Eka Robotics sikrer Serie A-finansiering ledet av Andreessen Horowitz

Andreessen Horowitz leder Serie A-runden i Eka Robotics, en oppstartsbedrift innen fysisk KI som utvikler en Vision-Force-Action-modell for robotmanipulering, opplyste venturekapitalfirmaet i en kunngjøring 20. oktober 2026. Innlegget, skrevet av partner Yoko Li og managing partner Raghu Raghuram, beskriver Ekas tilnærming til fingerferdig manipulering og firmaets begrunnelse for å investere i selskapet.

Dette utvikler Eka Robotics

Li og Raghuram skrev at store deler av verdens fysiske økonomi, fra produksjon og montering av elektronikk til logistikk og matproduksjon, fortsatt er avhengig av at mennesker bruker hendene, selv om industriroboter har revolusjonert svært strukturerte produksjonsprosesser der fiksturer holder alle delene på plass. Store kategorier fysisk arbeid er fortsatt vanskelige å automatisere fordi forholdene i den virkelige verden varierer: Deler beveger seg, materialer deformeres, gjenstander glipper, og kontakter passer ikke perfekt sammen. Investorene sa at de mener det å løse utfordringen med fingerferdig manipulering er en av de største mulighetene innen robotikk, og påpekte at mangel på arbeidskraft allerede er en begrensning i mange av disse bransjene.

På nettstedet sitt sier Eka at selskapet utvikler «intelligens for den fysiske verden på dens eget morsmål: kraft». Selskapet sier at man innen robotikk hittil har måttet velge mellom generalitet og ytelse, og beskriver Vision-Force-Action-modellen som et fundament som forener generalitet, ytelse og sikkerhet. Eka presenterer tre grunnpilarer for teknologien: én modell som generaliserer på tvers av objekter, oppgaver og miljøer; raske, pålitelige roboter som tilpasser seg det uventede; og trygg, samarbeidende drift som fungerer i ulike miljøer side om side med mennesker.

Slik fungerer Vision-Force-Action-modellen

Ifølge innlegget fra a16z har Eka utviklet en Vision-Force-Action-modell som kombinerer visuell persepsjon med krafttilbakemelding fra robotens hender. Modellen, sensorsystemet, styringen og maskinvaren er utformet samlet, slik at roboten kan bruke fysisk kontakt i seg selv som informasjon. Innlegget beskriver hva dette gjør det mulig for roboten å gjøre: Et grep som begynner å glippe, kan korrigeres, kontakt med en overflate kan bidra til å finne et objekt, og motstand under innsetting kan endre robotens bevegelse i stedet for bare å utløse en feil. Målet er å opprettholde ytelsen når forholdene endrer seg, uten at en ingeniør må justere roboten på nytt for hvert materiale, objekt eller hver tilpasning.

Kunngjøringen forankrer denne tilnærmingen i menneskehåndens mekanikk. Hånden beskrives som å ha rundt to dusin frihetsgrader og tusenvis av spesialiserte sansereseptorer som registrerer vedvarende trykk og form, lett berøring, de første tegnene på glidning, høyfrekvente vibrasjoner og hudstrekk. Å gjenskape et slikt biologisk sansesystem reseptor for reseptor ville tilføre svært mye kompleksitet, kostnader, kabling og beregningsbehov, i tillegg til mulige feilkilder. Derfor beskriver innlegget ingeniørutfordringen som å gi maskiner nok fysisk informasjon og intelligens til å oppnå det samme resultatet med et langt enklere sensor- og aktuatorsystem.

Læring i fysikksimulering

Ifølge kunngjøringen trener Eka manipuleringspolicyene sine ved hjelp av forsterkningslæring i fysikksimuleringer. Der kan virtuelle roboter øve på millioner av variasjoner i objektposisjon, friksjon og kontakt før en policy tas i bruk på fysisk maskinvare. Li og Raghuram satte denne tilnærmingen opp mot læring fra menneskelige demonstrasjoner, som de sa tar opp menneskers tid og har vanskelig for å formidle nyttig informasjon om alle måtene en oppgave kan mislykkes på. De la til at dersom tilnærmingen fungerer i stor skala, kan robotenes erfaring i stadig større grad vokse i takt med beregningskraften, snarere enn med menneskelig arbeidskraft.

Innlegget erkjenner den historiske hindringen for denne tilnærmingen: Kontaktdynamikk er notorisk vanskelig å modellere, og små feil i friksjon, ettergivenhet eller aktuatorenes oppførsel kan gjøre en vellykket simulert policy ubrukelig i den virkelige verden. Det beskriver det å lukke gapet mellom simulering og virkelighet som et av robotikkens vanskeligste problemer, og sier at Ekas grunnleggere har brukt store deler av det siste tiåret på å angripe problemet fra hver sin, komplementære retning.

Rapportert ytelse og grunnleggerteamet

Ifølge kunngjøringen rapporterer Eka opptil 1 500 plukk i timen i laboratorieoppgaver med innmating og plukking fra beholdere, noe som er to og en halv ganger raskere enn mennesker. Innlegget opplyser at systemet har demonstrert manipulering av skjøre gjenstander og glatte industrideler, samt innsettingsoppgaver med mye fysisk kontakt. Den neste prøven blir å opprettholde denne ytelsen gjennom hele produksjonsskift. Dersom disse egenskapene overføres pålitelig til ulike produksjonsoppgaver, skrev investorene, kan produsenter introdusere nye produkter uten å måtte starte læringsprosessen fra bunnen av, og oppgaver som det tidligere ikke var verdt å automatisere gjennom et eget prosjekt, kan bli mulige å løse.

Innlegget beskriver medgrunnlegger Pulkit Agrawal ved Improbable AI Lab på MIT CSAIL som en av de ledende forskerne innen robotlæring og en pioner innen beregningsbasert sensorimotorisk læring. Arbeidet hans spenner over forsterkningslæring, kraftsensitiv styring, fingerferdig manipulering og overføring av policyer fra simulering til den virkelige verden. Medgrunnlegger Tuomas Haarnoja var med på å utvikle Soft Actor-Critic ved Berkeley, som innlegget omtaler som en av grunnalgoritmene i moderne forsterkningslæring. Senere arbeidet han ved Google DeepMind med å trene komplekse humanoide bevegelser i simulering og ta dem i bruk på virkelige roboter. Investorene skrev at grunnleggerne er uvanlig godt rustet til å lukke gapet mellom simulering og virkelighet, og at de har vist at det blir mindre.

Eka sier at det bredere teamet kommer fra MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft og Boston Dynamics, og beskriver forskerne sine som pionerer innen selvveiledet læring, robotlæring i stor skala, verdensmodeller, forsterkningslæring og robotikk som overfører ferdigheter fra simulering til virkeligheten.