NVIDIA Cosmos-H-Dreams：把实时生成式仿真带进手术机器人

NVIDIA 与 CMR Surgical 联手将实时生成式物理仿真 Cosmos-H-Dreams 与 Medical Physics Simulation 集成，用于 Versius Plus 手术机器人的虚拟环境实时预测与评估，能并行运行数千个仿真以加速训练并复刻复杂软组织与光学效应。该系统仍为研究与演示用途，非临床决策系统，但代表了 NVIDIA 在 Physical AI 与手术机器人领域的重要进展。

NVIDIA 正在把“世界模型”从生成视频和机器人动作的实验场，进一步推向手术机器人这样更高风险、也更难仿真的领域。公司与 CMR Surgical 7 月 22 日公布的联合消息显示，双方正在把基于 NVIDIA Isaac for Healthcare 的 Medical Physics Simulation 与 Cosmos-H-Dreams 结合起来，用于 Versius Plus 手术机器人在模拟环境中的实时预测与评估；相关内容也在 Hugging Face 的 医疗机器人综述文章 中被进一步放大。

这类技术的目标并不是直接替代手术，而是先在虚拟环境里尽可能复刻真实手术中最难处理的变量：软组织形变、器械接触、血液、烟雾、反光表面、缝线和遮挡。对于手术机器人研发来说，这些细节恰恰决定了模型是否能从“看起来像”走向“真的能用”。

让机器人先在虚拟世界里犯错

CMR Surgical 在官方新闻稿中表示，这次展示是在佛罗里达举行的 SRS 2026 会议上面向外科受众首次公开，核心是让 Versius Plus 根据临床数据预测“下一步动作会让手术场景如何变化”。NVIDIA 则在官方博客里把 Medical Physics Simulation 描述为一个开源、GPU 加速的基础层，目的是让开发者在不接触真实患者的前提下，先训练、测试和评估机器人策略。

NVIDIA 说，这套框架把解剖建模、器械接触、摩擦、传感器输入和机器人学习放在同一个虚拟工作流里，并且可以并行运行成百上千个仿真环境。官方博客还提到，8,192 个并行训练环境把一轮原本要超过 5 个小时的训练压到不到 2 分钟。对机器人研发来说，这意味着失败不必发生在手术台上，而可以先发生在模拟器里。

Cosmos-H-Dreams 在里面扮演什么角色

在这条技术链里，Cosmos-H-Dreams 是更偏“生成式视觉模拟”的那一层。NVIDIA 表示，它是 Medical Physics Simulation 里的实时生成式 AI 物理仿真能力，负责根据过程数据学习视觉场景如何变化；CMR 则说，Cosmos-H-Dreams 的实时模拟是基于 Open-H Embodiment 开放数据和 Cosmos 世界基础模型进行微调的，输入当前手术场景和机器人动作后，系统会预测手术场景接下来可能如何演化。

这也是这次发布最关键的地方：它不只是“看视频”的模型，而是把动作、场景和后续画面放进同一个闭环里。对外科机器人而言，这种能力接近于一种可交互的“手术预演”——先看动作可能带来什么后果，再决定是否执行。

CMR 还强调，自己是 Open-H Embodiment 的最大贡献者。公司称，Versius Plus 相关系统贡献了近 500 小时匿名临床数据，覆盖胆囊切除、前列腺切除、疝修补和子宫切除等程序。这些数据被用于训练下一代智能机器人系统，也解释了为什么这次演示会从“概念验证”迅速走向“可交互”的闭环环境。

这次发布为什么受关注

手术机器人长期面临一个老问题：真正有价值的数据既昂贵又稀缺。真实手术不能反复试错，低频但高风险的边缘场景又最难被数据覆盖。传统仿真虽然能帮上忙，但往往难以逼真处理软组织和复杂光学环境。NVIDIA 这次的思路，是把物理仿真、合成数据和生成式世界模型拼成一套更完整的训练管线。

从更大的产品版图看，这也是 NVIDIA 近年来 Physical AI 路线的延伸。它一边在 Hugging Face 上推进 Cosmos 3 等世界模型，一边把开放数据和闭环机器人学习作为同一件事来讲。AIFlux 之前在NVIDIA：用开放合成数据驱动智能体和LeRobot v0.6：闭环机器人学习两篇报道里，分别讨论过合成数据和闭环训练如何把“模型能力”转化为“系统能力”。这一次，手术机器人成为新的测试场。

仍然是研究演示，不是临床系统

需要强调的是，这套模拟能力目前仍然只用于研究和演示。CMR 在新闻稿里明确说明，它不是当前已获批准的 Versius Plus 系统的一部分，也不用于临床决策或患者护理。该系统在美国的适应症和监管状态也仍然是分阶段推进。

换句话说，这不是一家机器人公司宣布“手术机器人已经能实时思考”，而是一次更谨慎的工程推进：先用开放数据、合成数据和实时仿真把系统训练得更接近现实，再去谈更复杂的临床场景。对 NVIDIA 来说，这也是其“物理 AI”叙事的一次重要落点——从工厂、仓库和自动驾驶，继续往医疗这种高门槛场景推进。

随着更多手术数据和更强的实时推理能力被接入，这类系统未来可能不只是帮助机器人“看懂”手术台，更可能帮助它们在动作发生前先判断后果。