Finanziamenti
Eka Robotics ottiene un finanziamento di serie A guidato da Andreessen Horowitz
Aggiungi Unite.AI alle tue fonti preferite su Google
Andreessen Horowitz guida il finanziamento di serie A di Eka Robotics, startup di IA fisica che sviluppa un modello Vision-Force-Action per la manipolazione robotica, ha dichiarato la società di venture capital in un annuncio del 20 ottobre 2026. Il post, scritto dalla partner Yoko Li e dal managing partner Raghu Raghuram, illustra l’approccio di Eka alla manipolazione dexterosa e le ragioni per cui la società ha deciso di sostenere l’azienda.
Cosa sta sviluppando Eka Robotics
Li e Raghuram hanno scritto che gran parte dell’economia fisica mondiale, dalla produzione manifatturiera e dall’assemblaggio di componenti elettronici alla logistica e alla produzione alimentare, dipende ancora dal lavoro manuale, anche se i robot industriali hanno trasformato la produzione altamente strutturata, in cui ogni componente è tenuto in posizione da appositi supporti. Ampie categorie di attività fisiche restano difficili da automatizzare perché il mondo reale è variabile: i componenti si spostano, i materiali si deformano, gli oggetti scivolano e i connettori non si allineano perfettamente. Gli investitori hanno dichiarato di ritenere che risolvere il problema della manipolazione dexterosa sia una delle maggiori opportunità nel campo della robotica e hanno osservato che la carenza di manodopera è già un vincolo in molti di questi settori.
Sul suo sito web, Eka afferma di sviluppare «intelligenza per il mondo fisico nella sua lingua nativa: la forza». Secondo l’azienda, finora la robotica ha imposto di scegliere tra generalità e prestazioni; il modello Vision-Force-Action è invece presentato come una base che integra generalità, prestazioni e sicurezza. Eka illustra tre pilastri della tecnologia: un unico modello che si generalizza a oggetti, attività e ambienti diversi; robot veloci e affidabili, capaci di adattarsi agli imprevisti; e un funzionamento sicuro e collaborativo, indipendente dall’ambiente e a fianco delle persone.
Come funziona il modello Vision-Force-Action
Secondo il post di a16z, Eka ha sviluppato un modello Vision-Force-Action che combina la percezione visiva con il feedback di forza fornito dalle mani robotiche. Progetta inoltre il modello, i sensori, il controllore e l’hardware come un unico insieme, affinché il robot possa usare il contatto fisico stesso come fonte di informazioni. Il post descrive i comportamenti che ne derivano: se una presa inizia a cedere, il robot può correggerla; il contatto con una superficie può aiutarlo a individuare un oggetto; e la resistenza durante l’inserimento può modificare il movimento del robot, anziché limitarsi a generare un errore. L’obiettivo dichiarato è mantenere le prestazioni al variare delle condizioni senza che un tecnico debba ricalibrare il robot per ogni materiale, oggetto o accoppiamento.
L’annuncio riconduce questo approccio alla meccanica della mano umana, descritta come dotata di circa due dozzine di gradi di libertà e migliaia di recettori sensoriali specializzati, in grado di rilevare la pressione prolungata e la forma, il tocco leggero, i primi segnali di slittamento, le vibrazioni ad alta frequenza e lo stiramento della pelle. Poiché ricostruire un sistema sensoriale biologico di questo tipo, recettore per recettore, comporterebbe un’enorme complessità, costi, cablaggio, capacità di calcolo e potenziali punti di guasto, il post presenta la sfida ingegneristica come la necessità di fornire alle macchine informazioni fisiche e intelligenza sufficienti per ottenere lo stesso risultato con un sistema di rilevamento e attuazione molto più semplice.
Apprendimento nella simulazione fisica
Secondo l’annuncio, Eka addestra le proprie politiche di manipolazione con l’apprendimento per rinforzo in simulazioni fisiche, dove i robot virtuali possono esercitarsi su milioni di variazioni della posizione degli oggetti, dell’attrito e del contatto, prima ancora che una politica venga applicata all’hardware fisico. Li e Raghuram hanno contrapposto questo approccio all’apprendimento da dimostrazioni umane, che, a loro dire, richiede tempo alle persone e fatica a trasmettere informazioni utili su tutti i modi in cui un’attività può fallire. Hanno aggiunto che, se l’approccio funziona su larga scala, l’esperienza dei robot potrà dipendere sempre più dalla capacità di calcolo, anziché dal lavoro umano.
Il post riconosce l’ostacolo storico a questo approccio: la dinamica del contatto è notoriamente difficile da modellare e piccoli errori nell’attrito, nella cedevolezza o nel comportamento degli attuatori possono trasformare una politica simulata efficace in una soluzione inutilizzabile nel mondo reale. Il superamento del divario tra simulazione e realtà viene descritto come uno dei problemi più difficili della robotica; secondo il post, i fondatori di Eka hanno dedicato gran parte dell’ultimo decennio ad affrontarlo da prospettive complementari.
Prestazioni dichiarate e team fondatore
Secondo l’annuncio, Eka dichiara di raggiungere fino a 1.500 prelievi all’ora nelle attività di alimentazione delle linee e di prelievo da contenitori svolte in laboratorio, a una velocità pari a due volte e mezzo quella degli esseri umani. Il post afferma che il sistema alla base ha dimostrato di saper manipolare oggetti fragili, componenti industriali scivolosi e pezzi da inserire in operazioni caratterizzate da un contatto intenso; la prossima prova sarà mantenere queste prestazioni per interi turni di produzione. Se tali capacità si trasferiranno in modo affidabile alle diverse attività produttive, hanno scritto gli investitori, i produttori potranno introdurre nuovi prodotti senza ripartire da zero con l’apprendimento, e sarà possibile automatizzare anche attività che in precedenza non giustificavano un progetto di automazione dedicato.
Nel post, il cofondatore Pulkit Agrawal dell’Improbable AI Lab del MIT CSAIL viene descritto come uno dei principali ricercatori nell’apprendimento robotico e un pioniere dell’apprendimento senso-motorio computazionale, con attività che spaziano dall’apprendimento per rinforzo al controllo sensibile alle forze, dalla manipolazione dexterous al trasferimento delle politiche dalla simulazione al mondo reale. Il cofondatore Tuomas Haarnoja ha creato insieme ad altri Soft Actor-Critic presso Berkeley, un algoritmo che il post definisce uno dei fondamenti dell’apprendimento per rinforzo moderno; in seguito, ha lavorato presso Google DeepMind, addestrando in simulazione comportamenti umanoidi complessi e trasferendoli su macchine reali. Gli investitori hanno scritto che i fondatori sono particolarmente adatti a colmare il divario tra simulazione e realtà e stanno dimostrando che si sta riducendo.
Eka afferma che il suo team più ampio proviene da MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft e Boston Dynamics, e descrive i suoi ricercatori come pionieri dell’apprendimento auto-supervisionato, dell’apprendimento robotico su larga scala, dei modelli del mondo, dell’apprendimento per rinforzo e della robotica con trasferimento dalla simulazione alla realtà.
