Eka Robotics sichert sich Series-A-Finanzierung unter der Führung von Andreessen Horowitz

Andreessen Horowitz führt die Series-A-Finanzierungsrunde für Eka Robotics an, ein Start-up im Bereich physische KI, das ein Vision-Force-Action-Modell für die robotergestützte Manipulation entwickelt. Das teilte die Venture-Capital-Firma am 20. Oktober 2026 in einer Mitteilung mit. Der von Partnerin Yoko Li und Managing Partner Raghu Raghuram verfasste Beitrag erläutert Ekas Ansatz für geschickte Manipulation und die Gründe, aus denen die Firma das Unternehmen unterstützt.

Woran Eka Robotics arbeitet

Li und Raghuram schrieben, dass ein großer Teil der physischen Wirtschaft weltweit – von der Fertigung und der Montage von Elektronik bis hin zu Logistik und Lebensmittelproduktion – nach wie vor davon abhängt, dass Menschen ihre Hände einsetzen. Das gilt, obwohl Industrieroboter die hochgradig strukturierten Produktionsbereiche revolutioniert haben, in denen Vorrichtungen jedes Teil an seinem Platz halten. Große Bereiche körperlicher Arbeit lassen sich nur schwer automatisieren, weil die reale Welt unbeständig ist: Teile bewegen sich, Materialien verformen sich, Gegenstände rutschen und Verbindungen passen nicht perfekt zusammen. Die Investoren erklärten, sie hielten die Lösung des Problems geschickter Manipulation für eine der größten Chancen in der Robotik. Zudem merkten sie an, dass der Arbeitskräftemangel in vielen dieser Branchen bereits ein begrenzender Faktor sei.

Auf seiner Website erklärt Eka, es entwickle „Intelligenz für die physische Welt in ihrer eigenen Sprache: Kraft“. Bislang habe die Robotik eine Entscheidung zwischen Allgemeingültigkeit und Leistungsfähigkeit erfordert, so das Unternehmen. Sein Vision-Force-Action-Modell beschreibt Eka als Grundlage, die Allgemeingültigkeit, Leistungsfähigkeit und Sicherheit vereint. Das Unternehmen nennt drei Säulen der Technologie: ein einzelnes Modell, das sich auf unterschiedliche Objekte, Aufgaben und Umgebungen übertragen lässt; schnelle, zuverlässige Roboter, die sich auf Unvorhergesehenes einstellen; sowie einen sicheren, kooperativen und umgebungsunabhängigen Betrieb an der Seite von Menschen.

So funktioniert das Vision-Force-Action-Modell

Laut dem Beitrag von a16z hat Eka ein Vision-Force-Action-Modell entwickelt, das visuelle Wahrnehmung mit Kraftrückmeldungen der Roboterhände verbindet. Das Modell, die Sensorik, die Steuerung und die Hardware werden gemeinsam entwickelt, damit der Roboter physischen Kontakt selbst als Informationsquelle nutzen kann. Der Beitrag beschreibt die daraus entstehenden Verhaltensweisen: Ein Griff, der abzurutschen beginnt, kann korrigiert werden; der Kontakt mit einer Oberfläche kann dabei helfen, ein Objekt zu lokalisieren; und Widerstand beim Einführen eines Gegenstands kann die Bewegung des Roboters verändern, statt lediglich einen Fehler auszulösen. Ziel ist es, die Leistungsfähigkeit auch bei veränderten Bedingungen aufrechtzuerhalten, ohne dass ein Ingenieur den Roboter für jedes Material, jedes Objekt oder jede Passung neu justieren muss.

Die Mitteilung begründet diesen Ansatz mit der Funktionsweise der menschlichen Hand. Sie verfüge über rund zwei Dutzend Freiheitsgrade und Tausende spezialisierte Sinnesrezeptoren, die anhaltenden Druck und Form, leichte Berührungen, erste Anzeichen des Abrutschens, hochfrequente Vibrationen und die Dehnung der Haut wahrnehmen. Ein solches biologisches Sensorsystem Rezeptor für Rezeptor nachzubilden, würde enorme zusätzliche Komplexität, Kosten, Verkabelung und Rechenleistung sowie potenzielle Fehlerquellen mit sich bringen. Daher beschreibt der Beitrag die technische Herausforderung so: Maschinen müssen mit genügend Informationen über ihre physische Umgebung und mit ausreichend Intelligenz ausgestattet werden, um dasselbe Ergebnis mit einem wesentlich einfacheren Sensor- und Aktorsystem zu erzielen.

Training in physikalischen Simulationen

Eka trainiert seine Manipulationsstrategien mithilfe von bestärkendem Lernen in physikalischen Simulationen. Dort können virtuelle Roboter Millionen von Varianten bei Objektposition, Reibung und Kontakt erproben, bevor eine Strategie überhaupt auf physischer Hardware eingesetzt wird, heißt es in der Mitteilung. Li und Raghuram stellten diesen Ansatz dem Lernen anhand menschlicher Demonstrationen gegenüber. Dieses beanspruche menschliche Arbeitszeit und vermittle nur schwer nützliche Informationen über all die Arten, auf die eine Aufgabe scheitern könne, erklärten sie. Sollte der Ansatz in großem Maßstab funktionieren, könne die Erfahrung von Robotern zunehmend mit der verfügbaren Rechenleistung statt mit menschlicher Arbeit wachsen, fügten sie hinzu.

Der Beitrag räumt ein, dass dieser Ansatz in der Vergangenheit auf ein Hindernis stieß: Die Kontaktdynamik lässt sich bekanntermaßen nur schwer modellieren, und kleine Fehler bei Reibung, Nachgiebigkeit oder dem Verhalten von Aktoren können aus einer erfolgreichen simulierten Steuerungsstrategie eine in der realen Welt nutzlose machen. Die Lücke zwischen Simulation und Realität zu schließen, wird als eines der schwierigsten Probleme der Robotik beschrieben. Ekas Gründer hätten einen Großteil des vergangenen Jahrzehnts aus unterschiedlichen, einander ergänzenden Richtungen an diesem Problem gearbeitet, heißt es weiter.

Berichtete Leistung und das Gründerteam

Eka gibt an, bei Laboraufgaben zur Zuführung und beim Greifen von Teilen aus Behältern bis zu 1.500 Teile pro Stunde zu bewältigen – zweieinhalbmal so schnell wie Menschen, heißt es in der Mitteilung. Dem Beitrag zufolge hat das zugrunde liegende System seine Manipulationsfähigkeit bei zerbrechlichen Gegenständen, rutschigen Industrieteilen und Einführvorgängen mit intensivem Kontakt unter Beweis gestellt. Als nächste Bewährungsprobe wird genannt, diese Leistung über vollständige Produktionsschichten hinweg aufrechtzuerhalten. Lassen sich diese Fähigkeiten zuverlässig auf verschiedene Produktionsaufgaben übertragen, könnten Hersteller neue Produkte einführen, ohne den Lernprozess von Grund auf neu beginnen zu müssen, schrieben die Investoren. Zudem würden Aufgaben umsetzbar, für die sich ein eigenes Automatisierungsprojekt bislang nicht gelohnt hätte.

Mitgründer Pulkit Agrawal vom Improbable AI Lab am MIT CSAIL wird in dem Beitrag als einer der führenden Forscher im Bereich Roboterlernen und als Pionier des computergestützten sensomotorischen Lernens beschrieben. Seine Arbeit umfasst bestärkendes Lernen, kraftbewusste Steuerung, geschickte Manipulation und die Übertragung von Richtlinien aus der Simulation in die reale Welt. Mitgründer Tuomas Haarnoja entwickelte an der Berkeley Soft Actor-Critic mit, den der Beitrag als einen der grundlegenden Algorithmen des modernen bestärkenden Lernens bezeichnet. Später arbeitete er bei Google DeepMind daran, komplexe humanoide Verhaltensweisen in Simulationen zu trainieren und auf realen Maschinen umzusetzen. Die Investoren schrieben, die Gründer seien ungewöhnlich gut dafür geeignet, die Sim-to-Real-Lücke zu schließen, und hätten gezeigt, dass sie kleiner werde.

Eka zufolge stammt das erweiterte Team von MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft und Boston Dynamics. Das Unternehmen bezeichnet seine Forscher als Pioniere des selbstüberwachten Lernens, des Roboterlernens im großen Maßstab, von Weltmodellen, des bestärkenden Lernens und der Robotik mit Übertragung von der Simulation in die reale Welt.