北京
訓練一個能在血管里靈巧穿行的手術機器人，需要喂給它多少臨床數據？英偉達給出的答案是——直接讓它在模擬環境里經歷成千上萬次“意外”，而不是等著真實手術室里幾年才碰上一次的罕見病例。
英偉達近日發布了Medical Physics Simulation框架，作為其Isaac for Healthcare平臺的開源組件。這個框架把醫療機器人當作物理人工智能系統來訓練：機器不再只從文本或圖像中學習，而是通過接觸、受力、后果來理解現實世界的行為規則。
物理AI是英偉達與機器人行業正式啟用的新說法，核心邏輯簡單到有些殘酷——語言模型靠文字成長，但物理AI系統必須知道導管碰上血管壁會反彈，機械臂對軟組織用力過猛會撕裂。這種知識沒法從論文里讀出來，只能靠身體“撞”出來，或者在足夠精細的模擬里“演”出來。
醫療機器人的困境恰恰在于，“真實身體”是最稀缺的訓練資源。真實手術中的操作樣本少、監管嚴、場景多樣性積累極慢。Medical Physics Simulation要做的，就是用算力批量制造這種具身經驗。
框架能生成的，恰恰是那些不按日程表出現的極端情況：導絲鉤在鈣化血管壁上、腎結石卡在古怪的角度、只在小概率手術中才會顯現的軟組織反應。開發者可以在模擬中按需觸發這些邊緣案例，而不是永遠等著它們某天出現在手術臺上。
整套系統的技術思路是把兩種建模方式擰在一起。經典物理仿真負責那些已經摸透的機械規則：導管怎么彎曲、血管壁施加多大阻力、器械穿過組織時接觸力如何變化。生成式AI則補上更難手寫代碼的部分——從手術影像數據中學會畫面動態，這部分由英偉達一個叫Cosmos-H Dreams的組件來驅動。
這就是物理AI主張的縮減版：經典仿真給機器人策略框定必須服從的物理法則，生成式仿真提供它泛化所需的視覺與解剖變體。兩者疊加，再通過英偉達的Warp和Newton庫在GPU上大規模并行運算，框架就能同時跑大量訓練環境，而不是一個場景一個場景地慢慢推。
英偉達給出的基準測試數據相當有沖擊力：在8192個并行環境下，訓練時間從超過5小時壓縮到不到2分鐘。但這個數字展示的是吞吐量，而非臨床可靠性。對于訓練出來的策略在面對不完整成像、傳感器延遲、甚至模擬從未覆蓋過的解剖結構時到底表現如何，官方并沒有給出答案。
一個語言模型在邊緣案例上翻車，充其量生成一個糟糕的回答。但一個物理AI系統在邊緣案例上判斷失誤，它是在病人體內操作。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
