Eka Robotics、Andreessen Horowitz主導でシリーズA資金を調達

ベンチャーキャピタルのAndreessen Horowitzは、ロボットによる操作を実現するVision-Force-Actionモデルを開発するフィジカルAIスタートアップ、Eka RoboticsのシリーズAを主導すると、2026年10月20日の発表で明らかにした。パートナーのYoko LiとマネージングパートナーのRaghu Raghuramが執筆した投稿では、器用な操作を実現するEkaのアプローチと、同社を支援する理由が説明されている。

Eka Roboticsが開発しているもの

LiとRaghuramは、製造や電子機器の組み立てから物流、食品生産に至るまで、世界の実体経済の多くが、今なお人の手作業に依存していると記した。一方で、すべての部品が固定具で所定の位置に保持されるような、高度に構造化された生産現場では、産業用ロボットが大きな変革をもたらしてきた。現実世界では状況が一定でないため、多くの種類の物理的作業は依然として自動化が難しい。部品は動き、素材は変形し、物体は滑り、コネクターは正確に位置が合わないことがある。投資家らは、器用な操作の実現はロボット工学における最大級の機会の一つだと考えていると述べ、こうした産業の多くですでに労働力が制約となっていると指摘した。

ウェブサイトでEkaは、「物理世界のための知能を、その固有の言語である『力』によって構築している」と説明している。同社によると、これまでのロボット工学では汎用性と性能のどちらかを選ぶ必要があった。Ekaは、汎用性、性能、安全性を統合する基盤として、Vision-Force-Actionモデルを位置付けている。同社はこの技術を支える柱として、物体、作業、環境を問わず汎化する単一のモデル、予期しない状況に適応する高速で信頼性の高いロボット、そして人と並んで安全に協働でき、環境を問わず稼働することの3つを掲げている。

Vision-Force-Actionモデルの仕組み

a16zの投稿によると、Ekaは視覚認識とロボットハンドからの力覚フィードバックを組み合わせたVision-Force-Actionモデルを開発した。また、ロボットが物理的な接触そのものを情報として利用できるよう、モデル、センシング、制御装置、ハードウェアを一体的に設計している。投稿では、この仕組みによって実現する動作として、滑り始めた把持を修正する、表面との接触を手掛かりに物体の位置を特定する、挿入時の抵抗に応じて単にエラーを出すのではなくロボットの動きを変える、といった例が挙げられている。目標は、素材や物体、嵌合状態が変わるたびにエンジニアがロボットを再調整しなくても、条件の変化に応じて性能を維持することだ。

発表では、このアプローチの基盤として人間の手の仕組みが挙げられている。人間の手にはおよそ24の自由度があり、持続的な圧力や形状、軽い接触、滑り始めの兆候、高周波の振動、皮膚の伸びを検知する、数千個の特化した感覚受容器があるという。こうした生物学的な感覚システムを受容器ごとに再現すれば、複雑さ、コスト、配線、演算負荷、故障につながり得る箇所が大幅に増える。そのため投稿では、はるかに単純なセンシング・駆動システムで同じ結果を実現できるだけの物理情報と知能を、機械に与えることが工学上の課題だと説明している。

物理シミュレーションでの学習

発表によると、Ekaは物理シミュレーションで強化学習を用いて操作方策を訓練している。仮想ロボットは、方策を実機に適用する前に、物体の位置、摩擦、接触のさまざまなパターンを数百万通り試すことができる。LiとRaghuramはこのアプローチを人間の実演から学習する方法と対比し、後者は人の時間を消費するうえ、作業が失敗するあらゆる状況について有用な情報を伝えるのが難しいと述べた。また、このアプローチが大規模に機能すれば、ロボットの経験は人手ではなく、計算資源に応じて拡大していく可能性があると付け加えた。

投稿では、このアプローチが歴史的に直面してきた障壁も認めている。接触の力学はモデル化が極めて難しく、摩擦、弾性、アクチュエーターの挙動にわずかな誤差があるだけで、シミュレーションでは成功した方策が現実世界では役に立たなくなることがある。シミュレーションから実環境への移行に伴う隔たりを埋めることは、ロボット工学における最難関の課題の一つだと説明し、Ekaの創業者たちは過去10年の大半を、それぞれ異なる方向からこの問題に取り組むことに費やしてきたとしている。

報告された性能と創業チーム

発表によると、Ekaは実験室でのインダクション作業およびビンピッキング作業で、1時間当たり最大1,500回のピッキングを達成しており、人間の2.5倍の速さだという。投稿では、基盤となるシステムが、壊れやすい物体、滑りやすい産業部品、接触を伴う挿入作業など、さまざまな対象の操作を実証したと述べている。また、次の課題は、通常の生産シフト全体を通じてその性能を維持することだとしている。こうした能力を生産現場のさまざまな作業に安定して適用できれば、メーカーは学習を一からやり直すことなく新製品を導入でき、専用の自動化プロジェクトを立ち上げる価値がないとされていた作業にも対応できるようになる、と投資家らは記した。

共同創業者のPulkit Agrawalは、MIT CSAILのImprobable AI Labに所属し、投稿ではロボット学習をリードする研究者の一人であり、計算論的感覚運動学習の先駆者として紹介されている。強化学習、力覚を考慮した制御、巧緻な操作、シミュレーションから現実世界への方策の移行など、幅広い分野で研究に取り組んできた。共同創業者のTuomas Haarnojaは、BerkeleyでSoft Actor-Criticを共同開発した。このアルゴリズムは、投稿で現代の強化学習を支える基盤的なアルゴリズムの一つと評されている。その後、Google DeepMindで複雑なヒューマノイドの動作をシミュレーション上で学習させ、実機に展開する業務に携わった。投資家らは、シミュレーションから現実世界へのギャップを埋めるうえで創業者たちは並外れて適任であり、そのギャップが縮小していることを示してきたと述べた。

Ekaによると、同社のより広範なチームはMIT、Berkeley、Harvard、CMU、BU、UPenn、DeepMind、Microsoft、Boston Dynamicsの出身者で構成されている。また、研究者たちは、自己教師あり学習、大規模なロボット学習、世界モデル、強化学習、シミュレーションから現実世界へのロボット技術の移行における先駆者だとしている。