在醫療領域，當人工智慧產生幻覺（hallucination）時，結果不只是不準確的答案而已。人會受傷。

當一般AI聊天機器人偶爾生成聽起來合理但實際上並非事實的句子，那是資訊可靠性的問題。但當承諾自動化醫院運營的AI以同樣方式產生幻覺——將錯誤的患者移送到錯誤的病床、將使用中的設備顯示為可用狀態、在採購訂單中遺漏不存在的庫存——那麼幻覺的後果就是醫療事故。

這正是我們從一開始就提出以下問題的原因。

「如何創造一個讓AI無需猜測的環境？」

錯誤的答案：更聰明的模型

業界的一般做法是讓模型更大、更精細。更多資料、更大的參數、更強的RLHF、更厚的安全護欄。這個方向有其明確的價值——但存在一個根本的限制：以機率推論這件事本身並未改變。

不管機率模型多麼精細，只要輸入資料模糊，輸出就是猜測。而在醫療現場，資料模糊是日常。光憑一行備忘錄「3樓護理人力不足」，AI無法判斷需要做什麼。是哪個3樓？哪個病房？不足的是持照護理師還是輔助人員？是現在不足還是一小時後才會不足？能否由鄰近病房的空餘人力解決——什麼都不清楚。

機率模型會用猜測填補這個空白。在醫療領域，那個猜測是危險的。

不同的答案：更精確的資料結構

Keynoty的做法不同。我們不是讓模型更聰明，而是消除AI必須猜測的空白本身。

為此，我們將醫院重新描繪在本體論（Ontology）資料結構之上。本體論不是單純的資料庫綱要，而是以語意單位定義醫院世界之物件（Object）與關係（Relation）的模型。

  • 物件 — 醫師、護理師、工作人員、患者、CT、MRI、手術工具、手術室、病床、藥品、耗材
  • 關係 — 誰在哪裡、誰正在使用什麼、哪位患者經過哪條路徑移動、哪件設備分配給哪位人員、哪些資源在未來一小時內需要在哪裡

在這個結構之上，AI不再需要猜測。「3樓護理人力不足」變成「東棟3樓外科病房的持照護理師於14:00時為員額6人中的4人；鄰近病房的空餘人力1人位於畫布上7分鐘距離處」。相同的事實，但對AI而言是完全不同的資料。

空間畫布（Spatial Canvas）——一切的起點

這裡正是Keynoty最重要的設計決策登場之處。

Keynoty的醫院本體論並非從抽象的資料模型開始。它從將醫院建築設計圖數位重建而成的「空間畫布（Spatial Canvas）」開始。

從客戶醫院取得實際的建築設計圖，將其重建為畫布，並在其上將醫院所有構成要素以圖層逐一疊加。

  • 醫療設備圖層 — 包含CT、MRI、超音波、雷射、手術工具在內的所有設備，都在畫布上擁有精確座標。是否運作中、待機中或維修中，均即時顯示。
  • 醫療人員（醫師·護理師·工作人員）圖層 — 目前誰在哪個位置，即時顯示於畫布上。哪位人員分配給哪位患者、下一個排程從哪裡開始，也一併顯示。
  • 患者·來訪者動線圖層 — 從掛號到診間、檢查室、手術室、恢復室、病房的移動路徑，以軌跡（Trajectory）形式記錄並視覺化。患者在哪裡聚集、動線在哪裡交叉、哪裡出現瓶頸，一目瞭然。
  • 空間資源圖層 — 病床、候診室、恢復室、手術室的使用狀態，以畫布上的顏色與標記呈現。

在這個系統中，醫院看起來就像一個在單一畫布上活生生運動的有機體。不是抽象的儀表板——而是現場本身的數位孿生。

這正是2026年3月向越南順化中央醫院（HCH）正式提出的設計方式。提案內容是以HCH的建築設計圖為基礎，將人員配置、患者動線、醫療設備狀態、現有院內系統等醫院所有構成要素，系統化為本體論資料結構——這是Keynoty提交給順化的正式提案，也是同日由院長以LOA正式確認合作的基礎。

AI如何在空間畫布上工作

在這個畫布上，AI不猜測，而是依據事實提出建議。

案例1 — 麻醉後恢復室（PACU）壅塞。 當完成恢復的患者無法轉移至病房而等待時，AI確切知道患者位於恢復室的哪個位置、下一個可用床位在畫布上的哪裡、該路徑途中需要哪些資源。建議不是「或許應該移動患者」，而是「將患者P從恢復室3號位移送至東棟5樓512號房；預計耗時8分鐘；搬運人員金OO目前位於4樓走廊」。

案例2 — 醫療設備監控。 Keynoty的Signal系統針對畫布上登錄的所有設備，即時偵測三類警報，並立即傳送給最近的負責人員。

  • 設備故障警報 — 不是在設備完全停止後，而是在出現異常徵兆的瞬間通知負責人員。
  • 設備主要耗材不足警報 — MRI氦氣剩餘量低於臨界值時、內視鏡一次性帽在下次處置排程前庫存不足時、電外科筆頭庫存告急時、呼吸器一次性迴路將用盡時。不是在訂單受阻後，而是在需要下訂單的時間點通知。
  • 機器狀態警報 — 定期保養期限到來、校準週期到期、累積使用時間接近建議上限、AED貼片效期即將到期。不是單純警報，而是附帶下一步建議動作（預約保養、訂購零件、分配人員）的通知。

每則警報分為緊急（紅）·警告（橙）·報告（黃）等級，並在掌握設備位於畫布何處、最近的負責人是誰、該人員目前在做什麼等全部事實的情況下發送。因此**「在設備停機前，系統率先警報」**不只是口號，而是可以實現的承諾。

案例3 — 人員排班。 排定下週人員配置時，AI帶著過去多年來在畫布上累積的動線、稼動率、患者流量模式等全部事實提出建議。建議的依據始終可追溯至畫布上的事實。

不是猜測，而是事實。這就是無幻覺AI的運作方式。

工程原則

在空間畫布上建構AI時，我們遵循三項原則。

  1. 來源可追溯性（Source Traceability） — AI的所有決策，必須能夠回溯至依據畫布上哪個物件、哪個時間點、哪筆資料。「為何如此建議？」的答案，始終導回事實的座標。

  2. 決策依據記錄（Rationale Recording） — AI的所有建議均連同其依據一併記錄。醫療人員與運營者可隨時查閱建議的理由，審計人員也可透過這些記錄，驗證整個系統的決策品質。

  3. 人類介入迴路（Human In-the-Loop） — AI負責建議，人負責決定。直接影響患者治療的決策，必須經過醫療人員的明確確認。自律運營不是排除人類判斷，而是讓人類判斷運作得更好。

無幻覺的AI不是更聰明的AI

業界常陷入的陷阱，是將AI可靠性問題化約為模型問題。更多資料、更大模型、更精緻的提示——這個方向可以減少幻覺，但無法消除。因為幻覺不是由模型製造的，而是由模型必須在其中運作的模糊環境所製造的。

Keynoty的答案很簡單。

當環境夠精確，AI就不需要猜測了。

畫布上的座標、物件之間的關係、時間軸上的事件——在這三件事都被精確定義的環境中，AI終於能夠精確地工作。這是我們透過8年T醫院網絡的運營所驗證的環境，也是我們現在向順化中央醫院所承諾的環境。