NVIDIA 於 2026 年 7 月 22 日宣布，在 Isaac for Healthcare 內開源 Medical Physics Simulation framework。框架讓醫療機械人開發者在接觸真實設備之前，先模擬解剖結構、醫療器械互動、感測器輸入和不同的操作環境，再用這些虛擬環境訓練或評估 robot policies。
醫療機械人的一個核心瓶頸，是安全的邊界情境很難在現實中大量收集。人體解剖會變化，器械會彎曲、滑動或接觸組織，影像亦可能不完整。NVIDIA 表示，新框架可以把這些因素放進可重用的 simulation environments，讓團隊在 hardware-heavy testing 之前探索更多情況，而不需要每一個工作流程都由零開始建立場景。
框架屬於開源能力，技術基礎包括 NVIDIA CUDA、Warp、Newton 和 Cosmos。NVIDIA 說明，系統可以平行運行數百個模擬環境，協助團隊更早找出 robot policy 的失效模式。文章引用的 benchmark 則指向 8,192 個並行 robot-training environments，並稱 GPU-native simulation 把訓練時間由超過 5 小時縮短至不足 2 分鐘；這是 NVIDIA 引述的相關研究或 benchmark 結果，實際表現要視乎模型、場景和硬件配置。
一個示例是把血管解剖、導管和導絲、模擬 X-ray sensing 及 reinforcement learning 放在同一個流程內。NVIDIA 亦提到 CMR Surgical、Johnson & Johnson MedTech、XCath、Inner Logic 和 Medtronic Structural Heart 等公司或團隊正在探索手術機械人、digital twin、synthetic data 和 endovascular autonomy 等應用。這些是供應商文章列出的合作或探索案例，不代表已完成臨床驗證。
這個框架的重要性不只在於 GPU 速度，而在於把 physical AI 的測試環境變成可重用的基礎設施。開源讓團隊可以檢查、調整和重現部分模型、資料及權重，亦有助於比較不同解剖情況和操作策略。不過，模擬結果不能取代實物測試、臨床研究或監管審查，sim-to-real 差距仍然需要用獨立數據和專業程序確認。
對醫療機械人團隊而言，較實際的評估方式是把模擬覆蓋率、失效情境、策略穩定性和實物測試結果分開記錄。只有當虛擬環境能夠持續反映真實設備、感測器和患者差異時，simulation-first 才能真正縮短開發週期，而不是把風險藏到下一個階段。
