Eka Robotics pozyskuje finansowanie serii A pod przewodnictwem Andreessen Horowitz

Andreessen Horowitz przewodzi rundzie finansowania serii A spółki Eka Robotics, startupu z obszaru fizycznej sztucznej inteligencji, który rozwija model Vision-Force-Action do manipulowania przedmiotami przez roboty — poinformowała firma inwestycyjna w komunikacie z 20 października 2026 roku. Wpis, którego autorami są partnerka Yoko Li i partner zarządzający Raghu Raghuram, przedstawia podejście firmy Eka do zręcznej manipulacji robotycznej oraz uzasadnienie, którym kierowała się firma inwestycyjna, decydując się wesprzeć spółkę.

Nad czym pracuje Eka Robotics

Li i Raghuram napisali, że znaczna część światowej gospodarki opartej na pracy fizycznej — od produkcji i montażu elektroniki po logistykę i wytwarzanie żywności — nadal zależy od pracy ludzkich rąk, mimo że roboty przemysłowe zrewolucjonizowały produkcję w ściśle kontrolowanych warunkach, gdzie oprzyrządowanie utrzymuje każdą część na miejscu. Wiele rodzajów pracy fizycznej wciąż trudno zautomatyzować, ponieważ rzeczywisty świat jest zmienny: części się przemieszczają, materiały odkształcają, przedmioty wyślizgują, a złącza nie zawsze idealnie do siebie pasują. Inwestorzy stwierdzili, że ich zdaniem rozwiązanie problemu zręcznej manipulacji robotycznej jest jedną z największych szans w robotyce, i zauważyli, że w wielu z tych branż już teraz ograniczeniem jest dostępność pracowników.

Na swojej stronie internetowej Eka informuje, że tworzy „inteligencję dla świata fizycznego w jego własnym języku: sile”. Firma twierdzi, że dotychczas w robotyce trzeba było wybierać między uniwersalnością a wydajnością, a swój model Vision-Force-Action przedstawia jako fundament łączący uniwersalność, wydajność i bezpieczeństwo. Eka wskazuje trzy filary tej technologii: jeden model, który uogólnia działanie na różne przedmioty, zadania i środowiska; szybkie, niezawodne roboty, które dostosowują się do nieprzewidzianych sytuacji; oraz bezpieczne i oparte na współpracy działanie obok ludzi, niezależnie od środowiska.

Jak działa model Vision-Force-Action

Według wpisu a16z Eka opracowała model Vision-Force-Action, który łączy percepcję wzrokową ze sprzężeniem zwrotnym dotyczącym siły, odbieranym przez robotyczne dłonie. Model, system sensoryczny, układ sterowania i sprzęt projektowane są wspólnie, dzięki czemu robot może wykorzystywać sam kontakt fizyczny jako źródło informacji. Wpis opisuje wynikające z tego zachowania: robot może skorygować chwyt, gdy przedmiot zaczyna się wyślizgiwać; kontakt z powierzchnią może pomóc mu zlokalizować przedmiot; a opór podczas wsuwania może skłonić go do zmiany ruchu, zamiast jedynie wywołać błąd. Celem jest utrzymanie wydajności mimo zmieniających się warunków, bez konieczności ponownego dostrajania robota przez inżyniera dla każdego materiału, przedmiotu czy dopasowania.

W komunikacie to podejście osadzono w kontekście mechaniki ludzkiej dłoni, która — jak podano — ma około dwóch tuzinów stopni swobody i tysiące wyspecjalizowanych receptorów czuciowych wykrywających długotrwały nacisk i kształt, lekki dotyk, pierwsze oznaki poślizgu, drgania o wysokiej częstotliwości oraz rozciąganie skóry. Ponieważ odtworzenie takiego biologicznego systemu czuciowego receptor po receptorze znacznie zwiększyłoby złożoność, koszty, liczbę przewodów, zapotrzebowanie na moc obliczeniową i liczbę potencjalnych punktów awarii, wpis przedstawia wyzwanie inżynieryjne jako zapewnienie maszynom wystarczającej ilości informacji o świecie fizycznym i odpowiedniej inteligencji, by osiągnęły ten sam rezultat za pomocą znacznie prostszego systemu czujników i elementów wykonawczych.

Uczenie w symulacji fizycznej

Eka trenuje strategie manipulacji robotycznej za pomocą uczenia ze wzmocnieniem w symulacji fizycznej, w której wirtualne roboty mogą ćwiczyć miliony wariantów położenia przedmiotów, tarcia i kontaktu, zanim strategia zostanie zastosowana na rzeczywistym sprzęcie — wynika z komunikatu. Li i Raghuram przeciwstawili to podejście uczeniu się na podstawie ludzkich demonstracji, które — jak stwierdzili — pochłania czas ludzi i nie pozwala skutecznie przekazać użytecznych informacji o wszystkich sposobach, w jakie zadanie może się nie powieść. Dodali, że jeśli podejście to sprawdzi się na dużą skalę, doświadczenie robotów będzie można w coraz większym stopniu rozwijać dzięki mocy obliczeniowej, a nie pracy ludzi.

Wpis wskazuje na historyczną przeszkodę utrudniającą stosowanie tego podejścia: dynamikę kontaktu niezwykle trudno modelować, a niewielkie błędy w odwzorowaniu tarcia, podatności lub działania siłowników mogą sprawić, że skuteczna w symulacji strategia okaże się bezużyteczna w rzeczywistym świecie. Autorzy opisują zmniejszenie różnicy między symulacją a rzeczywistością jako jedno z najtrudniejszych wyzwań w robotyce i podają, że założyciele Eka przez większą część ostatniej dekady zajmowali się nim, pracując w uzupełniających się obszarach.

Deklarowana wydajność i zespół założycielski

Eka podaje, że w laboratoryjnych zadaniach sortowania i pobierania przedmiotów z pojemników robot wykonuje do 1500 operacji pobierania na godzinę, czyli dwa i pół raza szybciej niż ludzie — wynika z komunikatu. Wpis stwierdza, że działanie systemu sprawdzono podczas manipulowania delikatnymi przedmiotami i śliskimi częściami przemysłowymi, a także w zadaniach wsuwania elementów wymagających intensywnego kontaktu. Kolejnym sprawdzianem będzie utrzymanie tej wydajności przez całe zmiany produkcyjne. Inwestorzy napisali, że jeśli te możliwości będzie można niezawodnie przenieść na różne zadania produkcyjne, producenci będą mogli wprowadzać nowe produkty bez rozpoczynania procesu uczenia od zera, a automatyzacją będzie można objąć także zadania, dla których dotąd nie opłacało się realizować osobnego projektu.

W poście współzałożyciel Pulkit Agrawal z Improbable AI Lab przy MIT CSAIL został opisany jako jeden z czołowych badaczy zajmujących się uczeniem robotów i pionier obliczeniowego uczenia sensomotorycznego. Jego prace obejmują uczenie przez wzmacnianie, sterowanie uwzględniające siły, zręczną manipulację oraz przenoszenie polityk ze środowiska symulowanego do rzeczywistości. Współzałożyciel Tuomas Haarnoja współtworzył na Berkeley algorytm Soft Actor-Critic, który w poście nazwano jednym z podstawowych algorytmów współczesnego uczenia przez wzmacnianie. Później pracował w Google DeepMind, gdzie trenował w symulacji złożone zachowania humanoidów, a następnie wdrażał je na rzeczywistych maszynach. Inwestorzy napisali, że założyciele są wyjątkowo dobrze przygotowani do niwelowania luki między symulacją a rzeczywistością i pokazują, że ta luka się zmniejsza.

Eka informuje, że członkowie jej szerszego zespołu pochodzą z MIT, Berkeley, Harvardu, CMU, BU, UPenn, DeepMind, Microsoftu i Boston Dynamics. Firma przedstawia swoich badaczy jako pionierów w dziedzinie uczenia samonadzorowanego, uczenia robotów na dużą skalę, modeli świata, uczenia przez wzmacnianie oraz robotyki przenoszącej rozwiązania z symulacji do rzeczywistości.