Eka Robotics získává investici v rámci série A, kterou vede Andreessen Horowitz

Andreessen Horowitz vede investiční kolo série A ve společnosti Eka Robotics, startupu zaměřeném na fyzickou umělou inteligenci, který vyvíjí model Vision-Force-Action pro robotickou manipulaci, uvedla venture kapitálová společnost v oznámení z 20. října 2026. Příspěvek, jehož autory jsou partnerka Yoko Li a řídící partner Raghu Raghuram, představuje přístup společnosti Eka ke zručné manipulaci a důvody, proč se firma rozhodla společnost podpořit.

Na čem Eka Robotics pracuje

Li a Raghuram napsali, že velká část světové ekonomiky založené na fyzické práci – od výroby a montáže elektroniky po logistiku a produkci potravin – je stále závislá na lidských rukou, přestože průmyslové roboty proměnily vysoce strukturovanou výrobu, v níž přípravky drží každý díl na místě. Automatizace mnoha druhů fyzické práce je stále obtížná, protože skutečný svět je proměnlivý: díly se pohybují, materiály deformují, předměty vyklouzávají a konektory do sebe nezapadají dokonale. Investoři uvedli, že podle nich představuje řešení zručné manipulace jednu z největších příležitostí v robotice, a upozornili, že nedostatek pracovní síly už omezuje řadu těchto odvětví.

Na svých webových stránkách Eka uvádí, že buduje „inteligenci pro fyzický svět v jeho vlastním jazyce: síle“. Společnost tvrdí, že robotika dosud vyžadovala volbu mezi univerzálností a výkonem, a svůj model Vision-Force-Action popisuje jako základ, který spojuje univerzálnost, výkon a bezpečnost. Technologie podle Eky stojí na třech pilířích: jediném modelu, který se zobecňuje napříč předměty, úlohami a prostředími; rychlých a spolehlivých robotech, kteří se přizpůsobují nečekaným situacím; a bezpečném, kolaborativním provozu nezávislém na prostředí, v němž roboti pracují po boku lidí.

Jak funguje model Vision-Force-Action

Podle příspěvku a16z vytvořila Eka model Vision-Force-Action, který kombinuje vizuální vnímání se zpětnou vazbou o síle z robotických rukou. Model, snímání, řídicí systém i hardware navrhuje společně, aby robot dokázal využívat samotný fyzický kontakt jako zdroj informací. Příspěvek popisuje výsledné chování: úchop, který začíná prokluzovat, lze upravit; kontakt s povrchem může pomoci lokalizovat předmět; a odpor při zasouvání může změnit pohyb robota, místo aby pouze vyvolal chybu. Cílem je zachovat výkon i při změně podmínek, aniž by technik musel robota znovu ladit pro každý materiál, předmět nebo spoj.

Oznámení tento přístup opírá o mechaniku lidské ruky, která má podle něj přibližně dvě desítky stupňů volnosti a tisíce specializovaných smyslových receptorů. Ty zaznamenávají trvalý tlak a tvar, lehký dotyk, první známky prokluzu, vysokofrekvenční vibrace i napínání kůže. Vybudování takového biologického snímacího systému receptor po receptoru by znamenalo obrovskou složitost, náklady, množství kabeláže a výpočetního výkonu i další potenciální místa selhání. Příspěvek proto představuje technickou výzvu jako úkol poskytnout strojům dostatek informací o fyzickém světě i inteligence, aby dosáhly stejného výsledku s mnohem jednodušším systémem snímání a ovládání.

Učení ve fyzikální simulaci

Eka trénuje strategie robotické manipulace pomocí posilovaného učení ve fyzikální simulaci. Virtuální roboti v ní mohou podle oznámení procvičit miliony variant polohy předmětů, tření a kontaktu, než se strategie vůbec nasadí na fyzický hardware. Li a Raghuram tento přístup srovnali s učením z lidských ukázek, které podle nich spotřebovává čas lidí a obtížně předává užitečné informace o všech způsobech, jimiž může úloha selhat. Dodali, že pokud se tento přístup osvědčí ve velkém měřítku, zkušenosti robotů bude možné stále více rozšiřovat pomocí výpočetního výkonu namísto lidské práce.

Příspěvek uznává historickou překážku tohoto přístupu: dynamiku kontaktu je notoricky obtížné modelovat a i malé chyby v tření, poddajnosti nebo chování akčních členů mohou změnit úspěšnou strategii ze simulace v nepoužitelnou strategii pro skutečný svět. Překonání propasti mezi simulací a realitou označuje za jeden z nejtěžších problémů robotiky a uvádí, že zakladatelé společnosti Eka se jeho řešením z různých úhlů zabývají po většinu posledního desetiletí.

Uváděný výkon a zakládající tým

Eka podle oznámení uvádí až 1 500 odběrů za hodinu při laboratorních úlohách indukčního zakládání a vybírání dílů z přepravek, což je dvaapůlkrát rychleji než u lidí. Příspěvek uvádí, že systém prokázal schopnost manipulovat s křehkými předměty, kluzkými průmyslovými díly i při úlohách zasouvání vyžadujících intenzivní kontakt. Další zkouškou bude udržet tento výkon po celé výrobní směny. Pokud se tyto schopnosti spolehlivě přenesou do různých výrobních úloh, mohou podle investorů výrobci zavádět nové produkty, aniž by museli začínat proces učení od nuly, a bude možné automatizovat i úlohy, pro něž se dosud nevyplatilo připravit samostatný automatizační projekt.

Spoluzakladatel Pulkit Agrawal z Improbable AI Lab při MIT CSAIL je v příspěvku popsán jako jeden z předních odborníků na robotické učení a průkopník výpočetního senzomotorického učení. Jeho práce zahrnuje posilované učení, řízení zohledňující působící síly, obratnou manipulaci a přenos řídicích strategií ze simulace do reálného světa. Spoluzakladatel Tuomas Haarnoja se v Berkeley podílel na vytvoření algoritmu Soft Actor-Critic, který příspěvek označuje za jeden ze základních algoritmů moderního posilovaného učení. Později pracoval v Google DeepMind, kde trénoval složité chování humanoidních robotů v simulaci a následně je nasazoval na skutečných strojích. Investoři napsali, že zakladatelé mají mimořádné předpoklady k překlenutí mezery mezi simulací a realitou a už prokazují, že se tato mezera zmenšuje.

Eka uvádí, že její širší tým tvoří lidé z MIT, Berkeley, Harvardu, CMU, BU, UPenn, DeepMind, Microsoftu a Boston Dynamics. Své výzkumníky popisuje jako průkopníky samoučení bez dohledu, robotického učení ve velkém měřítku, modelů světa, posilovaného učení a robotiky propojující simulaci s realitou.