Eka Robotics lève des fonds en série A, avec Andreessen Horowitz en tête

Andreessen Horowitz mène le tour de série A d’Eka Robotics, une jeune entreprise d’IA physique qui développe un modèle Vision-Force-Action destiné à la manipulation robotique, a annoncé la société de capital-risque dans une annonce publiée le 20 octobre 2026. Signé par Yoko Li, associée, et Raghu Raghuram, associé gérant, le billet expose l’approche d’Eka en matière de manipulation dextre ainsi que les raisons qui ont conduit la société à investir dans l’entreprise.

Les développements d’Eka Robotics

Li et Raghuram ont écrit qu’une grande partie de l’économie physique mondiale — de l’industrie manufacturière et de l’assemblage électronique à la logistique et à la production alimentaire — dépend encore de personnes qui utilisent leurs mains, alors même que les robots industriels ont transformé les processus de production très structurés où des dispositifs maintiennent chaque pièce en place. De nombreuses catégories de tâches physiques restent difficiles à automatiser, car le monde réel est variable : les pièces bougent, les matériaux se déforment, les objets glissent et les connecteurs ne s’alignent pas parfaitement. Les investisseurs ont déclaré estimer que la résolution des enjeux liés à la manipulation dextre représente l’une des plus grandes occasions dans le domaine de la robotique. Ils ont également souligné que la main-d’œuvre constitue déjà un facteur limitant dans bon nombre de ces secteurs.

Sur son site web, Eka affirme développer « une intelligence pour le monde physique dans son langage natif : la force ». L’entreprise explique que, jusqu’à présent, la robotique imposait de choisir entre polyvalence et performance. Elle présente son modèle Vision-Force-Action comme une base qui réunit polyvalence, performance et sécurité. Eka décrit trois piliers pour cette technologie : un modèle unique qui se généralise à différents objets, tâches et environnements ; des robots rapides et fiables qui s’adaptent aux imprévus ; et un fonctionnement sûr, collaboratif et indépendant de l’environnement, aux côtés des humains.

Fonctionnement du modèle Vision-Force-Action

Selon le billet d’a16z, Eka a développé un modèle Vision-Force-Action qui associe la perception visuelle aux retours de force de ses mains robotiques. L’entreprise conçoit conjointement le modèle, les capteurs, le contrôleur et le matériel afin que le robot puisse exploiter le contact physique lui-même comme source d’information. Le billet décrit les comportements qui en résultent : une prise qui commence à glisser peut être corrigée, le contact avec une surface peut aider à localiser un objet et la résistance rencontrée lors d’une insertion peut modifier le mouvement du robot au lieu de simplement déclencher une erreur. L’objectif annoncé est de maintenir les performances malgré l’évolution des conditions, sans qu’un ingénieur ait à recalibrer le robot pour chaque matériau, objet ou ajustement.

L’annonce fonde cette approche sur la mécanique de la main humaine, qui, selon elle, possède environ deux douzaines de degrés de liberté et des milliers de récepteurs sensoriels spécialisés capables de détecter la pression soutenue et la forme, le toucher léger, les premiers signes de glissement, les vibrations à haute fréquence ainsi que l’étirement de la peau. Comme recréer ce système sensoriel biologique récepteur par récepteur ajouterait une complexité, des coûts, du câblage et des besoins de calcul considérables, en plus de multiplier les points de défaillance potentiels, le billet présente le défi technique ainsi : fournir aux machines suffisamment d’informations physiques et d’intelligence pour obtenir le même résultat au moyen d’un système de détection et d’actionnement bien plus simple.

Apprentissage par simulation physique

Selon l’annonce, Eka entraîne ses politiques de manipulation par apprentissage par renforcement dans des simulations physiques, où des robots virtuels peuvent s’exercer à des millions de variations de position d’objets, de friction et de contact avant qu’une politique ne soit déployée sur un robot réel. Li et Raghuram ont opposé cette approche à l’apprentissage à partir de démonstrations humaines, qui, selon eux, mobilise du temps humain et peine à transmettre des informations utiles sur toutes les façons dont une tâche peut échouer. Ils ont ajouté que, si cette approche fonctionne à grande échelle, l’expérience des robots pourrait dépendre de plus en plus de la puissance de calcul plutôt que du travail humain.

Le billet reconnaît l’obstacle historique à cette approche : la dynamique des contacts est notoirement difficile à modéliser, et de petites erreurs dans la friction, la compliance ou le comportement des actionneurs peuvent transformer une politique efficace en simulation en une politique inutilisable dans le monde réel. Il décrit la réduction de l’écart entre simulation et réalité comme l’un des problèmes les plus difficiles de la robotique et précise que les fondateurs d’Eka ont consacré une grande partie de la dernière décennie à s’y attaquer selon des approches complémentaires.

Performances annoncées et équipe fondatrice

Selon l’annonce, Eka fait état d’un maximum de 1 500 prélèvements par heure dans des tâches d’induction et de prélèvement dans des bacs en laboratoire, soit deux fois et demie plus vite que des humains. Le billet précise que le système sous-jacent a démontré des capacités de manipulation d’objets fragiles, de pièces industrielles glissantes et de tâches d’insertion avec contact important. Il indique que le prochain défi consistera à maintenir ces performances pendant des équipes de production complètes. Si ces capacités se transposent de manière fiable à différentes tâches de production, ont écrit les investisseurs, les fabricants pourraient lancer de nouveaux produits sans reprendre l’apprentissage depuis le début, et des tâches qui ne justifiaient jusque-là jamais un projet d’automatisation dédié pourraient devenir accessibles à l’automatisation.

La publication présente le cofondateur Pulkit Agrawal, du laboratoire Improbable AI Lab de MIT CSAIL, comme l’un des principaux chercheurs en apprentissage robotique et un pionnier de l’apprentissage sensorimoteur computationnel. Ses travaux portent sur l’apprentissage par renforcement, la commande tenant compte des forces, la manipulation dextre et le transfert de politiques de la simulation au monde réel. Le cofondateur Tuomas Haarnoja a créé avec d’autres chercheurs Soft Actor-Critic à Berkeley, que la publication qualifie d’algorithme fondamental de l’apprentissage par renforcement moderne. Il a ensuite travaillé chez Google DeepMind, où il a entraîné des comportements humanoïdes complexes en simulation avant de les déployer sur des machines réelles. Les investisseurs ont écrit que les fondateurs étaient particulièrement bien placés pour combler l’écart entre simulation et réalité et qu’ils avaient montré que cet écart se réduisait.

Eka indique que son équipe au sens large est issue de MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft et Boston Dynamics, et présente ses chercheurs comme des pionniers de l’apprentissage auto-supervisé, de l’apprentissage robotique à grande échelle, des modèles du monde, de l’apprentissage par renforcement et de la robotique passant de la simulation au réel.