Nvidia's fysieke AI kan het dataprobleem van zorgrobots oplossen

Sophie Jansen · 2026-07-23

Nvidia heeft een nieuw raamwerk gelanceerd dat zorgrobots traint alsof het fysieke AI-systemen zijn. In plaats van alleen code te leren, krijgen deze robots virtuele ervaringen die ze normaal pas na jaren in de operatiekamer zouden opdoen. ### Wat is fysieke AI precies? Fysieke AI is de term die Nvidia en de robotica-industrie gebruiken voor machines die leren door aanraking, kracht en gevolgen. Een taalmodel leert van tekst, maar een fysiek AI-systeem leert van wat er gebeurt als een katheter een bloedvatwand raakt, of als een robotarm te veel druk zet op zacht weefsel. Die leerervaringen komen normaal alleen door jarenlang opereren in de echte wereld, of door een simulatie die die ervaringen kan nabootsen. En dat is precies het probleem: echte operaties zijn schaars, streng gereguleerd en leveren te weinig scenario's op. ### Hoe Nvidia het aanpakt Het Medical Physics Simulation raamwerk is een open-source toevoeging aan Nvidia's Isaac for Healthcare-platform. Het genereert de fysieke interacties die een chirurgische robot anders jaren nodig zou hebben om tegen te komen: een geleidingsdraad die blijft haken aan een verkalkte vaatwand, een niersteen in een ongebruikelijke hoek, of de reactie van zacht weefsel die maar in een klein percentage van de procedures voorkomt. Geen van deze randgevallen komt op schema in een operatiekamer. Simulatie laat ontwikkelaars ze op aanvraag genereren. ### Twee manieren van modelleren Het raamwerk combineert twee manieren om te modelleren hoe apparaten zich in het lichaam gedragen: - Klassieke fysicasimulatie regelt de mechanische regels die we al kennen, zoals hoe een katheter buigt of hoeveel weerstand een vaatwand biedt. - Generatieve AI regelt het deel dat moeilijker handmatig te programmeren is: visuele scènemodellen die leren van procedurele data, via een component die Nvidia Cosmos-H Dreams noemt. Die combinatie is de kern van het fysieke AI-voorstel. Klassieke simulatie geeft een robot de natuurkunde die hij moet volgen. Generatieve simulatie geeft hem de visuele en anatomische variatie die hij nodig heeft om te generaliseren. ### Snelheid versus betrouwbaarheid Nvidia zegt dat een benchmark met 8.192 parallelle omgevingen de trainingstijd terugbracht van meer dan vijf uur naar minder dan twee minuten. Dat toont doorvoersnelheid aan, maar niet klinische betrouwbaarheid. Het zegt niets over hoe een getrainde robot presteert bij onvolledige beelden, vertraagde sensorsignalen of anatomie die buiten de simulatie valt. Een taalmodel dat slecht presteert op een randgeval geeft een slecht antwoord. Maar een fysiek AI-systeem dat slecht presteert, opereert in een patiënt. De parallelle-simulatieaanpak is een echte vooruitgang in hoe snel ontwikkelaars faalmodi kunnen verkennen. Of die gesimuleerde faalmodi overeenkomen met wat er echt misgaat in een operatiekamer, is een aparte vraag. ### Waar de aanpak wordt getest De organisaties die Nvidia noemt als vroege gebruikers passen de fysieke AI-aanpak op verschillende dieptes toe. CMR Surgical en Cambridge Consultants zijn het verst op het gebied van data. CMR heeft bijna 500 uur geanonimiseerde klinische data bijgedragen uit zijn Versius Surgical Robotic System, voor procedures zoals cholecystectomie, prostatectomie, herniaherstel en hysterectomie. Samen gebruiken ze Cosmos-H Dreams om de fysica van weke delen interactie te modelleren. > "De parallelle-simulatieaanpak is een echte vooruitgang in hoe snel ontwikkelaars faalmodi kunnen verkennen." ### Wat dit betekent voor de toekomst Deze technologie kan de ontwikkeling van zorgrobots versnellen. In plaats van jaren wachten op zeldzame complicaties, kunnen ontwikkelaars er nu duizenden tegelijk simuleren. Maar de echte test is of die simulaties de complexiteit van echte operaties vangen. Want in de zorg is een fout niet zomaar een verkeerd antwoord, maar een direct risico voor de patiënt.