Zdravotnictví vstupuje do období, v němž umělá inteligence nebude pouze analyzovat snímky, přepisovat poznámky nebo vyhledávat informace v dokumentaci. Nová generace systémů má chápat okolní prostředí, pracovat se senzory, učit se dovednosti v simulaci a bezpečně vykonávat konkrétní fyzické úkony. Právě tento posun, označovaný jako fyzická AI, se stal jedním z hlavních témat GTC SJ 2026.
Směr je ambiciózní, ale nevzniká ve vzduchoprázdnu. Navazuje na dlouhý vývoj medicínského zobrazování, akcelerovaného výpočtu, hlubokého učení a robotiky. Cílem není nahradit zdravotníky, ale rozšířit jejich schopnosti: pomoci chirurgům při dílčích úkonech, automatizovat nemocniční logistiku, urychlit vývoj zdravotnických prostředků a vytvořit bezpečnější cesty k nasazení robotických systémů.
Za zásadní považuji zejména to, že se tato vize neopírá o jediný model nebo jeden typ robota. Stojí na propojení tří oblastí: modelů světa, akčních modelů pro roboty a fyzikálně věrné simulace. Dohromady tvoří vývojový cyklus, v němž se reálná data rozšiřují syntetickými daty, modely se dále trénují a jejich chování se prověřuje v digitálním prostředí dříve, než se dostanou do klinické praxe.
Obsah
- 🩻 Od rentgenu k fyzické AI
- 🤖 Proč je chirurgická robotika nejtěžší zkouškou
- 🌍 Tři technologické pilíře fyzické AI
- 🔄 Datový setrvačník: skutečná a syntetická data spolupracují
- 📚 OpenAge a GR00T H otevírají základ pro vývoj
- 🧪 Cosmos H a simulace chirurgických scén
- 🏥 Isaac for Healthcare rozšiřuje robotiku do nemocnic
- ⚙️ Od laboratoře k nasazení: Holoscan 4.0 a IGX Thor
- 🧠 Nový směr: od surového signálu k medicínskému poznatku
- 🧬 Generativní modely pro CT a MR mají jasné hranice
- 🤝 První průmyslové aplikace ukazují směr
- 🔐 Bezpečnost, regulace a hybridní budoucnost
- 🚀 Co si z nového směru odnáším
🩻 Od rentgenu k fyzické AI
Moderní zdravotnictví bylo od počátku formováno fyzikou. Objev rentgenového záření, následný rozvoj CT a ultrazvuku dal medicíně mimořádnou schopnost nahlížet do lidského těla bez nutnosti chirurgického otevření. Další důležitý krok představovala rekonstrukce obrazu, tedy převod surových signálů ze senzorů na snímky použitelné pro lékařské rozhodování.
Právě zde našlo akcelerované výpočetní zpracování jednu ze svých nejvýznamnějších aplikací. Postupně následovaly obrazem navigované zákroky, při nichž zobrazovací technologie začaly poskytovat podporu během intervencí a chirurgických výkonů.
Nástup hlubokého učení pak přinesl změnu od pevných, hardwarově definovaných pravidel ke strojovému učení, které dokáže pracovat se složitými vzory a začíná chápat fyzikální souvislosti. AI se rozšířila také mimo samotné skenery. V klinických prostorech může naslouchat, vnímat, pozorovat pracovní postupy a asistovat v rámci digitálních agentů.
Fyzická AI na tento vývoj navazuje dalším krokem. Nejde už pouze o systém, který rozpozná objekt na snímku nebo odpoví na otázku. Jde o systém, který dokáže propojit:
- vnímání, tedy práci s obrazem, zvukem, senzory a stavem zařízení,
- porozumění a uvažování, tedy vyhodnocení prostředí, cíle a možných rizik,
- plánování, tedy volbu vhodných kroků,
- řízení, tedy převedení rozhodnutí na pohyb robota nebo zařízení,
- průběžné učení, které zlepšuje výkon na základě reálných i syntetických dat.
Ve zdravotnictví je tento přístup mimořádně náročný. Existuje přibližně 160 000 nemocnic, 72 000 typů zákroků a miliony zdravotnických zařízení. Mnoho dat je možné digitalizovat, péče však stále probíhá v reálném fyzickém světě. Každý operační sál má jiné uspořádání, každý přístroj má vlastní rozhraní a každý pacient představuje specifický anatomický i fyziologický kontext.
Proto nelze očekávat, že robot zvládne bezpečně všechny varianty klinických situací pouze z omezeného souboru záznamů. Potřebuje prostředí, v němž může nové dovednosti opakovaně trénovat, ověřovat a zdokonalovat bez rizika pro pacienty. Tímto prostředím jsou digitální dvojčata a simulátory.
🤖 Proč je chirurgická robotika nejtěžší zkouškou
Chirurgická robotika patří mezi nejsložitější aplikace fyzické AI. Robot musí pracovat s mimořádnou přesností, vnímat prostorové vztahy, reagovat na měkké tkáně, vyhodnocovat stav nástrojů a držet se přísných bezpečnostních pravidel. Každý krok přitom závisí na konkrétním zákroku, anatomii pacienta, poloze nástrojů i pracovním postupu týmu.
Autonomní operace v plném smyslu slova zůstává dlouhodobým cílem. Zaznělo jasné upozornění, že jde o vzdálenější horizont, který bude vyžadovat nejen technologický pokrok, ale i rozsáhlé ověřování, odpovědné řízení rizik a regulační rámce odlišné podle jednotlivých zemí.
V bližší budoucnosti dává větší smysl zaměřit se na automatizaci dílčích úkonů. Robot může postupně získat schopnost pomoci s přesně vymezenou částí výkonu, například s manipulací s nástrojem, navedením jehly nebo opakovaným krokem v jasně definovaném pracovním postupu. Takové úkoly lze lépe měřit, testovat a opatřit ochrannými mantinely.
Tento postup je podstatný i z hlediska důvěry. V klinickém prostředí nestačí, aby systém někdy fungoval dobře. Musí vykazovat předvídatelné chování napříč různými podmínkami, rozpoznat situace, pro něž není určen, a umožnit zdravotnickému týmu zachovat kontrolu.
Vedle chirurgických robotů se fyzická AI může uplatnit také v dalších podobách:
- klinické kolaborativní roboty pro asistenci personálu,
- robotické systémy pro nemocniční zásobování a přepravu materiálu,
- asistenční roboti pro podporu péče,
- humanoidní systémy určené pro vybrané činnosti v nemocničním prostředí,
- automatizace přípravy operačního sálu a kontrola prostředí před výkonem.
Největší hodnotu zde nevidím v efektním humanoidním vzhledu, ale v tom, zda systém zvládne konkrétní úkon bezpečně, opakovatelně a srozumitelně zapadne do skutečného pracovního toku nemocnice.
🌍 Tři technologické pilíře fyzické AI
Rozvoj fyzické AI ve zdravotnictví stojí na třech navzájem propojených pilířích. Každý řeší jinou část problému a žádný z nich sám o sobě nestačí.
Modely světa pro porozumění klinickému prostředí
Prvním pilířem jsou modely světa, jako je NVIDIA Cosmos. Tyto modely mají rozumět složitým scénám, vytvářet jejich varianty a pracovat s návazností dějů v čase. Pro zdravotnictví je důležité, že je lze dále přizpůsobit chirurgickým scénám, klinickým pracovním postupům nebo prostředí operačního sálu.
Model světa si lze představit jako základní vrstvu, která odpovídá na otázky: Co se v prostředí nachází? Kde jsou nástroje? Jaký je záměr prováděného úkonu? Co by mohlo následovat, pokud se robot pohne určitým směrem?
V medicíně je důležité, aby tato vrstva byla ukotvena ve fyzikální realitě. Generativní model, který by vytvářel libovolné vizuálně přesvědčivé, ale anatomicky nebo fyzikálně nemožné situace, by pro vývoj bezpečné robotiky nebyl dostatečný.
Akční modely, které mění porozumění v pohyb
Druhým pilířem jsou robotické akční modely, například rodina GR00T a zdravotnická varianta GR00T H. Jejich úkolem je převést vnímání a porozumění záměru na konkrétní akce robota.
V popsaném uspořádání pracuje jazyková a obrazová část s informacemi o scéně a cíli úkonu. Vytvoří sémantickou reprezentaci, která se následně kombinuje se stavem robota. Výsledkem je akční politika, tedy rozhodovací mechanismus určující vhodné pohyby a kroky.
Obecný robotický model ale nemusí být automaticky vhodný pro chirurgii. Manipulace s chirurgickým nástrojem v blízkosti tkání je velmi odlišná od přesouvání předmětů na pracovním stole. Zdravotnické varianty proto vyžadují specifická data, dodatečné trénování a důsledné ověřování.
Fyzikální simulace a generativní fyzika
Třetím pilířem je simulace. Klasická simulace staví na explicitních fyzikálních pravidlech a výpočetně náročných modelech. Vedle ní se rozvíjí neuronová simulace a generativní fyzika, které se učí aproximovat chování reálného prostředí na základě dat.
Cílem není tvrdit, že se klasická simulace jednoduše nahradí. Pravděpodobnější je hybridní přístup. Některé aspekty interakce nástroje s tkání budou i nadále vyžadovat velmi přesné klasické fyzikální modely. Jiné části vývoje, například rychlé vytváření variant prostředí nebo předběžné porovnávání robotických politik, mohou výrazně těžit z učených simulátorů.
Výhoda je praktická. Vybudování mimořádně přesného chirurgického simulátoru klasickými metodami může stát miliony a trvat roky. Učené proxy simulátory mohou zkrátit vývojový cyklus a otevřít cestu k rychlejšímu testování více zákroků a více variant zařízení.
🔄 Datový setrvačník: skutečná a syntetická data spolupracují
Jeden z nejdůležitějších principů fyzické AI je datový setrvačník. Začíná reálnými daty, protože model musí být ukotven v reálném světě. Následuje dodatečné trénování, generování syntetických variant, získávání nových dovedností a ověřování výkonu. Výsledky pak ukazují, kde model selhává a jaká data nebo scénáře je potřeba doplnit.
Tento proces lze stručně popsat v pěti krocích:
- Sběr reálných dat: záznamy z robotických systémů, senzorů, zákroků a klinických prostředí poskytují základ v realitě.
- Předtrénování a specializace: obecný model se upravuje pro konkrétní zdravotnickou oblast, typ robota nebo úkon.
- Generování syntetických dat: simulace vytváří nové kombinace anatomie, prostředí, polohy nástrojů a dalších proměnných.
- Učení dovedností: robot trénuje nové úlohy metodami imitativního a posilovaného učení.
- Vyhodnocení a návrat k datům: simulátor odhaluje slabá místa, která vedou k cílenému rozšíření dat a dalšímu tréninku.
Smyslem syntetických dat není nahradit realitu bez omezení. Jejich největší přínos spočívá v pokrytí variability, kterou žádný jednotlivý chirurg, nemocnice ani výrobce nemůže samostatně zaznamenat. Reálné prostředí obsahuje nespočet kombinací poloh, typů nástrojů, anatomických rozdílů a výjimečných situací.
Právě výjimečné situace, často označované jako edge cases, jsou pro bezpečnost kritické. V autonomním řízení nelze projet každou silnici a zažít každou neobvyklou dopravní situaci. Podobně v medicíně nelze v běžné klinické praxi shromáždit každý možný scénář. Simulace může pomoci vytvořit rozmanité podmínky, v nichž se systém učí reagovat robustněji.
Podstatná je také kvalita a původ dat. Synteticky generovaný chirurgický obraz je nejužitečnější tehdy, když vychází z digitálních aktiv založených na CT nebo MR datech a zachovává fyzikální a anatomické vazby. Takové ukotvení pomáhá zabránit tomu, aby generativní systém vytvářel nepravděpodobné nebo nekonzistentní situace.
📚 OpenAge a GR00T H otevírají základ pro vývoj
Významnou součástí oznámení je iniciativa OpenAge, která vytvořila rozsáhlý otevřený soubor dat pro zdravotnickou robotiku. Na jeho vzniku se podílelo více než 35 partnerů, včetně společností CMR Surgical a Moon Surgical. Soubor zahrnuje 11 typů robotických ztělesnění a více než 750 hodin dat ze zdravotnické robotiky.
Takový datový základ je důležitý, protože specializované klinické robotické systémy nemohou spoléhat jen na znalosti převzaté z obecné robotiky. Potřebují data zachycující skutečné nástroje, pracovní postupy, vizuální podmínky, pohyby i omezení zdravotnického prostředí.
Na OpenAge navazuje GR00T H, otevřený model určený pro zdravotnickou robotiku. Model je dostupný jako open source, přičemž zdrojové kódy, trénovací postupy a další materiály mají podpořit širší ekosystém výzkumníků a vývojářů. Modelové váhy a datové zdroje jsou zpřístupněny také prostřednictvím Hugging Face.
Otevřenost je v tomto případě více než marketingový detail. Zdravotnická robotika zahrnuje mnoho odlišných zákroků a zařízení. Jeden poskytovatel nemůže sám pokrýt všechny odbornosti. Sdílené základní modely, data a postupy umožňují jednotlivým týmům navázat na společný základ a upravit jej pro vlastní aplikaci.
Zároveň je nutné zachovat realistická očekávání. Model předtrénovaný na otevřeném souboru dat není hotovým klinickým produktem. Je to výchozí bod pro další práci. Konkrétní nasazení vyžaduje specializované dodatečné trénování, validaci, integraci do zařízení a splnění příslušných bezpečnostních i regulačních požadavků.
🧪 Cosmos H a simulace chirurgických scén
Pro další rozšiřování dat a testování robotických politik vznikají zdravotnické deriváty Cosmos H. Jejich úkolem je pomoci vytvářet věrnější simulované světy, v nichž může robotická AI bezpečně trénovat.
Cosmos H Transfer
Cosmos H Transfer se zaměřuje na říditelné generování syntetických dat. Výchozím bodem mohou být digitální dvojčata anatomie a prostředí vytvořená v NVIDIA Isaac Sim a Omniverse. Nad fyzikálně ukotvenou scénou lze vytvářet variace, které rozšiřují škálu podmínek pro trénink.
Například segmentační a hloubkové masky ze simulovaného prostředí lze převést do realisticky působícího laparoskopického obrazu. To umožňuje generovat rozsáhlejší množství obrazových scén, aniž by každý jednotlivý případ musel být zaznamenán při skutečném zákroku.
Cosmos H Predict
Cosmos H Predict je určen pro predikci různých akčních stavů a rozmanitých dovedností v jednom prostředí. Pokud robot již zná určitý základní úkon, může v simulaci procvičovat jeho varianty nebo navazující kroky. Tato schopnost je důležitá pro rozklad složitých chirurgických výkonů na menší, lépe zvládnutelné části.
Jako ilustrace byla použita situace, kdy systém dostane obraz a instrukci pro provedení konkrétní manipulace robotickými kleštěmi v měkké tkáni. Klíčové není samotné vizuální generování, ale možnost vytvářet prostředí, kde lze srovnávat různé akční politiky a trénovat jejich reakce na měnící se situace.
Učený chirurgický simulátor
Cosmos H Surgical Simulator představuje posun od čistě pravidlové simulace ke simulaci, která se umí učit. Může sloužit jako testovací prostředí pro různé robotické politiky. Uvedené rané výsledky naznačují, že pořadí výkonu modelů v simulátoru, například GR00T nebo Pi Zero, odpovídá pořadí jejich výkonu v reálných podmínkách.
Pokud se tento vztah potvrdí ve větším měřítku, může výrazně zrychlit vývoj. Místo dní či týdnů potřebných k opakovanému fyzickému testování na laboratorním systému lze některé odpovědi získat během hodin. Simulátor navíc může pomoci určit, proč konkrétní politika nefunguje, a tím ukázat, jaký typ dat či tréninku je potřeba doplnit.
Neznamená to, že simulace odstraní nutnost testování v realitě. Přechod ze simulace do skutečného provozu, známý jako sim to real, stále není vyřešeným problémem. Slabiny se mohou projevit v přesnosti digitálního dvojčete, propojení systémů, síťové komunikaci, konektivitě portů nebo odlišném chování reálného hardwaru. Přínosem je především zmenšení mezery mezi vývojem a nasazením.
🏥 Isaac for Healthcare rozšiřuje robotiku do nemocnic
Platforma Isaac for Healthcare sdružuje zdravotnicky specifické rozšíření robotické platformy NVIDIA Isaac. Její význam spočívá v tom, že vývojářům nabízí ucelenější cestu od simulace přes generování dat až po trénování a vyhodnocování modelů.
Platforma zahrnuje:
- knihovny pro simulaci zdravotnických senzorů,
- postupy pro simulaci a generování syntetických dat,
- modely a akční politiky pro robotické systémy,
- vývojové blueprinty a doporučené pracovní postupy,
- recepty pro předtrénování i dodatečné trénování modelů,
- příklady použití pro chirurgickou robotiku, klinická zařízení a nemocniční automatizaci.
Verze Isaac for Healthcare 0.5 přináší také knihovny pro simulaci ultrazvukových a rentgenových senzorů. U ultrazvuku lze modelovat celý řetězec od akustických vlastností tkáně a konfigurace sondy až po realisticky vytvářené snímky. U rentgenu lze simulovat proces od objemových dat odvozených z CT přes šíření paprsků po odezvu detektoru.
Takový přístup umožňuje generovat syntetická senzorová data ve velkém rozsahu. Pro vývojáře je podstatné, že zdravotnictví má jiné požadavky než běžná průmyslová robotika. V centru zájmu není pouze prostor s regály a paletami, ale lidská anatomie, fyziologie, medicínské přístroje a proměnlivé klinické pracovní postupy.
Jedna z dostupných cest proto začíná vlastním digitálním dvojčetem pacienta. Z CT nebo MR dat lze vytvořit 3D síť anatomie, přenést ji do simulačního prostředí a dále vytvářet variace pomocí specializovaných modelů. Další cesta pracuje s digitálním dvojčetem nemocničního prostředí, například operačního sálu, jeho vybavení a robotického systému.
Tato metodika se neomezuje na chirurgii. Projekt Rio ukazuje blueprint pro nemocniční automatizaci. Postup je obdobný: sestavit digitální dvojče, získat nebo rozšířit data například pomocí teleoperace, vytvořit variace scénářů, trénovat politiku a opakovaně ji testovat, dokud systém není připraven pro reálný provoz.
⚙️ Od laboratoře k nasazení: Holoscan 4.0 a IGX Thor
Nejsložitější část přichází ve chvíli, kdy se model opustí simulaci a má pracovat na skutečném zařízení. Fyzická AI vyžaduje velmi nízkou latenci, spolehlivou komunikaci se senzory a možnost přímo řídit robotické komponenty.
Holoscan 4.0 je prezentován jako nasazovací stack pro fyzickou AI. Přináší tři důležité vlastnosti:
- Podporu EtherCAT: standard umožňuje přímější řízení motorů a dalších průmyslových komponent robota.
- Interoperabilitu: stack se propojuje s běžně používanými technologiemi, například ROS 2 a GStreamer, takže nemusí nutně znamenat opuštění existujícího vývojového prostředí.
- GPU rezidentní grafy: zpracování může probíhat akcelerovaně na GPU bez zbytečných zásahů CPU, což snižuje latenci.
Nízká latence není důležitá jen kvůli rychlosti samotného pohybu. Umožňuje do stejného časového rozpočtu zahrnout složitější modely. Dřívější generace robotických aplikací často využívala konvoluční neuronové sítě pro jednoznačně definované detekční úlohy. Budoucí systémy však budou stále více pracovat s modely kombinujícími obraz, jazyk a akci.
Pro tyto náročnější modely je určen také IGX Thor, průmyslová edge AI platforma pro bezpečnostně certifikované výpočty v reálném čase. Důležitý je princip, že AI se přesouvá přímo do zařízení na okraji sítě. Rozhodování pro robotickou asistenci nemůže vždy čekat na vzdálené cloudové zpracování. Musí probíhat rychle, spolehlivě a v těsném spojení se senzory a ovládáním zařízení.
🧠 Nový směr: od surového signálu k medicínskému poznatku
Fyzická AI ve zdravotnictví nezačíná až u robota. Její základ tvoří také medicínské senzory, protože právě CT, MR a ultrazvuk poskytují robotickým systémům informace o lidském těle.
Nová iniciativa Raw2Insights se zaměřuje na AI zpracování dat přímo od fyzikálního signálu až po rekonstrukci a následné informace. U ultrazvuku pracuje model se surovým RF signálem, tedy s daty blíže samotnému senzoru, než je hotový ultrazvukový obraz.
Ambicí je fyzikálně ukotvené zpracování, které může v reálném čase přizpůsobovat zobrazování konkrétnímu pacientovi. Vývoj vznikal ve spolupráci se Siemens Research, Altera a platformou NVIDIA IGX. Jeho širší klinický dopad se teprve ukáže, ale samotný směr je zajímavý: část užitečných informací se může při tradičním převodu surového signálu na obraz ztratit.
V současnosti jde o oblast raného výzkumu. Nelze zatím s jistotou říci, jaké přesné poznatky mohou být díky přímější práci se surovými daty zachyceny navíc. Otázkou zůstává, zda modely dokážou lépe popsat akustické chování a další vlastnosti, které nejsou ve výsledném obrazovém prostoru plně patrné.
Pro magnetickou rezonanci vzniká samostatná varianta Raw2Insights, která řeší odlišný problém a používá jinou architekturu. Zaměřuje se na rekonstrukci obrazu pomocí AI. Model byl vyvinut v návaznosti na výzvu CMRxRecon a vykazuje konzistentní kvalitu rekonstrukce napříč různými skenery, protokoly a pracovišti.
Z pohledu vývoje zdravotnických zařízení je to připomínka, že AI nemusí být pouze nadstavbou nad hotovým obrazem. Může vstupovat přímo do rekonstrukčního řetězce a postupně měnit způsob, jakým se ze senzorových dat vytváří použitelný medicínský obraz.
🧬 Generativní modely pro CT a MR mají jasné hranice
Další novinkou je NV Generate pro CT a MR, 3D difuzní model určený pro práci se snímky z těchto modalit. Jedním z praktických použití je tvorba vhodnějších anatomických podkladů pro digitální dvojčata.
CT dat je obecně více než dat MR. Generativní model proto může pomoci převést CT snímek na obraz MR s vyšší kvalitou nebo rozlišením, přičemž má zůstat ukotvený v anatomii daného případu. To může rozšířit datové sady používané při vývoji simulací a modelů.
Zásadní je uvedené omezení: tyto generativní modely nejsou určeny pro klinické rozhodování. Jejich rolí není stanovovat diagnózu ani nahrazovat odborný úsudek. Jsou nástrojem pro diverzifikaci dat, vývoj modelů a vytváření simulovaných prostředí pro nové modality a robotické aplikace.
To je rozumná hranice. V klinické medicíně musí být vždy jasné, zda je výstup reálným naměřeným údajem, rekonstruovaným snímkem nebo synteticky vytvořeným datovým artefaktem. Oddělení vývojových a klinických účelů je nezbytné pro bezpečnost, validaci i důvěru.
🤝 První průmyslové aplikace ukazují směr
Na rozvoji těchto přístupů již pracuje několik společností zaměřených na zdravotnickou robotiku. CMR Surgical přispěla do datového souboru OpenAge a využívá Cosmos H, simulátor Cosmos H i politiky založené na GR00T H pro výzkum automatizace dílčích chirurgických úkonů. Pracuje také s platformami Holoscan a IGX.
Johnson & Johnson MedTech využívá Cosmos a Isaac Sim pro syntetické generování dat a digitální dvojčata pro platformu Monarch. Moon Surgical pracuje s Cosmos, Isaac Sim a Isaac for Healthcare na systémové autonomii, která se zaměřuje na přípravu robotu a prostředí před kontaktem s pacientem.
Dalšími zmiňovanými organizacemi jsou MedBot, Exar Labs a LEM Surgical. V oblasti nemocniční automatizace se objevuje také Peritas AI se svým humanoidním robotem PERI, jehož vývoj a hodnocení probíhá ve spolupráci s AdventHealth. Společným jmenovatelem je využití digitálních dvojčat, syntetických dat a simulací k urychlení vývoje před nasazením do reálného prostředí.
Rychlost vývoje je pozoruhodná. Modely světa, které byly původně známé především z prostředí silnic, dopravních značek a obecné fyzické reality, se během krátké doby začaly přizpůsobovat anatomickým, fyziologickým a klinickým podmínkám. Přenos do zdravotnictví však musí zůstat opatrný. Zdravotnický kontext není jen další průmyslový scénář, protože chybné rozhodnutí může mít přímý dopad na člověka.
🔐 Bezpečnost, regulace a hybridní budoucnost
V debatě o fyzické AI je snadné soustředit se na působivé ukázky. Ve skutečnosti bude rozhodující zejména schopnost systémů obstát v bezpečnostním, technickém a regulačním ověřování.
Regulace autonomních chirurgických systémů se bude lišit podle jurisdikce a podle úrovně autonomie. Není totéž, zda systém poskytuje vizuální upozornění, asistuje při jednom omezeném úkonu, nebo samostatně provádí komplexní chirurgický výkon. Každý stupeň vyžaduje jiný rozsah důkazů, kontroly a odpovědnosti.
Pro další orientaci v požadavcích na zdravotnický software a zařízení nabízí kontext například přehled FDA k softwaru jako zdravotnickému prostředku. Konkrétní pravidla se samozřejmě v jednotlivých zemích liší, ale společný princip zůstává stejný: inovace musí být prokazatelně bezpečná a vhodná pro zamýšlené použití.
Za realistickou považuji hybridní budoucnost. Klasické simulátory nezmizí, ale budou doplněny učenými modely a generativní fyzikou. Reálná data neztratí význam, ale budou rozšířena syntetickými případy. Roboti nebudou náhle provádět celé operace bez lidského dohledu, ale mohou postupně získávat kompetence v úzce vymezených úkolech.
Úspěch nebude měřen jen tím, zda model vytvoří přesvědčivý obraz nebo zvládne demonstraci v laboratoři. Rozhodující bude, zda lze jeho chování vysvětlit, testovat v dostatečně široké škále situací, bezpečně integrovat do nemocničních systémů a účinně používat v každodenním pracovním toku.
🚀 Co si z nového směru odnáším
GTC SJ 2026 ukazuje, že zdravotnická AI se posouvá od izolovaných analytických funkcí k propojenému ekosystému digitální inteligence a fyzické autonomie. Základem tohoto posunu jsou otevřená data OpenAge, specializované akční modely GR00T H, modely světa Cosmos H, simulace v Isaac for Healthcare a nasazovací technologie Holoscan 4.0 s platformou IGX Thor.
Nejdůležitější myšlenka je jednoduchá: robot se nemůže spolehlivě učit jen z několika reálných případů. Potřebuje neustálý cyklus reálných dat, syntetických scénářů, tréninku nových dovedností a simulovaného ověřování. Čím lépe budou digitální dvojčata a simulátory odpovídat fyzické realitě, tím rychleji a bezpečněji se může vývoj přiblížit skutečnému nasazení.
Zároveň zde zůstává zdravá dávka realismu. Úplná autonomie v chirurgii je dlouhodobý cíl, nikoli bezprostřední realita. Přechod mezi simulací a skutečným prostředím obsahuje mnoho technických překážek. Generativní medicínské modely nejsou určeny k samostatnému klinickému rozhodování. A každý systém, který vstupuje do péče o člověka, musí projít důkladným ověřením.
Přesto je směr přesvědčivý. Pokud se podaří spojit vysoce kvalitní data, fyzikálně ukotvené simulace, specializované modely a bezpečné edge výpočty, mohou zdravotnické týmy získat nové nástroje pro diagnostiku, intervenci, péči i nemocniční provoz. Pro zájemce o další novinky v oblasti zdravotnické AI je k dispozici newsletter NVIDIA AI Healthcare.
