报等问题。

并且，参与治理的人员应包括：

• 临床医生
• 护士
• 运营团队
• IT
• 生物医学工程
• 质量与风控
• 法务
• 网络安全团队
• 患者代表

医院应先找“容量问题”，再决定是否要上机器人

Niewolny 给出的建议也很直接：CIO 不应从“我们要买哪台机器人”开始，而应先从 capacity and access problem（容量与可及性问题）出发。

也就是说，先问清楚：

• 哪些地方临床团队最紧张
• 哪些环节患者等待最久
• 哪些专业能力最稀缺

只有在明确瓶颈之后，才能判断物理 AI 是否真的是合适的解决方案。

验证策略要以仿真优先，但仿真不能替代临床证据

Niewolny 主张采用 simulation-first validation strategy（仿真优先验证策略）。

也就是在系统接触真实患者之前，先在尽量贴近医院环境的虚拟环境中大量测试设备行为、患者差异、设备交互和潜在故障场景。

但他也强调，仿真并不能替代临床证据、医院内部验证和监管审查。

Martirosyan 也指出，真正的目标不是简单部署智能机器，而是建立一套行为、操作者和底层价值都可以被信任的系统。

这条新闻的重要性，在于物理 AI 的讨论开始从愿景转向实施方法

从行业角度看，这篇报道的重要性在于，它把医疗中的物理 AI 从“下一波大趋势”的讨论，推进到了“医院现在该准备什么”的层面。

未来真正决定物理 AI 能否在医院落地的，不会只是模型能力或硬件外观，而是组织能否围绕工作流、治理、安全验证和人机协作建立起一整套基础设施。谁能更早把这些底层条件补齐，谁才更有可能把物理 AI 从概念演示推进到可信任的临床与运营能力。