加拿大某实验室开发的GPU模拟器攻克了外科机器人领域最严重的瓶颈

加拿大一实验室开发的GPU模拟器攻克了外科机器人领域最严重的瓶颈

阿尔伯塔大学的研究人员周四发布了一篇预印本论文，介绍了专为外科机器人和机器人学习打造的批处理GPU仿真引擎CRESSim-Neo。据报告，该引擎仅需一块Nvidia RTX 4090消费级显卡，即可并行运行8,192个训练环境，每秒执行超过200万个模拟步骤。 该研究成果来自埃德蒙顿市阿尔伯塔大学的“远程机器人与生物机器人系统研究组”，该研究组由马赫迪·塔瓦科利（Mahdi Tavakoli）领导。他担任该校医疗保健机器人工程研究主席，并负责管理三个附属实验室，这些实验室专注于协作机器人、康复机器人、 触觉与外科机器人，以及一个围绕实际用于研究的达芬奇手术系统（da Vinci Surgical System）建成的模拟手术室。 该论文尚未完成同行评审，其作者欧亚飞、阿纳夫·纳欣、特列乌汉·穆辛、汉斯·贾拉莱斯、梅尔温·蒙西和塔瓦科利将其视为对系统和工具的贡献，而非一种全新的手术能力本身。

CRESSim-Neo 并非机器人。它是用于构建和训练最终驱动机器人的软件的基础设施，而此类基础设施论文很少像新型机器人演示那样成为头条新闻。 但该引擎针对的具体问题——即模拟柔软、可变形的人体组织所需的极高计算成本（其精度必须足以让机器学习模型从中习得有用的外科技能）——是当今遥控外科机器人迈向自主或半自主辅助过程中所面临的最顽固障碍之一， 在决定面向终端用户的外科机器人市场是否应关注这一问题之前，有必要先从其自身角度来理解这一问题。

为何工业机器人模拟器无法应用于外科手术

那些推动工业和移动机器人领域取得快速进展的仿真工具——这些引擎旨在

无论是模拟刚性仓库货架、工厂车间机械臂，还是带轮配送机器人，其设计都基于一个在人体内部完全行不通的物理假设：即机器人交互的大多数物体都是刚性的，或者接近刚性，以至于简化的物理模型可以作为可接受的近似。而外科操作几乎从未涉及刚性物体。 组织会发生变形、撕裂和出血；缝合线是柔韧的线束，必须穿线并施加张力；液体必须实时冲洗和吸出；而手术器械与所有这些要素的交互方式，会因每位患者的解剖结构不同而各异。 专为刚体仓库机器人构建的仿真引擎，根本无法为外科机器人实际接触的大部分对象提供相应的物理模型。正因如此，外科机器人研究人员历来不得不开发定制化的、通常速度较慢的仿真工具，而非采用该领域其他研究方向已普遍采用的通用机器人仿真器。

CRESSim-Neo的核心技术主张在于：它将多种外科特有的物理行为——包括刚体、可变形组织、流体以及缝线和电缆等丝状结构——整合到一个基于GPU的模拟引擎中，而非针对每种材料类型分别拼凑独立的专用工具。 该论文描述了在单一框架内对组织操作、液体抽吸、缝合、 缆绳驱动的机器人动力学以及合成超声图像生成等功能，同时还实现了作者所称的通过Nvidia的DLPack数据交换格式与PyTorch进行的“零拷贝”集成——这意味着模拟的传感器和物理数据可直接传递至机器学习训练循环，无需经历将数据从显卡复制出来再写回显卡这一计算开销巨大的步骤。 对于未曾直接接触过机器人学习管道的人来说，这种数据复制开销听起来似乎只是一个微不足道的实现细节；但在实际应用中，移动大量模拟传感器数据

在训练过程中，GPU与CPU内存之间反复传输数据是一个众所周知的性能瓶颈，这一问题不仅在外科手术领域，而且在整个机器人领域的强化学习研究中都造成了进展缓慢。

每秒200万步究竟能为研究人员带来什么

该论文中引以为傲的基准成绩——在单张 RTX 4090 上，8,192 个并行 CartPole 环境实现每秒 203 万环境步数——对于非专业读者而言，若不加以解读便难以理解其意义，而其中的限制条件与具体数值同样重要。 CartPole 是一个存在数十年之久的简单强化学习基准任务，即控制器必须使平衡在推车上的杆保持直立。该任务之所以被广泛应用于机器人研究领域，主要是因为其模拟成本低廉，因此可作为检验模拟引擎能维持多少原始吞吐量的有效压力测试，而非展示手术能力本身。 该基准测试确实揭示了CRESSim-Neo底层工程设计中一个真实且有用的事实：其批量GPU架构能够通过消费级硬件处理海量的并行物理运算步骤；但它并未直接说明该引擎在运行计算成本高得多的可变形组织和流体模拟时的速度——而这些才是论文在外科领域真正的贡献。 论文中更具相关性的论点——即该引擎能在批处理规模下同时维持组织变形、流体相互作用和超声传感——仅是定性描述，而非通过可比的原始吞吐量数据进行基准测试，这限制了当前预印本所能证明的结论范围。

即便承认这一差距，原始吞吐量仍能为研究团队带来显著降低实验成本的优势。用于机器人操作的强化学习和模仿学习通常需要数百万至数十亿次模拟训练迭代，模型才能发展出稳健的行为；而单张显卡所能运行的并行环境数量每增加一个数量级，

这直接意味着：在相同的计算预算下，要么能实现更快的训练周期，要么能运行更多实验变体，包括不同的组织特性、不同的器械几何形状以及不同的任务变体。 此前，一个外科机器人实验室若要进行大规模训练实验，通常需要一整套专用硬件或云计算资源；但如果CRESSim-Neo的宣称能在独立测试中得到验证，该实验室将仅需一台工作站级GPU即可运行同等规模的实验，这将显著降低开展此类研究的资金门槛。

为何这对自主系统比对当今的遥操作系统更为重要

商业外科机器人市场主要由远程操控平台主导，例如直觉科学公司的达芬奇系统、美敦力的Hugo，以及CMR Surgical公司的Versius等新晋产品。该市场几乎完全建立在人类外科医生实时直接控制每件手术器械动作的基础上，机器人仅负责转换手部动作，而非做出独立决策。 更快的模拟引擎对这类系统影响甚微，因为遥控机器人的软件无需学习操作策略；它只需准确、安全地转换外科医生自身的手部动作，这本质上是一个截然不同的工程问题，而基于模拟的强化学习无法直接解决这一问题。

模拟吞吐量在商业上具有重要意义的领域，是范围更窄但发展迅速的半自主外科子任务类别，包括自动缝合辅助、 组织牵引、摄像头定位，以及类似的、范围有限且定义明确的操作——多家外科机器人公司和学术团体正致力于实现这些任务的自动化，以此作为减轻外科医生工作负荷的一步，而非直接取代外科医生。 目前，即使要为上述任一狭窄子任务训练一个可靠的模型，也需要大量的真实组织数据，而这不仅成本高昂，还受到伦理限制，并且

难以大规模收集，也难以获得足够逼真且海量的模拟训练数据来替代它。 如果底层模拟的保真度能够得到保证，那么一种能够以低成本生成大量物理上合理的组织操作和缝合场景的GPU模拟引擎，将直接解决这一数据稀缺问题——正是这一问题阻碍了此类半自主外科功能的进展。

未经审稿预印本的客观局限

以上内容均不应被解读为自动手术即将实现的信号，论文本身也并未作出此类主张。CRESSim-Neo 是一篇尚未完成独立同行评审的预印本，其最令人印象深刻的基准测试数据描述的是一项简化的测试任务，而非该引擎实际设计的术中场景；而且，无论模拟保真度 无论多么出色，仍需跨越一个显著更高的门槛：即必须足够贴近真实组织的行为表现，以确保纯粹在模拟环境中训练的模型在最终面对真实解剖结构时能够安全运行。这一迁移问题在机器人领域普遍难以解决，而在外科手术场景中的风险远高于仓库或工厂环境。 无论如何，任何自主或半自主外科功能的监管审批，都要求进行远超单纯展示强大模拟性能的广泛临床验证——对于包括美国食品药品监督管理局（FDA）在内的任何医疗器械监管机构而言，这一过程以年为单位而非月为单位来衡量。

外科机器人采购方与开发者应关注的重点

对于医院采购团队而言，这篇具体论文不会改变他们针对当前市售远程操控手术平台所作的近期采购决策；目前销售这些系统的公司中，尚无任何一家提供本模拟研究旨在实现的此类自主子任务功能。该论文更具参考价值的目标受众是外科领域的技术和研发团队

机器人公司本身，以及那些关注下一波外科机器人技术差异化可能从何而来的风险投资机构和企业研发部门。如果能以显著更低的成本生成大量逼真的组织操作训练数据，将降低这一单一研究环节的成本， 即基于模拟的策略训练——这一环节目前正制约着整个行业在自动化外科子任务方面的进展。而一家外科机器人公司的内部模拟基础设施若明显落后于此类学术研究中描述的最新技术水平，那么从定义上讲，其自动化功能的训练速度必然会比本应达到的水平更慢，成本也会更高。 无论CRESSim-Neo是否会成为该领域统一采用的标准工具，还是其理念仅仅被融入下一代商业及开源模拟引擎，它所指明的方向——即针对外科手术中实际涉及的特定软组织物理特性，实现统一的、原生支持GPU的模拟——才是比工具本身更值得关注的、更具持久意义的信号。

免责声明：本文仅供一般信息参考，不构成投资、法律或采购建议。读者在做出商业决策前，应通过原始来源核实相关细节。