جراحی رباتیک دو دهه را تحت ترتیبی گذرانده است که به‌ندرت به‌صراحت بیان می‌شود: ماشین دقت را فراهم می‌کند و جراح نیت، ادراک و قضاوت را. خودمختاری مشترک (Shared Autonomy) این تقسیم را از طریق قیدهای مجازی (virtual fixtures)، مقیاس‌گذاری حرکت و اعمال محدودیت تلطیف کرد، اما سیاست‌های کنترلیِ زیربنایی همچنان دستی‌تعریف‌شده باقی ماندند و هر سکوی بالینیِ به‌کارگرفته‌شده در امروز، در بنیاد خود از راه دور هدایت (teleoperated) می‌شود. خودمختاری آموخته‌شده (Learned Autonomy) این پیش‌فرض را دگرگون می‌کند. یادگیری تقلیدی از ویدئو و سینماتیک جراحی، یادگیری تقویتی در شبیه‌سازی و مدل‌های بنیادیِ چندوجهی که در گسترهٔ رویه‌های جراحی آموزش دیده‌اند، اکنون سیاست‌هایی تولید می‌کنند که زیرکارهای بخیه‌زدن، کنارکشیدن بافت و برش را بدون برنامه‌نویسی صریح اجرا می‌کنند. این سخنرانی این مسیر را در سطوح مختلف کنترل دنبال می‌کند: از بنیادهای کنترل‌نظریِ کمک‌رسانی، از میان کسب مهارتِ داده‌محور و مسئلهٔ ادراکِ بافتِ تغییرشکل‌پذیر، تا واگذاری اختیار میان جراح و سامانه هنگامی که رویدادهای حین عمل از توزیع آموزشی فاصله می‌گیرند. این سخنرانی کارهای مشخصی را در اجرای خودمختارِ زیرکارها، ارزیابی خودکار مهارت و انتقال از شبیه‌سازی به اتاق عمل ارائه خواهد کرد. همچنین به همان اندازه دربارهٔ آنچه هنوز محقق نشده صریح خواهد بود: تعمیم‌پذیری در برابر تنوع آناتومیک هنوز اثبات‌نشده است، عملکرد در محک‌های پیش‌بالینی بارها در پیش‌بینی رفتار در بافت زنده ناکام مانده، و این حوزه هنوز فاقد چارچوب‌های اعتبارسنجی برای سامانه‌هایی است که حالت‌های شکست آن‌ها را نمی‌توان از پیش برشمرد. پرسش پایانی این است که کدام ادعاها دربارهٔ خودمختاری جراحی در حال حاضر ابطال‌پذیر هستند و کدام نیستند.