斯坦福大学与约翰霍普金斯大学研究者共同探索，是否能通过模仿学习让医疗机器人达芬奇学会独立执行基础外科手术任务，如缝合打结、针头处理与组织提起。经过实验，达芬奇成功独立完成这些任务，展现了高度的自主性和精确度。

达芬奇机器人展现缝合打结技术时，如同人类医生般灵活地操纵针线，迅速完成打结。在针的拾取与移交环节，达芬奇动作精准，无拖沓现象。对于组织提起任务，机器人也找到了正确的着力点，轻松完成操作。

达芬奇的成功得益于大规模模仿学习，这一技术在操作任务的通用系统上展现出巨大潜力。目前，全球已有6500套达芬奇系统在全球67个国家广泛应用，进行超过1000万例手术。这些手术过程提供了丰富的数据资源，为构建自主手术的通才系统铺平道路。

然而，达芬奇系统特有的挑战阻碍了模仿学习的实施。研究者发现，达芬奇的正向运动学数据不够准确且存在一致性问题，导致简单地使用近似运动学数据训练策略往往失败。为解决这一难题，研究团队引入了相对动作公式，以达芬奇系统的相对运动为基础，构建策略训练和部署模型。

团队尝试了三种动作表示法：以相机为中心、以工具为中心及混合相关操作。通过将图像作为输入，结合相对动作公式，训练策略以指导达芬奇执行任务。这种方法显著优于使用绝对正向运动学数据训练的策略，且在多个任务中表现出色，包括组织提起、针头处理与打结。

引入相对动作公式后，达芬奇在近似运动学数据下成功演示了模仿学习，不仅不需要额外的运动学矫正，而且在多个任务中均取得优异成果。此外，研究还展示了达芬奇的零样本泛化能力，使其能够适应新场景，如在未知动物组织上执行手术操作。同时，达芬奇具备重试行为特性，在面对环境干扰时仍能继续执行任务，且在重复性测试中表现稳定。

达芬奇机器人在手术操作中的自主性与精确度，预示着未来临床手术领域的巨大潜力。腕部摄像头对于学习手术操作任务至关重要，能够显著提高达芬奇的性能。研究团队通过一系列实验验证了达芬奇在新场景中的泛化能力、对环境干扰的适应性以及任务的可重复性，这些特性使得达芬奇有望进一步拓展外科医生的能力范围。

这一研究成果不仅展示了人工智能在医疗领域的应用潜力，也为未来机器人在临床手术中的角色提供了可能性。通过持续优化和改进，自主手术机器人有望成为提升医疗效率和精准度的重要工具。