Can Robots Learn Surgery? Open Data, Foundation Models, and the Road to Surgical Autonomy

Les robots peuvent-ils apprendre la chirurgie comme les humains — en observant, en pratiquant et en s'améliorant ?

Le progrès a longtemps été limité non pas par les modèles, mais par la fragmentation : chaque laboratoire et plateforme robotique produit des données incompatibles, empêchant la réutilisation et le passage à l'échelle. L'IA en santé a principalement été un jeu de perception, mais l'impact clinique réel nécessite l'action — une action précise, adaptative et physiquement fondée.

Dans cette présentation, je présenterai Open-H Embodiment, une collaboration ouverte entre plus de 35 institutions pour construire la première base de données partagée pour la robotique médicale. En se standardisant sur LeRobot, Open-H unifie 778 heures de données multimodales — couvrant la robotique chirurgicale, l'échographie et l'endoscopie — en un unique jeu de données interopérable couvrant simulation, paillasse et procédures cliniques réelles sur une gamme diversifiée de plateformes robotiques.

Cette base partagée permet un nouveau paradigme : entraîner des modèles fondamentaux Vision-Language-Action (VLA) généraux comme GR00T-H sur des systèmes diversifiés, puis les affiner par tâche et par robot — une approche de type Open-X appliquée pour la première fois à la chirurgie. Open-H ancre une pile entièrement ouverte : jeu de données, modèle et simulateur de monde (Cosmos-H), rendant l'ensemble du pipeline reproductible et extensible.

Chez Moon Surgical, nous avons été l'un des contributeurs principaux, construisant des pipelines de données réelles collectant des trajectoires multimodales sur le système Maestro, et aidant à combler l'écart entre l'entraînement de modèles fondamentaux et l'inférence et l'exécution sur dispositif.

Les leçons clés sont claires : la standardisation est plus difficile que la modélisation, la qualité des données domine la performance, et les contraintes du monde réel — latence, différences d'incarnation, contrôle en boucle fermée — définissent ce qui fonctionne réellement en pratique.

Aucune institution ne peut collecter suffisamment de données ou résoudre seule la diversité d'incarnation. Les standards ouverts, les modèles partagés et l'infrastructure appartenant à la communauté ne sont pas idéalistes ; ils sont la seule voie viable vers une intelligence robotique évolutive en santé. Cette présentation ne porte pas seulement sur un jeu de données. Elle porte sur la construction de l'infrastructure ouverte qui rendra l'autonomie chirurgicale possible à grande échelle.