Nvidia's fysieke AI kan het dataprobleem van zorgrobots oplossen

Sophie Jansen · 2026-07-23

Stel je voor: een robot die leert opereren zonder ooit een scalpel aan te raken. Klinkt als sciencefiction, toch? Maar Nvidia maakt het mogelijk met hun nieuwe Medical Physics Simulation-framework. Dit systeem behandelt zorgrobots als fysieke AI-systemen die echte ervaring nodig hebben om te leren, niet alleen code. ### Wat is fysieke AI precies? Fysieke AI is de term die Nvidia en de robotica-industrie gebruiken voor machines die leren door contact, kracht en gevolgen. Denk aan een catheter die een vaatwand raakt of een robotarm die te veel druk uitoefent op zacht weefsel. Een taalmodel leert van tekst, maar een fysiek AI-systeem leert van wat er gebeurt als het de echte wereld voelt. Normaal gesproken heb je hiervoor een fysiek lichaam nodig dat in de echte wereld opereert, of een simulatie die gedetailleerd genoeg is om die wereld na te bootsen. Voor zorgrobots is dat een groot probleem. Echte lichamen zijn schaars, streng gereguleerd en het duurt jaren om genoeg scenario's te verzamelen. Nvidia's oplossing? Die ervaring gewoon computergestuurd creëren. ### Hoe het werkt: van code naar intuïtie Het framework is een open-source toevoeging aan Nvidia's Isaac for Healthcare-platform. Het genereert fysieke interacties die een chirurgische of diagnostische robot anders jaren zou kosten om te ervaren. Denk aan een geleidingsdraad die blijft haken aan een verkalkte vaatwand, een niersteen die in een rare hoek zit, of de reactie van zacht weefsel die maar in een klein percentage van de procedures voorkomt. Geen van deze randgevallen gebeurt op schema in een operatiekamer. Simulatie laat ontwikkelaars ze op aanvraag genereren. Het framework combineert twee manieren om apparaten in het lichaam te modelleren: - **Klassieke fysicasimulatie**: behandelt mechanische regels die we al goed begrijpen, zoals hoe een catheter buigt of hoeveel weerstand een vaatwand biedt. - **Generatieve AI**: leert visuele scènedynamiek uit procedurele data, via een component genaamd Cosmos-H Dreams. Die combinatie is de kern van fysieke AI. Klassieke simulatie geeft een robot de natuurkunde die hij moet volgen. Generatieve simulatie geeft hem de variatie die hij nodig heeft om te generaliseren. Zet ze samen, draai ze op GPU's met Nvidia's Warp- en Newton-bibliotheken, en je kunt duizenden parallelle trainingsomgevingen tegelijk uitvoeren. ### De doorbraak: snelheid versus betrouwbaarheid Nvidia claimt dat een benchmark met 8.192 parallelle omgevingen de trainingstijd terugbrengt van meer dan vijf uur naar minder dan twee minuten. Maar dat meet alleen doorvoersnelheid, niet klinische betrouwbaarheid. Het zegt niets over hoe een robot presteert bij onvolledige beelden, vertraagde sensormetingen of anatomie die buiten de simulatie valt. Een taalmodel dat een randgeval niet goed behandelt, geeft een slecht antwoord. Maar een fysiek AI-systeem dat faalt, opereert in een patiënt. De parallelle simulatie 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 andere vraag. ### Waar het nu wordt getest De organisaties die Nvidia noemt als early adopters passen fysieke AI op verschillende manieren toe. CMR Surgical en Cambridge Consultants gaan het verst op het gebied van data. CMR heeft bijna 500 uur aan geanonimiseerde klinische data van hun Versius Surgical Robotic System gedoneerd aan de Open-H Embodiment-dataset. Die data omvat galblaasverwijderingen, prostaatoperaties, herniaherstel en baarmoederverwijderingen. Samen gebruiken ze Cosmos-H Dreams om de fysica van zachte weefselinteracties te modelleren. > "Een robot die leert van simulatie in plaats van jarenlange klinische ervaring, kan sneller worden getraind op zeldzame maar kritieke scenario's." ### Wat dit betekent voor de toekomst Deze technologie kan de weg vrijmaken voor veiligere en effectievere zorgrobots. Maar er zijn nog hobbels. De simulatie moet nauwkeurig genoeg zijn om echte situaties te voorspellen. En de ethische vragen rond het gebruik van AI in de gezondheidszorg blijven bestaan. Toch is het duidelijk: Nvidia zet een grote stap. Door fysieke AI te combineren met simulatie, kunnen we robots trainen zonder risico voor patiënten. Dat opent de deur naar innovaties die we ons nu nog nauwelijks kunnen voorstellen.