中科院联合国际团队发布首个十亿参数手术视频模型

手术AI正在经历一场深刻的蜕变——从过去只能理解单帧静态图像的“看图说话”，进化到如今真正看懂一整段手术视频的“全程追踪”。这是否意味着，AI终于开始像人类医生一样，理解手术中器械与组织的复杂互动？答案是明确的。近日，由中国科学院香港创新研究院人工智能与机器人创新中心牵头，联合中国科学院自动化所、香港中文大学、慕尼黑工业大学、北京协和医院、中山大学附属第一医院、香港威尔斯亲王医院、香港大学深圳医院等全球顶尖机构，正式发布了全球首个十亿级参数、依托最大规模数据集训练而成的手术视频原生基础模型——SurgMotion。

• 论文：SurgMotion: A Video-Native Foundation Model for Universal Understanding of Surgical Videos
• 论文链接：https://arxiv.org/pdf/2602.05638
• Github 仓库: https://github.com/CAIR-HKISI/SurgMotion
• Hugging Face 权重: https://huggingface.co/CAIR-HKISI/SurgMotion

作为手术AI领域的里程碑式成果，SurgMotion依托于迄今为止全球规模最大、术式覆盖最全的千万帧级（SurgMotion-15M）手术视频数据集，首次突破十亿级参数规模，实现了对器械-组织交互及复杂时空运动语义的深度建模。更值得注意的是，该模型在首次覆盖17项核心手术任务的系统性评测中展现出统治级性能：手术视频动态理解性能平均提升达16.5%；手术中的静态任务（如深度估计、病灶分割）平均误差降低2.9%，全方位定义了通用手术视频理解的全新技术标杆。

发布仅三个月，SurgMotion已迅速成为Hugging Face上全球下载量第一的手术视频基础模型。目前，已有来自5大洲、14个国家和地区的近40个全球顶尖机构与研究团队（包括直觉外科、卡尔史托斯、蔡司、杜克大学、慕尼黑工业大学等）正式申请使用。

01. 范式碘伏：从“像素重建”到“时空运动预测”

传统的医疗视觉模型通常停留在“单帧图像”的静态感知层面，或者深陷于低效的像素级重建泥潭。真实手术场景中的烟雾、反光、出血这些“低级视觉噪声”，会大量消耗模型的计算资源。打个比方，就像让一个人盯着满是噪点的照片，强行理解画面内容——效果可想而知。模型根本无法真正捕捉手术的“动态语义”。

SurgMotion带来了行业内首次根本性的范式碘伏。基于先进的视频联合嵌入预测架构（V-JEPA），它彻底摒弃了传统的像素级解码，转而专注于潜空间（Latent Space）中的运动预测。具体来说，SurgMotion引入了三大核心技术：

• 运动引导的潜空间遮蔽预测（Motion-Guided Latent Masked Prediction）：引导模型自动过滤无用噪声，把注意力聚焦到器械运动、组织形变这些真正关键的手术语义区域。
• 时空亲和力自蒸馏（Spatiotemporal Affinity Self-Distillation）：强制模型学习手术视频在时间和空间上的强关联性，实现对复杂手术流程的连贯理解。
• 时空特征多样性正则化（SFDR）：有效解决手术场景中因纹理单一导致的表征崩溃问题，确保模型在各种极端手术场景下依然保持极高的鲁棒性。

02. 全球最大：SurgMotion-15M 预训练数据集

巧妇难为无米之炊——这恰恰是手术视频领域长期面临的困境。高门槛、严格的隐私保护和标注难度，导致行业长期处于“数据孤岛”状态。原因很简单：有价值的手术视频既难以获取，又难以共享。

为了彻底打破这一瓶颈，研究团队倾力打造了迄今为止全球规模最大、术式最丰富、覆盖最全面的手术视频预训练数据集——SurgMotion-15M：

• 超大体量：包含3,658小时的真实手术视频，总帧数高达1500万帧。
• 极高多样性：汇聚了来自50个不同数据源的珍贵影像。
• 全科室覆盖：横跨13个主要解剖区域，涵盖腹腔镜、胸腔镜、神经外科、眼科、耳鼻喉科等多学科复杂术式。

如此庞大且高质量的数据滋养，赋予了SurgMotion史无前例的泛化能力与跨科室通用性。

03. 模型参数史上首次迈入十亿级

在1B参数的支撑下，SurgMotion成功整合了视频特征空间，将手术视频的核心动态与时空信息进行深层学习。它捕捉器械-组织交互、组织形变及操作节奏的能力，显著超越了以往任何模型。

04. 首次全面评测：覆盖17项核心手术任务

在涵盖手术工作流识别、动作理解、深度估计、病灶分割、器械交互以及手术技能评估等17项权威基准测试中，SurgMotion接受了极其严苛的系统性评估。结果怎么样？统治级的性能表现，一连串刷新记录的数字：

• 手术工作流理解（Workflow Recognition）：在EgoSurgery数据集上，F1分数大幅提升14.6%；在PitVis数据集上提升10.3%。
• 动作三元组识别（Action Triplet Recognition）：在行业公认的CholecT50数据集上，以39.54% mAP-IVT的优异成绩刷新世界纪录。
• 静态视觉与几何感知：在深度估计任务中，误差平均降低2.95%；在息肉/病灶分割任务中，精度相较于既有最强模型平均提升约1.0%，展现出极强的空间几何感知力。

无论是宏观的手术步骤推理，还是微观的器械-组织交互，SurgMotion都用详尽的评测数据证明了自己作为通用底座的强大实力。

05. 全球生态共鸣：推动技术落地与合作

对于广大医疗AI科研团队而言，数据清洗、算力开销以及繁琐的环境配置往往是阻碍创新的最大痛点。因此，SurgMotion在GitHub和Hugging Face上全面开放了模型权重、微调代码、开箱即用的评估框架与环境配置接口。自发布以来，SurgMotion的影响力已从学术界快速延伸至全球医疗技术与临床研究生态，并在产业界、科研机构和临床场景中形成广泛共鸣：

• 产业合作方面：已有至少5家医疗科技企业和行业机构申请使用SurgMotion，包括Intuitive Surgical（达芬奇手术机器人公司）、Karl Storz（内镜设备龙头）和ZEISS（光学与医疗设备企业）等研发团队，用于手术视频理解、内镜智能分析、机器人辅助手术等方向的技术评估与应用探索。
• 高校与科研生态方面：已有至少22所高校和科研机构加入SurgMotion的使用与验证，包括Duke University、慕尼黑工业大学（TUM）、悉尼大学、香港科技大学、澳门大学等团队，研究方向覆盖手术VLA模型开发、视频特征提取、时序推理、手术动作理解和多模态手术智能等前沿领域。
• 临床实践合作方面：已有至少7家医院、医学院及临床相关机构申请使用SurgMotion，包括Samsung Medical Center、Bucheon Sejong Hospital、Southern Medical University、Thomas Jefferson等机构，围绕手术教学、术中质量评估、数据质控和结构化复盘等真实临床需求开展探索。相关团队还与港大深圳医院紧密合作，通过自动化手术视频结构化分析，推动手术标准化教学、手术质量复盘与临床质控流程的智能化升级。

这一生态扩展为SurgMotion提供了从基础研究、产业验证到临床落地的多维应用场景，也进一步体现了其作为手术视频基础模型的通用能力与真实世界价值。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：中科院联合国际团队发布首个十亿参数手术视频模型要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题