NVIDIA 已釋出一個開源、GPU 加速的醫療機器人模擬框架，讓開發者能在進入實體原型或臨床測試前，先對解剖、器械、影像與機器人行為進行建模。

NVIDIA Medical Physics Simulation 框架可在 Isaac for Healthcare 中使用。NVIDIA 表示，這項設計旨在解決醫療機器人領域的一個核心問題：團隊需要多樣化的訓練與測試資料，但實證需要專業設備、臨床專業知識，以及對病患或實驗室環境的受控存取。罕見併發症與特殊解剖結構也難以僅靠真實世界資料蒐集完整捕捉。

這次釋出之所以重要，是因為它把物理模擬、合成影像與機器人學習整合到一個共享的 GPU 工作流程中。開發者可以建立可重複使用的虛擬環境、測試失敗案例，並以比硬體主導實驗通常更大的規模來訓練或評估機器人策略。不過，公告中最強的效能與採用訊號主要來自 NVIDIA 及其合作夥伴，而非獨立評估。

NVIDIA 正在釋出什麼

Medical Physics Simulation 結合了傳統物理式模擬與生成式 AI 模擬。NVIDIA 將傳統層描述為一種表達已知互動的方式，例如接觸、摩擦、運動與裝置行為。其生成元件 NVIDIA Cosmos-H 則旨在建模從程序化資料學得的視覺場景動態，並支援互動式合成環境。

該框架建立在 NVIDIA Warp、Newton Physics 與 CUDA 之上，並可與 NVIDIA Isaac Sim 與 Isaac Lab 搭配運作。此架構的目的，是讓模擬與機器學習工作負載留在 GPU 上，減少訓練期間 CPU 與 GPU 記憶體之間重複傳輸。

初始的正式可用元件是 Endoluminal Simulation Module。它可模擬長而柔性的器械，包括導管與導引絲，在體內腔道中前進。NVIDIA 的參考工作流程聚焦於在透視導引下，沿著病患特定的血管解剖結構進行導管導航。

該模組將柔性器械表示為 Cosserat rods，並使用擴展位置基礎動力學來計算彎曲、扭轉與拉伸。它也會模擬器械與血管幾何之間的接觸。現行版本支援器械在血管內的剛性單向約束；NVIDIA 表示，與可變形血管壁的雙向耦合將在未來版本中推出。

Surgical Simulation Module 目前提供早期存取。NVIDIA 表示，它旨在模擬軟組織變形與手術互動，包括觸覺回饋與渲染，但相較於內腔系統，該元件的釋出細節較少。

效能宣稱背後的證據

NVIDIA 報告指出，8,192 個平行運行的機器人訓練環境，將一項訓練工作負載從超過五小時縮短到不到兩分鐘，並與公司所引用的 GPU 原生模擬設定相比。來源資料未提供獨立的基準測試方法，也沒有直接的硬體與軟體比較，因此該結果應視為供應商所報告的數據。

在另一份技術說明中，NVIDIA 報告單一環境的物理運算約為 1,300 赫茲、512 個環境整體為 60 赫茲，以及在 256×256 像素解析度下完整模擬與渲染迴圈為每秒 63 幀。這些數值描述的是 NVIDIA 的工作流程與設定，而非對任何裝置、解剖結構或機器人策略的普遍效能保證。

該公司還表示，內腔系統已在包含 512 個平行環境與 1,500 次訓練迭代的實驗中進行測試。這些細節顯示該框架正朝向強化學習與大規模 rollout 生成而設計，但並不能證明在模擬中訓練出的策略可可靠地轉移到臨床硬體上。

NVIDIA 指出多個正在使用或探索此平台的組織。Johnson & Johnson MedTech 正使用它為泌尿科的 MONARCH 平台建立數位分身，並建模腎結石情境。XCath 正用此框架訓練血管內自主策略。Inner Logic 正將其應用於合成資料、裝置機械驗證與 in silico 證據。Medtronic Structural Heart 正探索用於導管導航研究的模擬 X 光感測。

根據 NVIDIA 的說法，CMR Surgical 與 Cambridge Consultants 正使用 Cosmos-H 研究軟組織手術的交互作用物理，並生成病患特定模擬。CMR 也向 Open-H Embodiment 開放資料集貢獻了將近 500 小時來自其 Versius Surgical Robotic System 的匿名臨床資料。這些都是合作夥伴回報的活動訊號，而非該框架已通過臨床驗證或獲准醫療使用的證據。

為什麼開源在醫療機器人領域很重要

這次開源釋出可能降低團隊重複建置基礎設施的工作量；否則他們必須針對每項手術打造自訂場景、力學模型與感測器管線。開發者可以檢視框架、依自身裝置進行調整，並與現有的機器人學習工作流程串接。

NVIDIA 也主張，開放性對可重現性與法規準備很重要。存取模型、權重與模擬元件，有助研究人員在不同解剖與情境間比較結果、找出限制，並記錄系統是如何訓練的。這並不能取代臨床證據、實體測試或法規審查，但可能讓開發紀錄更容易被檢視。

對建置者來說，最實際的價值可能來自將解剖、器械力學與影像整合在同一個迴圈中。導管策略可以在血管幾何下訓練，同時接收模擬的透視觀測，而不是只從抽象的物理狀態學習。同樣的設定也可支援合成資料生成、策略壓力測試，以及更早發現失敗模式。

限制同樣重要。模擬解剖可能省略生物變異性、組織變形、影像偽影與意外的裝置互動。即使某策略在虛擬血管樹中表現良好，轉移到病患特定環境或實體器械時仍可能失敗。NVIDIA 自身的技術說明也承認，目前的內腔版本尚未模擬血管壁的雙向變形。

對開發者與企業買家的影響

對研究團隊而言，這個框架提供了一條擴展強化學習的路徑，而不必讓每次實驗都依賴稀缺的台架或臨床時間。平行環境可讓改變解剖、器械控制、感測條件與失敗情境變得更容易。Python 實作與 Torch-Warp 互通性則旨在把模擬器與機器學習管線連接起來，同時讓控制與觀測資料保留在 GPU 上。

對醫材公司而言，更大的問題在於：模擬是否能成為產生證據的基礎設施，而不只是原型設計工具。數位分身可支援設計迭代與測試覆蓋，但買家需要能追溯模擬條件與實體效能之間的對應。他們也需要清楚界定合成資料、模型不確定性，以及何時模擬結果可以用於法規申報。

這次釋出也強化了 NVIDIA 在整體技術堆疊中的地位。採用該框架的團隊可能會把 CUDA、Isaac Sim、Isaac Lab、Warp、Newton Physics 與 Cosmos 與開放模擬程式碼一起使用。這條整合路徑可降低已使用 NVIDIA 硬體的組織之導入成本，同時也可能增加打造長期醫療機器人平台的團隊對 NVIDIA 軟體生態系的依賴。

接下來要觀察什麼

最重要的後續觀察是，獨立團隊能否在不同硬體、不同手術與不同解剖資料集上重現 NVIDIA 報告的吞吐量與訓練成果。從模擬導管導航成功轉移到實體系統的證據，會比單純的環境數量更重要。

開發者也應關注即將支援的可變形血管壁耦合、更廣泛的裝置與解剖覆蓋，以及更多來自透視或其他醫療影像的像素式策略訓練。對企業買家而言，關鍵訊號將是已發表的驗證研究、更清楚的模型限制文件，以及說明模擬如何協助安全性案例或法規證據的範例。

Creati.ai 觀點

NVIDIA 的這次釋出對醫療機器人領域的一個真實瓶頸給出了解法：缺乏可擴展、多樣且具臨床相關性的互動資料。如果開放式基礎設施能讓研究人員比較方法，而不是反覆重建基本模擬環境，它將會很有價值。

但這項公告最好被理解為開發平台的里程碑，而不是模擬策略已準備好投入臨床部署的證明。Medical Physics Simulation 的價值，最終將取決於團隊如何透明地衡量模擬到真實的表現、如何呈現不確定性，以及如何把虛擬實驗與實體和法規證據連結起來。