加拿大一間實驗室的 GPU 模擬器，鎖定並攻克了外科機器人技術中最嚴重的瓶頸

加拿大實驗室的 GPU 模擬器攻克了外科機器人技術中最嚴重的瓶頸

亞伯達大學的研究人員週四發布了一份預印本，介紹了專為手術機器人與機器人學習打造的批次式 GPU 模擬引擎「CRESSim-Neo」，並指出該引擎僅需一張 NVIDIA RTX 4090 消費級顯示卡，即可同時運行 8,192 個並行訓練環境，每秒執行超過 200 萬個模擬步驟。 這項研究成果來自埃德蒙頓市亞伯達大學的「遠程機器人與生物機器人系統研究組」，該組由馬赫迪·塔瓦科利（Mahdi Tavakoli）領導。塔瓦科利身兼該校醫療機器人工程研究講座教授，並主持三個附屬實驗室，專注於協作機器人與復健機器人、 觸覺技術與外科手術，並設有以實際用於研究的達文西手術系統為核心建置的模擬手術室。 該論文尚未完成同儕審查，其作者歐雅飛（Yafei Ou）、阿納夫·納欣（Ahnaf Naheen）、特列烏汗·穆辛（Tleukhan Mussin）、漢斯·賈拉萊斯（Hans Jarales）、梅爾溫·蒙西（Melwin Moncy）及塔瓦科利將此成果視為系統與工具方面的貢獻，而非一種全新的手術能力本身。

CRESSim-Neo 並非一台機器人。它是用於開發和訓練軟體的基礎架構，而這些軟體最終將驅動機器人運作；相較於新機器人的示範，這類基礎架構論文鮮少能成為頭條新聞。 然而，這套引擎所針對的具體問題——即模擬柔軟、可變形的人體組織所需的高昂運算成本（其精準度須足以讓機器學習模型從中習得實用的外科技能）——正是當今遙控外科機器人邁向自主或半自主輔助技術過程中，最為頑固的障礙之一， 在決定面向消費者的外科機器人市場是否應關注此議題之前，值得先從其自身層面來理解這個問題。

為何工業機器人模擬器無法轉用於外科手術

那些促使工業與移動機器人領域取得快速進展的模擬工具——這些專為

無論是模擬剛性倉庫貨架、工廠車間的機械臂，還是帶輪子的配送機器人，其設計皆基於一項在人體內部會完全失效的物理假設：即機器人互動的大多數物體都是剛性的，或接近剛性，以致於簡化的物理模型可視為可接受的近似。而外科手術操作幾乎從不涉及剛性物體。 組織會變形、撕裂並出血；縫合線是必須穿線並施加張力的柔性線材；液體必須即時進行沖洗與抽吸；而手術器械與上述所有元素的互動，會因每位患者的解剖結構而異。 專為剛體倉儲機器人打造的模擬引擎，根本沒有針對手術機器人實際接觸的大部分物體所設計的物理模型；這正是為何手術機器人研究人員歷來不得不開發量身訂製（且往往速度遠較通用型機器人模擬器緩慢）的模擬工具，而非採用該領域其他研究人員已標準化的通用機器人模擬器。

CRESSim-Neo 的核心技術主張在於，它將數種手術特有的物理行為——包括剛體、可變形組織、流體，以及縫線和纜線等絲狀結構——整合於單一的 GPU 駐留模擬引擎中，而非針對每種材料類型分別拼湊專用的工具。 該論文描述了在單一框架內對組織操作、流體吸取、縫合、 纜線驅動的機器人動力學，以及合成超音波影像生成等功能，並透過 NVIDIA 的 DLPack 資料交換格式，實現了作者所謂與 PyTorch 的「零複製」整合，這意味著模擬的感測器與物理資料可直接傳遞至機器學習訓練迴圈，無需進行將資料從顯示卡複製出來再複製回去這項運算成本高昂的步驟。 對於未曾直接接觸機器人學習流程的人來說，這種資料複製的開銷聽起來像是微不足道的實作細節；但在實際操作中，傳輸大量模擬感測器資料

在訓練過程中，GPU 與 CPU 記憶體之間反覆進行資料傳輸，這是一個眾所周知的效能瓶頸，不僅限於外科手術領域，更普遍地拖慢了機器人學領域中強化學習的研究進度。

每秒 200 萬步究竟能為研究人員帶來什麼

該論文中最具代表性的基準測試——在單張 RTX 4090 上，於 8,192 個並行 CartPole 環境中達到每秒 203 萬個環境步數——若要讓非專業讀者理解其意義，必須先進行解析；而其中的限制條件與數字本身同樣重要。 CartPole 是一項存在數十年之久的簡單強化學習基準任務，其內容為一根平衡在推車上的桿，控制器必須使其保持直立。該任務之所以廣泛應用於機器人研究領域，主要是因為其模擬成本低廉，因此更適合作為測試模擬引擎能維持多少原始吞吐量的壓力測試，而非用來展示手術能力本身。 這項基準測試確實揭示了 CRESSim-Neo 底層工程設計的真實且有價值之處——其批次式 GPU 架構能透過消費級硬體處理海量的並行物理運算步驟；但對於引擎執行計算成本高得多的可變形組織與流體模擬的速度，卻未直接提供任何資訊，而這才是該論文在外科領域的實際貢獻。 該論文中更具相關性的論點——即該引擎能在批次處理規模下同時維持組織變形、流體交互作用及超音波感測——僅屬定性描述，並未透過可比的原始吞吐量數值進行基準測試，這正是當前預印本所能證明的實質性限制。

即便承認這項缺憾，原始吞吐量仍能為研究團隊帶來顯著好處——大幅降低實驗成本。用於機器人操作的強化學習與模仿學習，通常需要數百萬至數十億次的模擬訓練循環，模型才能發展出穩健的行為；而單張顯示卡所能運行的平行環境數量每增加一個數量級，

這直接意味著：在相同的運算資源預算下，要麼能縮短訓練週期，要麼能執行更多實驗變體、測試不同的組織特性、不同的器械幾何形狀以及不同的任務變體。 過去，一個外科機器人實驗室若要進行大規模訓練實驗，通常需要一整組專用硬體或雲端運算預算；但若 CRESSim-Neo 的宣稱經得起獨立測試的驗證，該實驗室將能僅憑單一工作站級別的 GPU 執行同等規模的實驗，這將顯著降低進行此類研究所需的資本門檻。

為何這對自主系統的重要性遠高於當今的遙控系統

當前的商用外科機器人市場，主要由直覺科學（Intuitive）的達文西（da Vinci）系統、美敦力（Medtronic）的雨果（Hugo），以及 CMR Surgical 的 Versius 等新進業者所主導，其運作模式幾乎完全建立在由人類外科醫師直接即時控制每項器械動作的基礎上，而機器人僅負責轉譯手部動作，而非進行獨立決策。 更快的模擬引擎對這類系統影響甚微，因為遙控手術機器人的軟體無需學習操作策略；它只需精準且安全地轉譯外科醫師自身的手部動作，這是一個本質上截然不同的工程問題，而基於模擬的強化學習並不能直接解決此問題。

模擬處理能力在商業上真正具有意義的領域，在於範圍較窄但成長迅速的半自主手術子任務類別，例如自動縫合輔助、 組織牽引、攝影機定位，以及類似的範圍有限且定義明確的動作。多家外科機器人公司與學術團體正試圖將這些任務自動化，以此作為減輕外科醫師工作負荷的一步，而非直接取代外科醫師。 目前，即使僅針對上述其中一項狹義子任務，要訓練出可靠的模型，仍需大量真實組織數據，而這不僅成本高昂、受倫理限制，且

難以大規模蒐集，也難以取得足夠逼真且龐大、足以取代實際數據的模擬訓練資料。 若底層模擬的精確度足以支撐，一款能以低成本生成大量物理上合理組織操縱與縫合情境的 GPU 模擬引擎，將能直接解決數據匱乏的問題——正是這個問題，一直以來都阻礙了此類半自主手術功能的進展。

未經審稿預印本的「誠實」限制

以上內容均不應被解讀為自動手術即將問世的訊號，而論文本身也並未如此宣稱。CRESSim-Neo 是一篇尚未完成獨立同儕審查的預印本；其最令人印象深刻的基準測試數據所描述的，僅為一項簡化的測試任務，而非該引擎實際建構所針對的外科情境；此外，即使模擬保真度 無論多麼出色，仍須跨越更高門檻——即必須足夠精準地模擬真實組織的行為，以確保純粹在模擬環境中訓練的模型，最終面對真實解剖結構時仍能安全運作。這項「轉移問題」在機器人領域普遍被證明極具挑戰性，而在外科情境中的風險遠高於倉庫或工廠環境。 無論如何，任何自主或半自主外科功能的監管核准，都必須經過遠超出單純展現強大模擬表現的廣泛臨床驗證；對於包括美國食品藥物管理局（FDA）在內的任何醫療器材監管機構而言，此過程以年為單位，而非以月為單位。

外科機器人採購方與開發者應關注的重點

對於醫院採購團隊而言，這篇特定論文並不會改變他們在現今市售遙控手術平台之間所做的短期採購決策；目前銷售這些系統的廠商，均未提供此項模擬研究旨在實現的自主子任務功能。這篇論文更實用的受眾是外科領域的技術與研發團隊

機器人公司本身，以及那些密切關注下一波外科機器人差異化可能來自何處的風險投資者與企業發展部門。若能以大幅更低廉的成本，生成大量逼真的組織操作訓練資料，將能降低單一研究步驟的成本， 基於模擬的策略訓練——這一步驟目前正是全產業在自動化外科子任務方面進展的瓶頸；而任何一家內部模擬基礎設施明顯落後於此類學術論文所描述的最新技術水準的外科機器人公司，從定義上來說，其自動化功能的訓練速度必然比原本可能達到的更慢、成本也更高。 無論 CRESSim-Neo 是否會成為該領域標準化的工具，抑或其理念僅被融入下一代商業與開源模擬引擎之中，它所指明的方向——即針對手術中實際涉及的特定軟組織物理特性，實現統一且原生支援 GPU 的模擬——相較於工具本身，才是更值得追蹤的長遠信號。

免責聲明：本文僅供一般資訊參考，不構成投資、法律或採購建議。讀者應在做出商業決策前，向原始來源核實相關細節。