在过去几年，医疗 AI 最容易被看见的场景，是诊断。

AI 读片、判读心电图、分析眼底影像、预测肿瘤风险、辅助医师做出判断。这些应用重要，也确实是医疗 AI 最早成熟的一批场景。原因不难理解：数据相对结构化，任务边界相对明确，结果也比较容易验证。

但在今年 COMPUTEX Taipei 期间的一场 NVIDIA GTC Taipei 论坛中，富士康展示了一条值得观察的智慧医院路径：医疗 AI 不再只是停留在影像判读、报告分析与诊断辅助，而是开始进入任务调度、药品配送、护理协作与临床现场执行。

这并不代表智慧医疗只有这一种发展方向。不同医疗体系会因支付制度、医院管理、数据治理与区域医疗结构差差异，而形成不同的关注重点。对大陆医院而言，智能化往往还与医保支付改革、DRG/DIP、医院运营效率、区域医疗协同、基层能力下沉、院内供应链与耗材管理等问题交织在一起。

一旦 AI 从诊断走向执行，智慧医院的挑战就不再只是模型能力，而是流程重塑。

从富士康展示的 CoDoctor AI 多模态医学模型来看，医疗 AI 的诊断能力已经覆盖到相当多场景。

神经科可以做阿尔茨海默氏症退化监测; 眼科可以做黄斑部病变、糖尿病视网膜病变与视网膜中心厚度分析; 心脏科可以做单导、三导心电图筛查与心房颤动判断; 肿瘤科可以进入乳癌、肺癌、大肠镜、头颈癌与前列腺癌等场景。AI 可以协助医师更快看见风险，更早发现异常，更有效地处理大量影像、检查与临床资料。这也是过去几年医疗 AI 最被熟悉的方向。

但医院真正的压力，并不只发生在诊断环节。诊断之后，还有药品调剂、标本收取、病人健康宣教、环境导引、院内物流、照护追踪、跨科资料整合、护理交接、慢病管理。这些环节未必像影像判读那么被看见，却是支持每家医院每天真实运转的骨架。

如果 AI 只停留在「看懂」，它仍然只是医疗工作中的一个辅助点。但如果 AI 要真正改变医院，就必须进入「执行」。

这场论坛中，所展示的 Nurabot 护理协作机器人是一个很好的入口。

它的重点不在于机器人会不会走路，而在于它是否能够真正嵌入医院的工作流程。在现场投影片中的 Nurabot 生活日志，列出它在一天中不同时间段的任务，包括标本收取、药品运送、卫生教育与环境介绍。 现场数据显示，它单日可执行约75至80件任务，自主运作约380分钟，并可降低约30%的护理工作量。

这里真正值得注意的，不是数字本身，而是它的呈现方式。它不是用产品规格证明价值，而是用工作日志证明它已经进入医院的流程。

医院现场的问题，缺少的往往不是更聪明的回答，而是能在正确时间、正确地点、正确流程中完成任务的系统。标本要送到哪？药品什么时候该送？病人需要什么健康宣教？护理站如何接收任务状态？机器人如何与医院信息系统、药房系统或护理系统连接？任务失败时由谁接手？临床责任如何界定？

这些问题，是 AI 从诊断走向执行后，在落地现场真正会碰到的问题。

富士康在论坛中展示的智慧医疗架构，从能源、基础设施、平台、模型，一路延伸到医疗影像、数字孪生与具身智能。这套叙事其实很清楚：智慧医院不是单一应用，而是一个完整堆叠。

底层需要算力与 AI Factory; 中间需要健康云、模型平台与多模态医疗模型; 上层需要能够进入真实场景的 AI Agent 与机器人; 最后还要与医院的临床流程整合。

尤其是 Physical AI 的部分，逻辑更明确。

机器人不能在医院里任意试错。高风险的医院现场需要先在数字孪生环境中模拟、训练与验证，再部署到真实医院现场，透过现场信息回收，持续更新模型与流程。这就形成一个「模拟—部署—执行—反馈—再优化」的闭环。

单点智能不难，真正难的是流程闭环，以及端到端的交付。这一点非常关键。过去很多企业谈AI，重点放在单次任务完成。但更有价值的 AI 系统，不只是完成任务，而是在完成任务的过程中留下可追溯、可修正、可再训练的经验资料。

在医院里，这种闭环尤其重要。因为每一次配送延误、交接错误、病人等待、护理人员被中断，都不是孤立事件，它们都可能成为流程优化的数据。智慧医院的价值，不只是把人从某个任务中替换掉，而是让整个流程变得更可观察、更可调整、更可学习。最终，让患者、家属、医院、医护人员都能受惠。

这场论坛后半段谈到化疗药物调剂与配送流程，我反而觉得是最值得看的部分。因为它不是展示一个酷炫的 AI 模型，而是回到医院里非常具体、非常日常，也非常沉重的工作。

化疗药物调剂与配送有三个挑战：高风险、高负荷、人力失衡。

高风险，是因为化疗需求增加，药师长时间接触化疗药物，职业暴露风险上升。高负荷，是因为院内药品配送仰赖人工，搬运往返耗时耗力，也容易中断临床流程。人力失衡，是因为护理与药师人力吃紧，但大量时间被庶务、搬送与交接消耗。

富士康把人工流程拆成三端：调剂端、运送端、护理端。

调剂端平均每日化疗调剂量约500笔; 运送端每日约30趟人工配送; 护理端每日行走约5公里。这些数字不像 AI 模型参数那么吸引眼球，却更接近智慧医院的真问题。

医院的效率瓶颈，经常不在某一个高科技节点，而是在流程之间的断点：调剂完成后谁送？送到哪里？怎么确认？护理人员何时接收？任务状态如何回传？如果病人状态变了，流程如何调整？

化疗流程的解法，不是只在某一端加一个设备，而是把调剂、配送与护理交付串起来。

调剂端，用化疗药物自动化调剂设备完成高风险、重复性的药物准备，降低药师暴露风险与重复操作。这一端不只是产出药品，也同步产生可追踪的配送任务，包括病人、药品、剂量、目的地、时限与交付要求。

运送端，用FARobot30承接院内批量配送，把完成调剂的药品送往病房、护理站或化疗门诊中心等区域节点，减少原本仰赖人工往返的搬运负担。

护理端，再由 Nurabot 承接最后一公里精准交付，配合护理站、治疗区或病人端的实际需求，完成提醒、交接、确认与状态回传，减少护理人员在取药、送药与交接之间被反复中断。

所以，这套流程真正的意义，不是三个设备各自自动化，而是把化疗药物从调剂、院内配送到护理端交付串成一条连续流程。如果只做调剂自动化，药品仍然需要人送。如果只做配送机器人，前端调剂风险还在。如果只做护理端交付，前面的院内物流仍然断裂。

智慧医院真正的问题，不是有没有某一个 AI 工具，而是能不能把分散的工具、数据、任务与责任，重新组合成一条可运行的流程。这也是为什么，智慧医院的真正挑战是流程重塑。

AI 诊断解决的是「看见问题」，AI 执行面对的是「把事情做完」。在医疗场景里，把事情做完，往往比看见问题更复杂。

需要说明的是，这场论坛展示的并不是智慧医疗的全部图景。

对不同医疗体系而言，智慧医院的建设重点会有所不同。有些场景更重视医保支付与成本核算，有些更重视区域医疗协同，有些更重视基层能力下沉，有些则从院内供应链、耗材管理、检查检验互认或互联网医院切入。这些方向背后，是另一套更偏体系治理与运营效率的智慧医疗逻辑。

相较之下，这场论坛展示的重点更集中在院内执行层：当AI Agent、数字孪生、具身智能与机器人进入医院现场，如何把诊断、调剂、配送、护理与反馈串成可以运行的流程。

这一点对非技术背景的医院管理者应该是有价值的。因为当 AI 还停留在诊断辅助时，管理者最容易关注的是准确率、召回率、误判率与模型性能。但当 AI 进入执行环节，管理者真正要问的问题就变了：

这个流程由谁触发？任务由谁派发？系统与系统之间如何衔接？异常情况由谁接手？交付结果如何确认？责任边界如何界定？数据如何回流到下一次流程改进？

这些问题不完全是技术问题，而是医院运营问题、流程管理问题，也是人机协同问题。

论坛最后用一张图区分了两种角色：协思者与协作者。

左边是AI Agent，重点是语义理解、对话协作、任务编排与工具调用。它从「指令与界面操作」走向「语义理解与对话协作」。

右边是具身智能，重点是实体协作、主动感知与场域协同。它不是只在屏幕里回答问题，而是要在真实空间中完成任务。

AI Agent 解决的是认知与协调问题，具身智能解决的是行动与现场问题，而智慧医院需要将两者结合起来。只有AI Agent，医院会多一个聪明的大脑，但许多重复性、移动性、实体性工作仍然落在人身上；只有机器人，医院会多一个自动化设备，但如果没有语义理解、任务编排与系统整合，它仍然只是孤立工具。

真正的智慧医院，是 AI Agent 与具身智能共同进入流程：前者负责理解、协调与决策支持，后者负责感知、移动与实体执行。这或许是从 AI 诊断走向 AI 执行时，最值得我们关注的变化。

AI 不再只是给出一个判断，而是开始参与任务分派、资源调度、现场操作与流程反馈。这时候，医院不能只把 AI 当成一个工具，而要把它放进整个工作系统里重新设计。

AI 落地的主战场，不是模型本身，而是流程重塑与结果闭环。

这类方案能否大规模落地，并不只取决于机器人或模型本身。医院的信息系统能否打通，药学部、护理部、后勤与信息部门能否协同，异常情况由谁接手，责任边界如何界定，数据如何回流并改进流程，这些问题都会决定它能否从展示走向常态运行。

因此，这场论坛的价值，不在于宣告某种单一答案，而在于揭示了一个值得关注的转向：医疗 AI 正在从诊断辅助走向任务执行。过去，AI 帮助医师看懂影像与数据；现在，AI开始协助医院安排任务、运送药品、收取标本、进行健康宣教、串接慢病管理，甚至透过具身智能参与真实世界的操作。

但这不代表医护会被取代。恰恰相反，智慧医院最值得追求的方向，是让医护从重复、搬送、等待、查找与交接中被释放出来，把时间与注意力重新放回真正需要专业判断、情感沟通与临床责任的地方。

所以，智慧医院的真正挑战，不是能不能多做一个 AI 诊断模型，也不是能不能多部署一台机器人。真正的挑战是：能不能重新理解医院工作的流动方式，重新分配人与 AI 的分工、协同与责任，并让每一次执行都成为下一次改进的基础。

从 AI 诊断到 AI 执行，医疗 AI 才开始进入智慧医院的深水区。