英伟达推医疗物理仿真框架，以“具身学习”破解手术机器人数据瓶颈

物理AI：从文本学习到触觉学习的范式迁移

Nvidia将医疗机器人重新定义为‘物理AI’（Physical AI）系统——这类机器必须通过接触、力反馈与因果后果来理解世界，而非仅依赖文本或图像。语言模型从语料中学习；而物理AI系统则需从导管触碰血管壁的阻力、机械臂对软组织施加过压的形变等真实物理交互中习得技能。此类学习通常依赖实体机器人在真实环境中操作，或依赖足够精细的仿真替代。但在医疗领域，真实手术机器人受限于法规、伦理与临床资源，难以快速积累覆盖各类罕见场景（如钙化血管内导丝挂滞、非典型角度嵌顿的肾结石、仅在极少数手术中显现的软组织响应）所需的海量经验。

医疗物理仿真框架：用计算制造‘具身经验’

Medical Physics Simulation是Nvidia为其Isaac for Healthcare平台推出的开源新框架，旨在以纯计算方式批量生成这些稀缺的‘具身经验’。它采用双轨建模：经典物理仿真模块精确复现已知力学规律（如导管弯曲刚度、血管壁阻力、器械穿入组织时的接触力动态）；生成式AI组件Cosmos-H Dreams则基于真实手术视频与传感器数据，学习难以手工编码的视觉-解剖动态变化（如不同患者组织弹性差异、出血模式、器械遮挡下的视野畸变）。二者协同，使机器人策略既遵守物理约束，又具备应对解剖变异的泛化能力。

并行仿真加速训练，但临床可靠性待验证

依托Nvidia Warp与Newton库，该框架可在GPU集群上并行运行数千个独立仿真环境。官方基准显示：8192个并行环境将某训练任务耗时从5小时以上压缩至2分钟以内。这显著提升了故障模式探索效率，但并未证明所训策略在真实手术中的鲁棒性——例如面对影像不全、传感器延迟或超出仿真建模范围的解剖异常时的表现仍属未知。语言模型出错仅影响输出质量；物理AI系统出错则直接作用于患者体内。

行业落地：差异化应用路径浮现

Nvidia公布的早期合作方正以不同深度实践该框架：CMR Surgical与Cambridge Consultants已向Open-H Embodiment开放近500小时匿名手术视频（涵盖胆囊切除、前列腺切除等术式），并用Cosmos-H Dreams建模软组织交互，生成患者特异性仿真；强生MedTech正构建MONARCH平台的数字孪生，聚焦泌尿科肾结石场景；XCath用于训练血管内自主导航策略；Inner Logic生成合成数据支持器械力学验证，并计划提交基于仿真证据的监管申报（尚未公开获批）；美敦力Structural Heart则处于最前期，探索X光仿真传感辅助导管导航研究。