NVIDIA udostępniła 28 lipca 2026 roku otwarty framework symulacji fizyki medycznej działający w całości na GPU, jako część platformy Isaac for Healthcare. Celem jest zamknięcie luki danych, która spowalnia rozwój robotów chirurgicznych — w medycynie nie da się zbierać danych treningowych na skalę internetu ani eksperymentować bez ograniczeń na pacjentach.
Najważniejsze w skrócie
- Otwarty framework symulacji fizyki medycznej, w całości na GPU, w ramach Isaac for Healthcare.
- Moduł Endoluminal Simulation dostępny ogólnie, moduł Surgical Simulation w early access.
- Zbudowany na NVIDIA Warp i Newton Physics, z użyciem CUDA i zero-copy Torch-Warp.
- Rodzina modeli świata Cosmos-H do syntezy danych chirurgicznych, checkpointy na Hugging Face.
- Wydajność modułu endoluminalnego: 60 Hz przy 512 równoległych środowiskach fizyki.
Dlaczego medycyna nie działa jak autonomiczne auta
Roboty do autonomicznej jazdy uczą się na milionach kilometrów nagranych z dróg. Roboty przemysłowe mogą powtarzać ruch tysiące razy bez konsekwencji. W chirurgii ta logika się załamuje. NVIDIA wskazuje trzy bariery: brak danych, problem z generalizacją do rzadkich anatomii i powikłań oraz długi cykl rozwoju — dziś od 4 do 7 lat na jedno urządzenie.
Nie można zbierać danych z wnętrza ciała pacjenta na skalę internetu, a każdy błąd niesie realne ryzyko. Stąd pomysł: przenieść trening do symulacji, która wiernie odtwarza fizykę tkanek miękkich, a nie tylko sztywne bryły, jak w typowych silnikach do robotyki przemysłowej.
Cała fizyka i uczenie na jednym GPU
Kluczem jest podejście „GPU-native”: symulacja fizyki i trening polityki sterowania działają na tym samym GPU, bez kosztownego przerzucania danych między procesorem a kartą graficzną. Framework korzysta z bibliotek NVIDIA Warp i Newton Physics, akceleracji CUDA oraz współpracy Torch-Warp typu zero-copy — dane zostają w pamięci GPU. Pod spodem działają rozszerzona dynamika oparta na pozycjach (XPBD?XPBD: Extended Position-Based Dynamics — metoda symulacji fizyki oparta na korygowaniu pozycji punktów, wydajna i stabilna przy odkształcalnych tkankach.) i algorytm Thomasa do symulacji odkształcalnych tkanek.
Efektem jest szybkość, która ma znaczenie przy trenowaniu przez uczenie ze wzmocnieniem. Poniższe liczby pokazują, dlaczego to działa przy uczeniu polityki sterowania na tysiącach powtórzeń.
Moduł endoluminalny — do nawigacji cewnikiem przez naczynia krwionośne — osiąga te wartości, a moduł chirurgiczny, dostępny w early access, utrzymuje ponad 30 klatek na sekundę przy ośmiu podkrokach fizyki.
Modele świata Cosmos-H i gotowe workflow
Symulacja fizyki to jedna warstwa. Drugą są modele świata z rodziny Cosmos-H, które generują syntetyczne dane chirurgiczne — obejmują warianty Predict, Transfer, Simulator oraz Cosmos-H-Dreams. NVIDIA opiera je na architekturze flow-based diffusion-transformer i udostępnia gotowe checkpointy na Hugging Face wraz z silnikiem inferencji FlashDreams.
Całość spina repozytorium Isaac for Healthcare, w którym firma opublikowała kompletne workflow: nawigację cewnikiem z renderowaniem fluoroskopii, autonomiczne USG z ray-tracingiem, symulację robota chirurgicznego wspierającą da Vinci Research Kit czy cyfrowy bliźniak szpitala. To praktyczny kontrast wobec silników takich jak MuJoCo czy PyBullet, projektowanych głównie pod sztywne roboty przemysłowe, gdzie odkształcalna tkanka nie jest priorytetem.
| Moduł | Status | Zastosowanie / wydajność |
|---|---|---|
| Endoluminal Simulation | dostępny ogólnie | nawigacja cewnikiem — 60 Hz przy 512 środowiskach |
| Surgical Simulation | early access | manipulacja chirurgiczna — >30 fps, 8 podkroków fizyki |
Dlaczego to ważne?
Robotyka chirurgiczna długo była zamknięta w kosztownych, wolno powstających urządzeniach jednego przeznaczenia. Przeniesienie treningu do wiernej symulacji fizyki tkanek zmienia ekonomię: zamiast zbierać rzadkie dane z sali operacyjnej, można generować je syntetycznie i uczyć polityki sterowania na tysiącach równoległych środowisk. To ta sama zasada sim-to-real?sim-to-real: Przenoszenie polityki sterowania wyuczonej w symulacji na fizycznego robota działającego w prawdziwym świecie., która napędziła postęp w robotyce przemysłowej, przeniesiona na grunt, gdzie danych brakuje najbardziej.
Istotny jest też model otwarty. Udostępniając framework, workflow i checkpointy publicznie, NVIDIA obniża próg wejścia dla laboratoriów i startupów medycznych, które nie mają zasobów na budowę własnego stosu symulacyjnego. Jednocześnie umacnia własny ekosystem — Warp, Newton, CUDA i Isaac — jako domyślny fundament dla robotyki medycznej, podobnie jak wcześniej dla humanoidów i pojazdów autonomicznych.
Co dalej?
- Moduł Surgical Simulation pozostaje w early access — pełna dostępność będzie testem dojrzałości symulacji tkanek miękkich.
- Checkpointy Cosmos-H-Dreams są już na Hugging Face — laboratoria mogą je dostrajać i destylować pod własne procedury.
- Repozytorium Isaac for Healthcare zawiera gotowe workflow (m.in. da Vinci Research Kit, autonomiczne USG) do bezpośredniego uruchomienia.
Źródła
- NVIDIA Developer Blog — Developing Healthcare Robotics with GPU-Native Medical Physics Simulation
- GitHub — Isaac for Healthcare: i4h-workflows
