Eka Robotics consigue financiación de Serie A liderada por Andreessen Horowitz

Andreessen Horowitz lidera la ronda de Serie A de Eka Robotics, una startup de IA física que desarrolla un modelo Visión-Fuerza-Acción para la manipulación robótica, según anunció la firma de capital riesgo el 20 de octubre de 2026 en un comunicado. La publicación, escrita por la socia Yoko Li y el socio director Raghu Raghuram, expone el enfoque de Eka para la manipulación diestra y los motivos de la firma para respaldar a la empresa.

Qué está desarrollando Eka Robotics

Li y Raghuram escribieron que gran parte de la economía física mundial —desde la fabricación y el ensamblaje de componentes electrónicos hasta la logística y la producción de alimentos— todavía depende de personas que trabajan con las manos, pese a que los robots industriales han transformado la producción altamente estructurada, en la que dispositivos de sujeción mantienen cada pieza en su sitio. Grandes sectores del trabajo físico siguen siendo difíciles de automatizar porque el mundo real es variable: las piezas se mueven, los materiales se deforman, los objetos resbalan y los conectores no siempre quedan perfectamente alineados. Los inversores dijeron que creen que resolver el problema de la manipulación diestra es una de las mayores oportunidades en robótica, y señalaron que la mano de obra ya es un factor limitante en muchas de estas industrias.

En su sitio web, Eka afirma que está desarrollando «inteligencia para el mundo físico en su lenguaje nativo: la fuerza». La empresa sostiene que, hasta ahora, la robótica ha obligado a elegir entre generalidad y rendimiento, y describe su modelo Visión-Fuerza-Acción como una base que combina generalidad, rendimiento y seguridad. Eka presenta tres pilares de esta tecnología: un único modelo que se generaliza a distintos objetos, tareas y entornos; robots rápidos y fiables que se adaptan a lo inesperado; y un funcionamiento seguro, colaborativo e independiente del entorno junto a las personas.

Cómo funciona el modelo Visión-Fuerza-Acción

Según la publicación de a16z, Eka ha desarrollado un modelo Visión-Fuerza-Acción que combina la percepción visual con la retroalimentación de fuerza de sus manos robóticas, y diseña conjuntamente el modelo, los sensores, el controlador y el hardware para que el robot pueda utilizar el contacto físico como fuente de información. La publicación describe los comportamientos resultantes: se puede corregir un agarre que empieza a resbalar, el contacto con una superficie puede ayudar a localizar un objeto y la resistencia durante una inserción puede modificar el movimiento del robot en lugar de limitarse a activar un error. El objetivo declarado es mantener el rendimiento cuando cambian las condiciones, sin que un ingeniero tenga que reajustar el robot para cada material, objeto o ajuste.

El comunicado basa este enfoque en la mecánica de la mano humana, que, según describe, tiene aproximadamente dos docenas de grados de libertad y miles de receptores sensoriales especializados que detectan la presión sostenida y la forma, el tacto ligero, los primeros indicios de deslizamiento, las vibraciones de alta frecuencia y el estiramiento de la piel. Dado que reconstruir un sistema sensorial biológico de este tipo, receptor por receptor, añadiría una enorme complejidad, coste, cableado, capacidad de cálculo y posibles puntos de fallo, la publicación plantea el reto de ingeniería como dotar a las máquinas de suficiente información física e inteligencia para lograr el mismo resultado con un sistema de detección y accionamiento mucho más sencillo.

Aprendizaje mediante simulación física

Según el comunicado, Eka entrena sus políticas de manipulación mediante aprendizaje por refuerzo en simulaciones físicas, donde los robots virtuales pueden practicar millones de variaciones en la posición de los objetos, la fricción y el contacto antes de que una política llegue al hardware físico. Li y Raghuram contrastaron este enfoque con el aprendizaje a partir de demostraciones humanas, que, según dijeron, consume tiempo de las personas y tiene dificultades para transmitir información útil sobre todas las formas en que una tarea puede fallar. Añadieron que, si el enfoque funciona a gran escala, la experiencia robótica podrá ampliarse cada vez más mediante capacidad de cálculo, en vez de mano de obra humana.

La publicación reconoce el obstáculo histórico de este enfoque: la dinámica del contacto es notoriamente difícil de modelar, y pequeños errores en la fricción, la flexibilidad o el comportamiento de los actuadores pueden convertir una política que funciona en la simulación en una política inútil en el mundo real. Describe la reducción de la brecha entre la simulación y el mundo real como uno de los problemas más difíciles de la robótica, y afirma que los fundadores de Eka han dedicado gran parte de la última década a abordar ese problema desde perspectivas complementarias.

Rendimiento declarado y equipo fundador

Según el comunicado, Eka informa de hasta 1.500 recogidas por hora en tareas de clasificación por inducción y recogida de objetos de contenedores en el laboratorio, una velocidad dos veces y media superior a la de las personas. La publicación afirma que el sistema subyacente ha demostrado su capacidad para manipular objetos frágiles, piezas industriales resbaladizas y tareas de inserción con mucho contacto, y señala que la siguiente prueba será mantener ese rendimiento durante turnos completos de producción. Si esas capacidades se transfieren de forma fiable a distintas tareas de producción, escribieron los inversores, los fabricantes podrán introducir nuevos productos sin empezar el proceso de aprendizaje desde cero, y será posible abordar tareas que nunca habían justificado un proyecto de automatización específico.

La publicación describe al cofundador Pulkit Agrawal, del Improbable AI Lab de MIT CSAIL, como uno de los principales investigadores en aprendizaje robótico y pionero del aprendizaje sensoriomotor computacional. Su trabajo abarca el aprendizaje por refuerzo, el control con percepción de fuerzas, la manipulación diestra y el traslado de políticas de la simulación al mundo real. El cofundador Tuomas Haarnoja cocreó Soft Actor-Critic en Berkeley, que la publicación califica como uno de los algoritmos fundamentales del aprendizaje por refuerzo moderno, y más adelante trabajó en Google DeepMind, donde entrenó comportamientos humanoides complejos en simulación y los implementó en máquinas reales. Los inversores escribieron que los fundadores están excepcionalmente bien preparados para cerrar la brecha entre la simulación y la realidad y que han demostrado que esta se está reduciendo.

Eka afirma que su equipo en sentido amplio procede de MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft y Boston Dynamics, y describe a sus investigadores como pioneros del aprendizaje autosupervisado, el aprendizaje robótico a gran escala, los modelos del mundo, el aprendizaje por refuerzo y la robótica que traslada capacidades de la simulación a la realidad.