医院的墙壁，
听过世界上最虔诚的祷告。
手术室大门打开，
绿色手术服走进光里。
中国科学院香港创新研究院，
人工智能与机器人创新中心，
AI大模型吃透3658小时手术视频，
包括13个人体器官，
70个解剖结构，
100多种术式；
淬炼出1B的模型参数，
整个训练涉及到的数据，
有75%来自合作医疗机构，
首次仅对该团队开放的私有资料，
并且全部经过严格的医疗伦理审查。
训练推理与医生患者如此有力地握手，
这一切，都是为了一个开源大模型，
全球首个开源手术视频大模型SurgMotion。
一个严肃的话题，
一个前沿的医疗技术，
一次扎扎实实的科研努力。
医疗AI的赛道里，
影像、语言模型早已遍地开花，
但手术视频这个最贴近临床操作的场景，
却一直是难啃的硬骨头。
在此背景下，
SurgMotion正式开源。
这个不是AI生成电影那种大模型，
它生成不了花里胡哨的视频，
而是能给出医疗建议。
我的结论是，
大模型+机器人替代顶尖手术医生，
在十年内都无可能。
努力成为医生完美的"打下手"。
有可能让手术医疗水平与安全再上一个台阶。
手术视频大模型第一期，
对话论文作者之一------易东博士：
提问：为什么手术视频大模型，是医疗AI最难哪道题？
回答：
首先，做过手术、了解手术的人都知道，
手术视野里满是血肉组织，
没有全局参考，
外行人看就是"一团血"，
哪怕是专业医生，
也会被视野限制、受操作节奏影响，
从而错过关键细节。
而难点远不止"看清楚"这一个。
其次，手术场景的特殊性要求高：
手术里的关键事件都是"瞬间性"的，
比如，局部小出血，
医生是在出血的1-2秒内发现，及时止血，
假如等视野被血染红，
视频大模型再找出血点，
不仅毫无意义，
而且徒增手术风险；
再者，医生手法的"流派差异"带来泛化难题：
不同医院、不同医生的手术步骤、
操作习惯都有差异，
有的医生先切这里，有的先处理那里，
模型必须兼容这些差异，才能落地；
最后，视频本身的信息冗余难题，
和信息密度极高的语言数据不同，
哪怕好不容易拿到高达几千小时的视频时长，
压缩后有效信息并不多，
模型找到核心特征非常困难。
提问：为什么论文最先强调像素级重建目标？这是在强调什么？
回答：
像素级重建会逼模型，
把算力浪费在还原这些没用的光影、
雾气、水渍细节上。
它学的是：
"这里血流过去几帧，这里反光闪一下。"
但手术真正重要的是：
手术器械在干嘛？动作是什么？步骤走到哪？
医生操作逻辑是什么？
也就是说，镜面反光（specular reflections）
液体流动（fluidmotion），
是低层次视觉细节，
而这些细节对理解手术语义，
（如操作步骤、器械使用、技能水平），
几乎没有帮助，甚至可能是干扰噪声。
手术视频分析的最终目标是，
高层次语义理解，
第一，手术阶段识别；
第二，动作三元组识别（动作+器械+目标）；
第三，技能评估；
抓不住重点，这导致模型学到的表示，
虽然能"看起来像原视频"，
但缺乏对关键语义结构的抽象能力。
好比，考试考默写课文，
但真正需要的是理解文章思想------
结果学生只会背字，不会思考。
正因为像素重建不合适，
作者才提出"从像素重建转向潜在运动预测"，
shift from pixel-level reconstruction
to latent motion prediction；
新方法不再要求模型"画出每一帧"，
而是让它预测视频中隐含的运动模式------
这才是理解手术流程的关键。
后续提出的三项技术创新：
1.motion-guided masking,
2.self-distillation,
3.SFDR，
都围绕"如何更好地学习语义相关的运动"。
论文思想是，找到"低层细节vs高层语义"矛盾，
为转向"运动预测"这一新范式提供充分理由。
提问：手术AI应如何选择切入点落地？
回答：
比如自动驾驶这种模式，也是要动作操作的，
难度在于路况车况复杂。
一个初级水平司机的培养时长是月数，
手术的医学生培养是5+3+X（年），
X是不同手术的难度，
对应训练成熟手术医生所需要的年数。
虽然术式种类很多，
有的官方认可的专业术式有上千种，
经常性手术20多种，
而2024年中国手术人次1亿。
考虑AI可以从经常做的手术种类里面下手。
达芬奇手术机器人研发初期，
也是瞄准数量大的手术种类，
一方面是商业考量，
一方面是受益人群规模的考量。
提问：可否解释下核心指标？
回答：
SurgMotion在两个核心「像素级感知」任务上，
和全球10+款主流手术AI模型的PK结果，
两项指标全拿第一。
1.深度估计（Depth Estimation）：
RMSE越低越准，也就是说：
AI能精准还原手术视野的3D空间结构，
知道器械、病灶、组织的真实远近和深度，
给手术导航、精准操作打基础。
2.病灶分割（Segmentation）：
AvgDice越高越准；
AvgDice（0.850）：
目前行业最高精度，
领先第二名Dinov3-H（0.842）；
AI能精准圈出每一个病灶
比如，消化道里的息肉，
给每一个像素打标签：
是不是病灶？良恶性程度如何？
这种未来临床价值上，
可以给医生做「术中智能提醒」，
帮医生快速定位病灶、判断性质，
减少漏诊、误诊。
怎么帮助医生呢？
一句话就是，提升手术的质量。
肉眼可见的结果包括，
出血少、病人恢复快。
还能怎么帮助医生呢？
年资短的医生复盘手术、练习手法时，
模型精准指出操作偏差，
比如"器械角度偏5度""动作节奏过快"，
不用再单纯靠摸索，
AI缩短手术医生成长周期。
目前，有两种赋能手术的方式：
第一种，模型跟医生配合，
或帮医生做预警和提醒，
目标都是提升手术水平。
第二种，模型和机器人结合，
包括但不限于达芬奇手术机器人。
比如，达芬奇可以相当于一个医生有三双手。
传统的手术，一个主刀加两个助手，
其实也是三双手。
更多阅读
《AI产品和技术模块》
2.搞懂"记忆"必看｜吃透Engram，坐等Deepseek新模型
《具身智能》
1."26年具身智能，做不过来，根本做不过来"：含陶大程教授独家专访
《AI+医疗》
2.离谱！熬夜三年肝损害，AI博主也靠AI学"续命"医学知识
《超节点系列》
1.对抗NVLink简史？10万卡争端，英伟达NVL72超节点挑起
3.阿里华为『血战』英伟达AI超节点：悲观者正确，乐观者赚钱
5.OCP现场 l 北美AI巨头罕见共识ESUN，为利益『握手』
《广域网》
