Eka Robotics Mendapatkan Pendanaan Seri A yang Dipimpin Andreessen Horowitz

Andreessen Horowitz memimpin putaran pendanaan Seri A untuk Eka Robotics, perusahaan rintisan AI fisik yang mengembangkan model Vision-Force-Action untuk manipulasi robot, demikian disampaikan firma modal ventura tersebut dalam pengumuman pada 20 Oktober 2026. Tulisan yang dibuat oleh mitra Yoko Li dan mitra pengelola Raghu Raghuram itu memaparkan pendekatan Eka terhadap manipulasi cekatan serta alasan firma tersebut mendukung perusahaan ini.

Apa yang Dikembangkan Eka Robotics

Li dan Raghuram menulis bahwa sebagian besar ekonomi fisik dunia, mulai dari manufaktur dan perakitan elektronik hingga logistik dan produksi pangan, masih bergantung pada manusia yang menggunakan tangan mereka. Hal ini terjadi meskipun robot industri telah mengubah produksi yang sangat terstruktur, tempat setiap komponen ditahan pada posisinya. Banyak jenis pekerjaan fisik masih sulit diotomatisasi karena kondisi dunia nyata berubah-ubah: komponen bergerak, material berubah bentuk, benda tergelincir, dan konektor tidak selalu sejajar sempurna. Para investor mengatakan bahwa mereka yakin kemampuan melakukan manipulasi cekatan merupakan salah satu peluang terbesar dalam robotika. Mereka juga mencatat bahwa tenaga kerja sudah menjadi kendala di banyak industri tersebut.

Di situs web-nya, Eka menyatakan bahwa perusahaan itu tengah membangun “kecerdasan untuk dunia fisik dalam bahasa aslinya: gaya.” Perusahaan tersebut mengatakan bahwa hingga kini, pengembangan robotika mengharuskan orang memilih antara kemampuan umum dan kinerja, serta menggambarkan model Vision-Force-Action sebagai landasan yang menyatukan kemampuan umum, kinerja, dan keselamatan. Eka menyebutkan tiga pilar teknologinya: satu model yang dapat diterapkan secara luas pada berbagai objek, tugas, dan lingkungan; robot yang cepat dan andal serta mampu beradaptasi dengan hal-hal tak terduga; dan pengoperasian yang aman, kolaboratif, serta tidak bergantung pada jenis lingkungan, berdampingan dengan manusia.

Cara Kerja Model Vision-Force-Action

Menurut tulisan a16z, Eka telah membangun model Vision-Force-Action yang memadukan persepsi visual dengan umpan balik gaya dari tangan robotnya. Eka merancang model, sistem pengindraan, pengendali, dan perangkat keras secara terpadu agar robot dapat memanfaatkan kontak fisik itu sendiri sebagai informasi. Tulisan tersebut menjelaskan perilaku yang dihasilkan: genggaman yang mulai tergelincir dapat dikoreksi, kontak dengan permukaan dapat membantu menemukan posisi objek, dan hambatan saat memasukkan benda dapat mengubah gerakan robot, alih-alih sekadar memicu kesalahan. Tujuannya adalah mempertahankan kinerja saat kondisi berubah tanpa mengharuskan teknisi menyetel ulang robot untuk setiap jenis material, objek, atau kecocokan.

Pengumuman tersebut mendasarkan pendekatan itu pada mekanika tangan manusia, yang disebut memiliki sekitar dua lusin derajat kebebasan dan ribuan reseptor sensorik khusus untuk mendeteksi tekanan dan bentuk yang bertahan, sentuhan ringan, tanda-tanda awal benda tergelincir, getaran berfrekuensi tinggi, serta peregangan kulit. Karena membangun ulang sistem sensor biologis semacam itu, reseptor demi reseptor, akan menambah kerumitan, biaya, kabel, kebutuhan komputasi, dan potensi titik kegagalan dalam jumlah besar, tulisan tersebut menggambarkan tantangan rekayasanya sebagai upaya memberi mesin informasi fisik dan kecerdasan yang memadai untuk mencapai hasil serupa dengan sistem pengindraan dan penggerak yang jauh lebih sederhana.

Pembelajaran dalam Simulasi Fisika

Menurut pengumuman tersebut, Eka melatih kebijakan manipulasinya melalui pembelajaran penguatan dalam simulasi fisika. Di sana, robot virtual dapat berlatih menghadapi jutaan variasi posisi objek, gesekan, dan kontak sebelum suatu kebijakan diterapkan pada perangkat keras fisik. Li dan Raghuram membandingkan pendekatan itu dengan pembelajaran dari demonstrasi manusia, yang menurut mereka menyita waktu manusia dan sulit menyampaikan informasi berguna tentang berbagai cara suatu tugas dapat gagal. Mereka menambahkan bahwa jika pendekatan ini berhasil diterapkan dalam skala besar, pengalaman robot dapat semakin ditingkatkan seiring bertambahnya daya komputasi, alih-alih bergantung pada tenaga manusia.

Tulisan tersebut mengakui kendala historis pendekatan itu: dinamika kontak terkenal sulit dimodelkan, dan kesalahan kecil dalam gesekan, kelenturan, atau perilaku aktuator dapat mengubah kebijakan yang berhasil dalam simulasi menjadi kebijakan yang tidak berguna di dunia nyata. Tulisan itu menyebut menjembatani kesenjangan simulasi ke dunia nyata sebagai salah satu masalah tersulit dalam robotika, serta mengatakan bahwa para pendiri Eka telah menghabiskan sebagian besar dekade terakhir untuk menangani masalah tersebut dari arah yang saling melengkapi.

Kinerja yang Dilaporkan dan Tim Pendiri

Menurut pengumuman tersebut, Eka melaporkan hingga 1.500 pengambilan per jam dalam tugas pengumpanan dan pengambilan benda dari wadah di laboratorium, dengan kecepatan dua setengah kali lebih tinggi daripada manusia. Tulisan itu menyatakan bahwa sistem yang mendasarinya telah menunjukkan kemampuan manipulasi pada benda rapuh, komponen industri yang licin, dan tugas penyisipan yang melibatkan banyak kontak. Tulisan tersebut menyebut kemampuan mempertahankan kinerja itu selama giliran produksi penuh sebagai ujian berikutnya. Jika kemampuan tersebut dapat diterapkan secara andal pada berbagai tugas produksi, tulis para investor, produsen dapat memperkenalkan produk baru tanpa harus memulai proses pembelajaran dari awal, dan tugas-tugas yang sebelumnya tidak layak dijadikan proyek otomasi khusus akan dapat ditangani.

Dalam unggahan tersebut, salah satu pendiri, Pulkit Agrawal dari Improbable AI Lab di MIT CSAIL, disebut sebagai salah satu peneliti terkemuka di bidang pembelajaran robot dan pelopor pembelajaran sensorimotor komputasional. Karyanya mencakup pembelajaran penguatan, kendali yang peka terhadap gaya, manipulasi terampil, serta penerapan kebijakan dari simulasi ke dunia nyata. Salah satu pendiri lainnya, Tuomas Haarnoja, turut menciptakan Soft Actor-Critic di Berkeley, yang dalam unggahan itu disebut sebagai salah satu algoritma dasar dalam pembelajaran penguatan modern. Ia kemudian bekerja di Google DeepMind untuk melatih perilaku humanoid yang kompleks dalam simulasi dan menerapkannya pada mesin sungguhan. Para investor menulis bahwa kedua pendiri ini memiliki kualifikasi yang luar biasa untuk menjembatani kesenjangan antara simulasi dan dunia nyata, dan mereka telah menunjukkan bahwa kesenjangan itu semakin menyempit.

Eka menyatakan bahwa timnya yang lebih luas terdiri atas orang-orang dari MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft, dan Boston Dynamics. Eka menggambarkan para penelitinya sebagai pelopor pembelajaran mandiri, pembelajaran robot skala besar, model dunia, pembelajaran penguatan, dan robotika dari simulasi ke dunia nyata.