Eka Robotics sikrer Serie A-finansiering med Andreessen Horowitz i spidsen

Andreessen Horowitz står i spidsen for Serie A-runden i Eka Robotics, en startup inden for fysisk AI, der udvikler en Vision-Force-Action-model til robotmanipulation, oplyste venturekapitalfirmaet i en meddelelse den 20. oktober 2026. Indlægget, der er skrevet af partneren Yoko Li og managing partneren Raghu Raghuram, beskriver Ekas tilgang til fingerfærdig manipulation og firmaets begrundelse for at investere i virksomheden.

Det udvikler Eka Robotics

Li og Raghuram skrev, at store dele af verdens fysiske økonomi – fra produktion og elektronikmontage til logistik og fødevareproduktion – stadig afhænger af, at mennesker bruger deres hænder, selv om industrirobotter har revolutioneret den stærkt strukturerede produktion, hvor fiksturer holder alle dele på plads. Store kategorier af fysisk arbejde er fortsat vanskelige at automatisere, fordi forholdene i den virkelige verden varierer: Dele bevæger sig, materialer deformeres, genstande glider, og stik passer ikke perfekt sammen. Investorerne sagde, at de mener, at løsningen på udfordringen med fingerfærdig manipulation er en af de største muligheder inden for robotteknologi, og bemærkede, at arbejdskraft allerede er en begrænsende faktor i mange af disse brancher.

På sin hjemmeside skriver Eka, at virksomheden udvikler »intelligens til den fysiske verden på dens eget sprog: kraft«. Virksomheden siger, at robotteknologi hidtil har krævet et valg mellem alsidighed og ydeevne, og beskriver sin Vision-Force-Action-model som et fundament, der forener alsidighed, ydeevne og sikkerhed. Eka fremhæver tre grundpiller i teknologien: én model, der kan generaliseres på tværs af genstande, opgaver og miljøer; hurtige og pålidelige robotter, der tilpasser sig det uventede; samt sikker drift i samarbejde med mennesker, uanset miljø.

Sådan fungerer Vision-Force-Action-modellen

Ifølge indlægget fra a16z har Eka udviklet en Vision-Force-Action-model, der kombinerer visuel perception med kraftfeedback fra robothænderne. Virksomheden udvikler modellen, sensorerne, styringen og hardwaren samlet, så robotten kan bruge selve den fysiske kontakt som information. Indlægget beskriver de resulterende egenskaber: Et greb, der begynder at glide, kan korrigeres; kontakt med en overflade kan hjælpe med at lokalisere en genstand; og modstand under indsættelse kan ændre robottens bevægelse i stedet for blot at udløse en fejl. Målet er at fastholde ydeevnen, når forholdene ændrer sig, uden at en ingeniør skal finjustere robotten til hvert materiale, hver genstand eller hver pasform.

Meddelelsen tager udgangspunkt i den menneskelige hånds mekanik, som ifølge den har omkring to dusin frihedsgrader og tusindvis af specialiserede sanseceller, der registrerer vedvarende tryk og form, let berøring, de første tegn på, at noget glider, højfrekvente vibrationer og hudens strækning. Da det ville medføre enorm kompleksitet, høje omkostninger, omfattende ledningsføring, stort beregningsbehov og potentielle fejlpunkter at genskabe et sådant biologisk sansesystem receptor for receptor, beskriver indlægget den tekniske udfordring som at give maskiner tilstrækkelig fysisk information og intelligens til at opnå samme resultat med et langt enklere sensor- og aktuatorsystem.

Læring i fysiksimulering

Ifølge meddelelsen træner Eka sine manipulationspolitikker ved hjælp af forstærkningslæring i fysiksimuleringer, hvor virtuelle robotter kan øve sig på millioner af variationer i genstandes placering, friktion og kontakt, før en politik overhovedet afprøves på fysisk hardware. Li og Raghuram stillede denne tilgang i kontrast til læring ud fra menneskelige demonstrationer, som efter deres udsagn kræver menneskers tid og har svært ved at formidle nyttig information om alle de måder, en opgave kan mislykkes på. De tilføjede, at hvis tilgangen fungerer i stor skala, kan robotternes erfaring i stigende grad vokse i takt med computerkraften frem for den menneskelige arbejdsindsats.

Indlægget anerkender den historiske hindring for denne tilgang: Kontaktens dynamik er notorisk vanskelig at modellere, og små fejl i friktion, eftergivelighed eller aktuatorers adfærd kan forvandle en vellykket simuleret politik til en ubrugelig løsning i den virkelige verden. Det beskriver det som et af robotteknologiens vanskeligste problemer at mindske kløften mellem simulering og virkelighed, og oplyser, at Ekas grundlæggere har brugt en stor del af det seneste årti på at tackle problemet fra hver sin komplementære vinkel.

Rapporteret ydeevne og grundlæggerteamet

Ifølge meddelelsen rapporterer Eka op til 1.500 pluk i timen i laboratorieopgaver med induktion og plukning fra beholdere, hvilket er to en halv gange hurtigere end mennesker. Indlægget oplyser, at det underliggende system har demonstreret manipulation af skrøbelige genstande og glatte industrikomponenter samt indsættelsesopgaver med omfattende kontakt, og peger på, at den næste prøve bliver at fastholde denne ydeevne gennem hele produktionsskift. Hvis disse evner pålideligt kan overføres til forskellige produktionsopgaver, skrev investorerne, vil producenter kunne lancere nye produkter uden at begynde læringsprocessen forfra, og opgaver, der aldrig har været investeringen i et dedikeret automatiseringsprojekt værd, vil kunne automatiseres.

Medstifter Pulkit Agrawal fra Improbable AI Lab ved MIT CSAIL beskrives i opslaget som en af de førende forskere inden for robotlæring og en pioner inden for beregningsbaseret sensomotorisk læring. Hans arbejde spænder over forstærkningslæring, kraftbevidst styring, fingerfærdig manipulation og overførsel af politikker fra simulering til den virkelige verden. Medstifter Tuomas Haarnoja var med til at udvikle Soft Actor-Critic ved Berkeley, som opslaget betegner som en af grundstenene i moderne forstærkningslæring. Senere arbejdede han hos Google DeepMind med at træne komplekse humanoide bevægelser i simulering og implementere dem på virkelige maskiner. Investorerne skrev, at grundlæggerne er usædvanligt godt rustet til at mindske kløften mellem simulering og virkelighed, og at de har vist, at den er ved at blive mindre.

Eka oplyser, at det bredere team kommer fra MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft og Boston Dynamics, og beskriver sine forskere som pionerer inden for selvvejledt læring, robotlæring i stor skala, verdensmodeller, forstærkningslæring og robotteknologi, der bygger bro mellem simulering og virkelighed.