英伟达（Nvidia）推出全新医疗物理模拟框架，旨在通过 " 具身经验 " 破解医疗机器人数据瓶颈。该框架将医疗机器人视为需通过接触、力和后果来学习世界规律的 " 物理 AI" 系统，而非仅依赖代码或文本图像的传统模型。

鉴于真实手术场景稀缺且监管严格，英伟达试图通过计算手段生成多样化的 " 具身经验 "。作为 Isaac for Healthcare 平台的开源补充组件，该框架能生成外科或诊断机器人在数年临床中才可能遇到的极端物理交互场景，如导丝卡在钙化血管壁、肾结石异常嵌顿或罕见的软组织反应。

经典仿真与生成式 AI 融合

该框架结合了两种模拟路径：经典物理仿真处理导管弯曲、组织阻力等既定机械规则；生成式 AI 则通过 Cosmos-H Dreams 组件，处理难以手动编码的视觉场景动态和解剖学变化。两者依托英伟达 Warp 和 Newton 库在 GPU 上大规模并行运行，显著提升训练效率。

基准测试显示，在 8,192 个并行环境中，训练时间从超过 5 小时缩短至不到 2 分钟。但需注意，这一数据反映的是吞吐量而非临床可靠性。目前尚不清楚以此方式训练的策略在面对成像不完整、传感器延迟或超出仿真范围的解剖结构时表现如何。相比语言模型出错仅产生错误答案，物理 AI 在极端情况下的失效意味着患者风险，因此模拟故障模式与实际手术问题的对应关系仍是待解难题。

早期应用与监管考量

多家企业已在不同深度探索该框架，但均未在患者身上正式部署相关策略：

CMR Surgical 与 Cambridge Consultants：贡献近 500 小时 Versius 手术机器人匿名临床数据，利用 Cosmos-H Dreams 模拟软组织相互作用及患者特定仿真。

强生医疗科技：结合基于 Cosmos 的基础模型，为内镜 MONARCH 平台构建数字孪生体，聚焦泌尿科肾结石场景。

XCath：用于血管内自主策略训练，探索无人手控制下的血管导航物理行为。

Inner Logic：生成合成数据验证设备机械性能，计划生产虚拟证据支持监管提交，但尚未有公开确认案例。

美敦力结构性心脏：处于早期探索阶段，研究用于导管导航的仿真 X 射线传感。

医疗机器人面临严格的治理要求，监管机构不仅关注测试结果，更需审查系统行为逻辑的推导过程。开源框架允许开发者检查内部物理假设、重现结果并建立证据链，这在一定程度上缓解了封闭供应商管道带来的黑盒问题。然而，开源代码虽便于外部审查逻辑，却无法直接确认仿真物理行为与人体实况的一致性，这一验证仍需依赖尚未公布的实际测试数据。

总体而言，英伟达通过基础设施创新，有望缩短医疗机器人物理 AI 开发的前硬件阶段，以规模化并行训练替代传统的自定义场景重建模式。

【星途科讯 图文丨赵晶 首发于 ZAKER 科技，转载请注明出处】