Η Eka Robotics εξασφαλίζει χρηματοδότηση Σειράς A με επικεφαλής την Andreessen Horowitz

Η Andreessen Horowitz ηγείται του γύρου χρηματοδότησης Σειράς A της Eka Robotics, μιας νεοφυούς εταιρείας φυσικής τεχνητής νοημοσύνης που αναπτύσσει ένα μοντέλο Vision-Force-Action για τον ρομποτικό χειρισμό αντικειμένων, ανακοίνωσε η εταιρεία επιχειρηματικών κεφαλαίων σε ανακοίνωση στις 20 Οκτωβρίου 2026. Η ανάρτηση, την οποία συνέταξαν η εταίρος Yoko Li και ο διευθύνων εταίρος Raghu Raghuram, παρουσιάζει την προσέγγιση της Eka στον επιδέξιο χειρισμό αντικειμένων και το σκεπτικό της εταιρείας για τη στήριξη της νεοφυούς επιχείρησης.

Τι αναπτύσσει η Eka Robotics

Οι Li και Raghuram έγραψαν ότι μεγάλο μέρος της παγκόσμιας οικονομίας που βασίζεται σε φυσικές εργασίες —από τη μεταποίηση και τη συναρμολόγηση ηλεκτρονικών έως την εφοδιαστική και την παραγωγή τροφίμων— εξακολουθεί να εξαρτάται από ανθρώπους που χρησιμοποιούν τα χέρια τους, παρότι τα βιομηχανικά ρομπότ έχουν μεταμορφώσει την παραγωγή σε αυστηρά ελεγχόμενα περιβάλλοντα, όπου διατάξεις συγκράτησης κρατούν κάθε εξάρτημα στη θέση του. Μεγάλες κατηγορίες χειρωνακτικών εργασιών παραμένουν δύσκολο να αυτοματοποιηθούν, επειδή ο πραγματικός κόσμος είναι μεταβλητός: τα εξαρτήματα κινούνται, τα υλικά παραμορφώνονται, τα αντικείμενα γλιστρούν και οι σύνδεσμοι δεν ευθυγραμμίζονται με ακρίβεια. Οι επενδυτές δήλωσαν ότι πιστεύουν πως η επίλυση του προβλήματος του επιδέξιου χειρισμού αντικειμένων αποτελεί μία από τις μεγαλύτερες ευκαιρίες στη ρομποτική και σημείωσαν ότι η έλλειψη εργατικού δυναμικού αποτελεί ήδη περιοριστικό παράγοντα σε πολλούς από αυτούς τους κλάδους.

Στον ιστότοπό της, η Eka αναφέρει ότι αναπτύσσει «νοημοσύνη για τον φυσικό κόσμο στη δική του γλώσσα: τη δύναμη». Η εταιρεία σημειώνει ότι μέχρι σήμερα η ρομποτική απαιτούσε επιλογή ανάμεσα στη γενικότητα και την απόδοση, και περιγράφει το μοντέλο Vision-Force-Action ως βάση που συνδυάζει τη γενικότητα, την απόδοση και την ασφάλεια. Η Eka παρουσιάζει τρεις πυλώνες της τεχνολογίας: ένα ενιαίο μοντέλο που γενικεύεται σε διαφορετικά αντικείμενα, εργασίες και περιβάλλοντα· γρήγορα, αξιόπιστα ρομπότ που προσαρμόζονται σε απρόβλεπτες συνθήκες· και ασφαλή, συνεργατική λειτουργία, ανεξάρτητη από το περιβάλλον, δίπλα σε ανθρώπους.

Πώς λειτουργεί το μοντέλο Vision-Force-Action

Σύμφωνα με την ανάρτηση της a16z, η Eka έχει αναπτύξει ένα μοντέλο Vision-Force-Action που συνδυάζει την οπτική αντίληψη με την ανάδραση δύναμης από τα ρομποτικά χέρια της. Παράλληλα, σχεδιάζει από κοινού το μοντέλο, τα συστήματα ανίχνευσης, τον ελεγκτή και το υλικό, ώστε το ρομπότ να μπορεί να χρησιμοποιεί την ίδια τη φυσική επαφή ως πληροφορία. Η ανάρτηση περιγράφει τις συμπεριφορές που προκύπτουν: μια λαβή που αρχίζει να γλιστρά μπορεί να διορθωθεί, η επαφή με μια επιφάνεια μπορεί να βοηθήσει στον εντοπισμό ενός αντικειμένου και η αντίσταση κατά την εισαγωγή ενός εξαρτήματος μπορεί να μεταβάλει την κίνηση του ρομπότ αντί απλώς να προκαλέσει σφάλμα. Στόχος, όπως αναφέρεται, είναι να διατηρείται η απόδοση όταν αλλάζουν οι συνθήκες, χωρίς να χρειάζεται μηχανικός να επαναρυθμίζει το ρομπότ για κάθε υλικό, αντικείμενο ή εφαρμογή.

Η ανακοίνωση θεμελιώνει αυτή την προσέγγιση στη μηχανική του ανθρώπινου χεριού, το οποίο, όπως αναφέρει, έχει περίπου δύο δωδεκάδες βαθμούς ελευθερίας και χιλιάδες εξειδικευμένους αισθητηριακούς υποδοχείς που ανιχνεύουν την παρατεταμένη πίεση και το σχήμα, το ελαφρύ άγγιγμα, τα πρώτα σημάδια ολίσθησης, τις δονήσεις υψηλής συχνότητας και το τέντωμα του δέρματος. Επειδή η ανακατασκευή ενός τέτοιου βιολογικού συστήματος ανίχνευσης, υποδοχέα προς υποδοχέα, θα πρόσθετε τεράστια πολυπλοκότητα, κόστος, καλωδίωση, υπολογιστικές απαιτήσεις και πιθανά σημεία αστοχίας, η ανάρτηση παρουσιάζει την πρόκληση της μηχανικής ως εξής: να εξοπλιστούν οι μηχανές με αρκετές φυσικές πληροφορίες και νοημοσύνη, ώστε να πετυχαίνουν το ίδιο αποτέλεσμα με ένα πολύ απλούστερο σύστημα ανίχνευσης και ενεργοποίησης.

Μάθηση μέσω προσομοίωσης φυσικής

Σύμφωνα με την ανακοίνωση, η Eka εκπαιδεύει τις πολιτικές χειρισμού της μέσω ενισχυτικής μάθησης σε προσομοίωση φυσικής, όπου εικονικά ρομπότ μπορούν να εξασκούνται σε εκατομμύρια παραλλαγές της θέσης των αντικειμένων, της τριβής και της επαφής, προτού μια πολιτική εφαρμοστεί σε πραγματικό υλικό. Οι Li και Raghuram αντιπαρέβαλαν αυτή την προσέγγιση με τη μάθηση από ανθρώπινες επιδείξεις, η οποία, όπως είπαν, απαιτεί ανθρώπινο χρόνο και δυσκολεύεται να μεταδώσει χρήσιμες πληροφορίες για όλους τους τρόπους με τους οποίους μπορεί να αποτύχει μια εργασία. Πρόσθεσαν ότι, αν η προσέγγιση αποδώσει σε μεγάλη κλίμακα, η εμπειρία των ρομπότ μπορεί να αυξάνεται όλο και περισσότερο ανάλογα με την υπολογιστική ισχύ και όχι με την ανθρώπινη εργασία.

Η ανάρτηση αναγνωρίζει το ιστορικό εμπόδιο σε αυτή την προσέγγιση: η μοντελοποίηση της δυναμικής της επαφής είναι εξαιρετικά δύσκολη και μικρά σφάλματα στην τριβή, την ελαστικότητα ή τη συμπεριφορά των ενεργοποιητών μπορούν να μετατρέψουν μια επιτυχημένη πολιτική προσομοίωσης σε άχρηστη λύση στον πραγματικό κόσμο. Περιγράφει τη γεφύρωση του χάσματος μεταξύ προσομοίωσης και πραγματικού κόσμου ως ένα από τα δυσκολότερα προβλήματα της ρομποτικής και αναφέρει ότι οι ιδρυτές της Eka έχουν αφιερώσει μεγάλο μέρος της τελευταίας δεκαετίας στην αντιμετώπισή του από συμπληρωματικές κατευθύνσεις.

Επιδόσεις που αναφέρει η εταιρεία και ιδρυτική ομάδα

Σύμφωνα με την ανακοίνωση, η Eka αναφέρει ότι σε εργαστηριακές εργασίες τροφοδοσίας γραμμής και συλλογής αντικειμένων από κάδους επιτυγχάνει έως και 1.500 συλλογές ανά ώρα, δηλαδή δυόμισι φορές ταχύτερα από τους ανθρώπους. Η ανάρτηση αναφέρει ότι το υποκείμενο σύστημα έχει επιδείξει ικανότητα χειρισμού εύθραυστων αντικειμένων, ολισθηρών βιομηχανικών εξαρτημάτων και εργασιών εισαγωγής που απαιτούν εκτεταμένη επαφή, ενώ προσδιορίζει ως επόμενη δοκιμασία τη διατήρηση αυτής της απόδοσης σε ολόκληρες βάρδιες παραγωγής. Αν αυτές οι δυνατότητες μεταφερθούν αξιόπιστα σε εργασίες παραγωγής, έγραψαν οι επενδυτές, οι κατασκευαστές θα μπορούσαν να εισάγουν νέα προϊόντα χωρίς να ξεκινούν τη διαδικασία μάθησης από την αρχή, ενώ θα μπορούσαν να αυτοματοποιηθούν και εργασίες για τις οποίες δεν άξιζε ποτέ να υλοποιηθεί ένα ειδικό έργο αυτοματισμού.

Στην ανάρτηση, ο συνιδρυτής Pulkit Agrawal, από το Improbable AI Lab του MIT CSAIL, περιγράφεται ως ένας από τους κορυφαίους ερευνητές στον τομέα της ρομποτικής μάθησης και πρωτοπόρος στην υπολογιστική αισθησιοκινητική μάθηση, με έργο που καλύπτει την ενισχυτική μάθηση, τον έλεγχο με επίγνωση των δυνάμεων, τον επιδέξιο χειρισμό και τη μεταφορά πολιτικών από την προσομοίωση στον πραγματικό κόσμο. Ο συνιδρυτής Tuomas Haarnoja συνέβαλε στη δημιουργία του Soft Actor-Critic στο Berkeley, τον οποίο η ανάρτηση χαρακτηρίζει έναν από τους θεμελιώδεις αλγορίθμους της σύγχρονης ενισχυτικής μάθησης, και αργότερα εργάστηκε στην Google DeepMind, εκπαιδεύοντας σύνθετες συμπεριφορές ανθρωποειδών ρομπότ σε προσομοίωση και εφαρμόζοντάς τες σε πραγματικές μηχανές. Οι επενδυτές έγραψαν ότι οι ιδρυτές είναι ασυνήθιστα κατάλληλοι για να γεφυρώσουν το χάσμα μεταξύ προσομοίωσης και πραγματικότητας και ότι έχουν αποδείξει πως αυτό μειώνεται.

Η Eka αναφέρει ότι η ευρύτερη ομάδα της προέρχεται από τα MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft και Boston Dynamics, ενώ περιγράφει τους ερευνητές της ως πρωτοπόρους στην αυτοεπιβλεπόμενη μάθηση, τη ρομποτική μάθηση μεγάλης κλίμακας, τα μοντέλα κόσμου, την ενισχυτική μάθηση και τη ρομποτική που μεταφέρει δυνατότητες από την προσομοίωση στην πραγματικότητα.