出品｜搜狐健康

作者｜洪瑞祺

编辑｜袁月

提到AI医疗，很多人脑子里浮现的还是那张影像片子——AI读一读，告诉医生这里有没有结节。这件事确实在发生，也确实有价值。但它只是AI医疗最早期、也是最表层的应用。

在英伟达GTC 2026医疗健康专场上，这一届大会讨论的方向涵盖了AI科学家系统、蛋白质设计、药物研发、手术机器人和医院数字孪生。这些方向拼在一起，勾勒出一个更大的趋势：医疗AI正在从“读”走向“做”——不只是读影像、读病历、读论文，而是开始拆解任务、设计分子、控制机器人、模拟医院。

这不只是技术的迭代，而是AI在医疗体系里扮演的角色，正在发生根本性的转变。

从被动工具到智能体系统

过去的AI是你问它答——输入一张片子，输出一个判断，本质上是被动工具。现在讨论的“智能体AI”不一样：它可以自主拆解任务、调用外部工具、访问数据库，甚至让一个智能体指挥另一个，形成多层协作网络。

医疗本身是一个高度复杂的流程。一个病人从入院到出院，涉及影像判读、检验分析、病历整理、诊疗方案制定、用药评估和手术规划。这些环节不是一个模型回答一句话就能串联起来的。未来医院、药企、科研机构真正需要的，很可能是一组专业智能体协作完成整个流程——而不是依赖单个通用模型。

这也解释了英伟达为何在GTC上大力推进开放模型策略。医院、药企、医疗机构不可能每家都从零训练基础AI模型——数据分散、成本极高、周期漫长，医疗数据还涉及患者隐私和监管合规。英伟达的思路是提供开放的基础模型和工具链，让不同机构在此基础上做专病、专科、专流程的定制开发。其中面向生命科学的生物医学AI平台、面向机器人的基础运动模型、面向智能体协作的语言模型，已经被诺和诺德、Viva Biotech、Manifold Bio等药企用于药物研发。医疗AI真正落地，靠的不是炫技模型，而是可定制、可部署、可验证的基础设施。

AI加速科研：从读论文到设计分子

科研加速是GTC医疗板块的另一个核心方向。

Edison Scientific的Kosmos是大会上被反复提及的案例：这是一套自主AI科学家系统，能读文献、分析数据、提出假设、设计实验方案，目前已有超过5万名研究人员在使用，可以同时并行执行数百项研究任务，把过去需要数月的基础分析工作大幅压缩。这不是AI取代科学家，而是让科学家从重复性工作中抽身，把精力集中在真正需要判断和创造的地方。

在分子层面，生命科学AI也在进入新的阶段。AlphaFold解决的是“蛋白质长什么样”的问题；现在AI开始回答“分子之间如何相互结合“。英伟达发布的蛋白质结合子设计模型，能同时建模蛋白质骨架结构、侧链构象和氨基酸序列，将生成式AI直接引入结构导向的药物设计流程。与此同时，欧洲分子生物学实验室、谷歌DeepMind、英伟达和首尔国立大学联合合作，向AlphaFold数据库新增了数百万个蛋白质复合体预测结构。这类“蛋白质如何协作”的数据，是理解疾病机制和设计靶向药物的关键原材料，向全球研究人员免费开放。

在上述基础上，AI还能在真实实验之前先完成一轮计算机模拟和筛选——在虚拟环境里评估候选分子的结构合理性和成药潜力，把更有希望的方向提前筛出来，再送去湿实验室做验证。实验本身不可省略，但方向可以更精准，无效试错的比例可以降低。

AI走进手术室：数据、仿真和机器人

过去医疗AI大多在屏幕里工作。但医疗真正发生在病房、实验室、手术室——这些地方有人、有器械、有复杂且动态的物理环境。让AI能感知空间、理解场景、辅助机器人执行动作，是英伟达在GTC上重点推进的方向之一，也是医疗AI从“数字助手”走向“现实世界执行系统”的关键一步。

手术机器人一直面临一个根本性瓶颈：缺少大规模训练数据。机器人不只要“看见”画面，还需要理解器械如何运动、不同手术场景之间有何差异、异常情况如何处理。英伟达与Hugging Face联合发布的医疗机器人数据集，正是为了填补这个空缺——778小时的医疗机器人操作数据，来自全球48个以上机构、20种机器人平台，涵盖手术操作、超声探查、结肠镜自主化等场景，以开放协议向研究人员发布。这有可能成为手术机器人领域最重要的开放训练资源之一，就像自动驾驶的发展离不开大规模驾驶数据一样。

在数据之外，英伟达还推出了一套医院场景仿真框架：先把手术室、病房和医院动线做成数字孪生，让机器人在虚拟环境里经历数千种工作流程和交互场景、完成大量训练迭代，再进入真实医院运行。这个思路的背后，是把医院从一个固定的物理场所，变成一个可感知、可模拟、可持续训练的系统。

离真实患者越近，安全越不能让步

GTC展示的这些方向令人兴奋，但有几个边界需要说清楚。

AI科学家能压缩文献分析和假设生成，但实验验证不能跳过——科学结论的可靠性，归根结底来自真实数据的检验。AI设计出来的蛋白质或候选分子，需要经过体外实验、动物实验、临床试验的层层筛选，才能确认是否安全有效。AI手术机器人在进入真实手术室之前，需要监管机构的严格审批和医生的全程监督，不能因为仿真训练表现良好就跳过这些环节。

此外，医疗数据的安全、算法决策的透明度、出错时的责任归属，这些问题在AI医疗真正规模化落地之前，都需要有清晰的制度框架。

医疗AI越接近真实患者，越不能只看速度，更要看安全性和可验证性。这不是对技术本身悲观，而是AI医疗真正落地必须守住的前提。

参考资料：

NVIDIA Newsroom. NVIDIA Expands Open Model Families to Power the Next Wave of Agentic, Physical and Healthcare AI. https://nvidianews.nvidia.com/news/nvidia-expands-open-model-families-to-power-the-next-wave-of-agentic-physical-and-healthcare-ai

NVIDIA / Hugging Face. The First Healthcare Robotics Dataset and Foundational Physical AI Models for Healthcare Robotics. https://huggingface.co/blog/nvidia/physical-ai-for-healthcare-robotics

NVIDIA Developer. Using Simulation to Build Robotic Systems for Hospital Automation. https://developer.nvidia.com/blog/using-simulation-to-build-robotic-systems-for-hospital-automation/

EMBL-EBI. Millions of protein complexes added to AlphaFold Database. https://www.ebi.ac.uk/about/news/technology-and-innovation/first-complexes-alphafold-database/