Eka Robotics saa A-rahoituskierroksellaan rahoitusta, jota johtaa Andreessen Horowitz

Andreessen Horowitz johtaa Eka Roboticsin A-rahoituskierrosta, kertoi fyysisen tekoälyn startup-yrityksen kehittäessä näköön, voimaan ja toimintaan perustuvaa mallia robottien käsittelytehtäviin. Pääomasijoitusyhtiö kertoi asiasta tiedotteessaan 20. lokakuuta 2026. Yhtiökumppani Yoko Li ja toimitusjohtava osakas Raghu Raghuram kuvailevat kirjoituksessaan Ekan lähestymistapaa näppäriin käsittelytehtäviin sekä perusteita, joiden vuoksi yritys päätti sijoittaa siihen.

Mitä Eka Robotics kehittää

Li ja Raghuram kirjoittivat, että suuri osa maailman reaalitaloudesta – teollisuustuotannosta ja elektroniikan kokoonpanosta logistiikkaan ja elintarviketuotantoon – on yhä riippuvainen ihmisten käsityöstä, vaikka teollisuusrobotit ovat mullistaneet pitkälle automatisoidun tuotannon, jossa jokainen osa pysyy paikoillaan kiinnittimien avulla. Monia fyysisen työn aloja on edelleen vaikea automatisoida, koska todellinen maailma on vaihteleva: osat liikkuvat, materiaalit muotoutuvat, esineet liukuvat ja liittimet eivät asetu täydellisesti kohdakkain. Sijoittajat kertoivat uskovansa, että näppärien käsittelytehtävien ratkaiseminen on yksi robotiikan suurimmista mahdollisuuksista, ja huomauttivat, että työvoiman saatavuus rajoittaa jo monia näistä toimialoista.

Verkkosivustollaan Eka kertoo kehittävänsä ”fyysisen maailman älykkyyttä sen omalla äidinkielellä: voimalla”. Yhtiön mukaan robotiikassa on tähän asti jouduttu valitsemaan yleistettävyyden ja suorituskyvyn välillä. Eka kuvailee näköön, voimaan ja toimintaan perustuvaa malliaan perustaksi, joka yhdistää yleistettävyyden, suorituskyvyn ja turvallisuuden. Yhtiö esittelee teknologialleen kolme peruspilaria: yhden mallin, joka yleistyy eri esineisiin, tehtäviin ja ympäristöihin; nopeita ja luotettavia robotteja, jotka mukautuvat odottamattomiin tilanteisiin; sekä turvallisen ja yhteistyöhön soveltuvan toiminnan, joka ei ole sidottu tiettyyn ympäristöön ja jossa robotit työskentelevät ihmisten rinnalla.

Näköön, voimaan ja toimintaan perustuvan mallin toimintaperiaate

a16z:n kirjoituksen mukaan Eka on kehittänyt näköön, voimaan ja toimintaan perustuvan mallin, jossa visuaalinen havainnointi yhdistyy robottikäsien voimapalautteeseen. Malli, tunnistusjärjestelmä, ohjain ja laitteisto suunnitellaan yhdessä, jotta robotti voi hyödyntää fyysistä kosketusta itsessään tietolähteenä. Kirjoituksessa kuvataan, millaiseen toimintaan tämä johtaa: alkavaan lipsumiseen reagoidaan korjaamalla otetta, kosketus pintaan voi auttaa paikantamaan esineen, ja vastus esineen paikalleen asettamisen aikana voi muuttaa robotin liikettä sen sijaan, että se vain aiheuttaisi virheilmoituksen. Tavoitteena on säilyttää suorituskyky olosuhteiden muuttuessa ilman, että insinöörin täytyy säätää robottia uudelleen jokaisen materiaalin, esineen tai sovituksen mukaan.

Tiedotteessa lähestymistapaa perustellaan ihmiskäden toiminnalla. Käden kuvataan sisältävän noin kaksi tusinaa vapausastetta ja tuhansia erikoistuneita aistireseptoreita, jotka havaitsevat jatkuvan paineen ja muodon, kevyen kosketuksen, ensimmäiset merkit otteen lipsumisesta, korkeataajuisen värähtelyn ja ihon venymisen. Koska tällaisen biologisen tunnistusjärjestelmän rakentaminen uudelleen reseptori kerrallaan lisäisi valtavasti monimutkaisuutta, kustannuksia, johdotusta, laskentatehon tarvetta ja mahdollisia vikakohtia, kirjoituksessa tekniseksi haasteeksi määritellään se, että koneille annetaan riittävästi tietoa fyysisestä maailmasta ja riittävästi älykkyyttä saman lopputuloksen saavuttamiseksi huomattavasti yksinkertaisemmalla tunnistus- ja toimintajärjestelmällä.

Oppiminen fysiikkasimulaatiossa

Eka kouluttaa käsittelytehtäviin tarkoitettuja ohjauskäytäntöjään vahvistusoppimisella fysiikkasimulaatiossa. Siellä virtuaalirobotit voivat harjoitella miljoonia muunnelmia esineiden sijainnista, kitkasta ja kosketuksesta ennen kuin ohjauskäytäntöä kokeillaan fyysisellä laitteistolla, tiedotteessa kerrotaan. Li ja Raghuram vertasivat tätä lähestymistapaa ihmisiltä saaduista esimerkeistä oppimiseen, joka heidän mukaansa vie ihmisten aikaa ja jonka avulla on vaikea välittää hyödyllistä tietoa kaikista tavoista, joilla tehtävä voi epäonnistua. He lisäsivät, että jos lähestymistapa toimii laajassa mittakaavassa, robottien kokemusta voidaan kasvattaa yhä enemmän laskentatehon eikä ihmistyövoiman avulla.

Kirjoituksessa tunnustetaan lähestymistavan historiallinen haaste: kosketuksen dynamiikkaa on tunnetusti vaikea mallintaa, ja pienetkin virheet kitkan, joustavuuden tai toimilaitteiden toiminnan kuvauksessa voivat muuttaa simulaatiossa onnistuneen ohjauskäytännön todellisessa maailmassa hyödyttömäksi. Simulaation ja todellisuuden välisen kuilun umpeen kuromista kuvaillaan yhdeksi robotiikan vaikeimmista ongelmista. Kirjoituksen mukaan Ekan perustajat ovat pyrkineet ratkaisemaan sitä eri näkökulmista suuren osan viime vuosikymmenestä.

Raportoitu suorituskyky ja perustajatiimi

Eka kertoo saavuttaneensa laboratorio-olosuhteissa tehtävissä syöttö- ja laatikosta poimintatehtävissä jopa 1 500 poimintaa tunnissa, mikä on tiedotteen mukaan 2,5 kertaa ihmisten nopeus. Kirjoituksessa kerrotaan, että taustalla oleva järjestelmä on osoittanut pystyvänsä käsittelemään hauraita esineitä, liukkaita teollisuuden osia ja runsaasti kosketusta vaativia paikalleenasetustehtäviä. Seuraavaksi on määrä selvittää, pystyykö järjestelmä ylläpitämään tämän suorituskyvyn kokonaisen tuotantovuoron ajan. Sijoittajien mukaan, jos nämä kyvyt siirtyvät luotettavasti erilaisiin tuotantotehtäviin, valmistajat voisivat tuoda markkinoille uusia tuotteita aloittamatta oppimisprosessia alusta. Samalla automatisoitaviksi tulisivat tehtävät, joihin ei aiemmin olisi kannattanut käynnistää erillistä automaatiohanketta.

Kirjoituksessa Improbable AI Labin ja MIT CSAILin toinen perustaja Pulkit Agrawal kuvataan yhdeksi johtavista robotiikan oppimisen tutkijoista ja laskennallisen sensorimotorisen oppimisen uranuurtajaksi. Hänen työnsä kattaa vahvistusoppimisen, voimat huomioivan ohjauksen, ketterän käsittelyn sekä ohjauspolitiikkojen siirtämisen simulaatiosta todelliseen maailmaan. Toinen perustaja Tuomas Haarnoja oli mukana luomassa Berkeleyssä Soft Actor-Critic -algoritmia, jota kirjoituksessa kutsutaan yhdeksi modernin vahvistusoppimisen perustavanlaatuisista algoritmeista. Myöhemmin hän työskenteli Google DeepMindilla kouluttaen simulaatiossa monimutkaisia humanoidien toimintamalleja ja ottamalla niitä käyttöön oikeissa koneissa. Sijoittajat kirjoittivat, että perustajilla on poikkeuksellisen hyvät valmiudet kuroa umpeen simulaation ja todellisen maailman välistä kuilua ja että he ovat osoittaneet sen kaventuvan.

Ekan mukaan sen laajempi tiimi koostuu MIT:n, Berkeleyn, Harvardin, CMU:n, BU:n, UPennin, DeepMindin, Microsoftin ja Boston Dynamicsin taustaisista osaajista. Yhtiö kuvailee tutkijoitaan itseohjatun oppimisen, robottien laajamittaisen oppimisen, maailmamallien, vahvistusoppimisen ja simulaatiosta todellisuuteen ulottuvan robotiikan uranuurtajiksi.