Eka Robotics obține o finanțare de seria A, condusă de Andreessen Horowitz

Andreessen Horowitz conduce runda de finanțare de seria A pentru Eka Robotics, un startup din domeniul inteligenței artificiale aplicate lumii fizice, care dezvoltă un model Vision-Force-Action pentru manipularea robotică, a anunțat firma de investiții într-un comunicat din 20 octombrie 2026. Postarea, semnată de partenera Yoko Li și de managing partnerul Raghu Raghuram, prezintă abordarea Eka în privința manipulării îndemânatice și motivele pentru care firma a decis să investească în companie.

Ce dezvoltă Eka Robotics

Li și Raghuram au scris că o mare parte din economia fizică a lumii, de la producție și asamblarea componentelor electronice până la logistică și producția alimentară, depinde în continuare de oameni care își folosesc mâinile, chiar dacă roboții industriali au transformat producția foarte bine structurată, în care dispozitivele de fixare mențin fiecare piesă în poziție. Numeroase categorii de activități fizice rămân greu de automatizat, deoarece lumea reală este imprevizibilă: piesele se mișcă, materialele se deformează, obiectele alunecă, iar conectorii nu se aliniază perfect. Investitorii au spus că sunt de părere că rezolvarea problemei manipulării îndemânatice reprezintă una dintre cele mai mari oportunități din robotică și au remarcat că lipsa forței de muncă este deja o constrângere în multe dintre aceste industrii.

Pe site-ul său, Eka spune că dezvoltă „inteligență pentru lumea fizică în limbajul ei nativ: forța”. Compania afirmă că, până acum, robotica a impus alegerea între generalitate și performanță și prezintă modelul său Vision-Force-Action drept o bază care le reunește pe amândouă, alături de siguranță. Eka descrie trei piloni ai tehnologiei: un singur model care se generalizează la nivelul obiectelor, sarcinilor și mediilor; roboți rapizi și fiabili, care se adaptează la situații neașteptate; și o funcționare sigură, colaborativă și independentă de mediu, alături de oameni.

Cum funcționează modelul Vision-Force-Action

Potrivit postării a16z, Eka a construit un model Vision-Force-Action care combină percepția vizuală cu feedbackul de forță primit de la mâinile robotice. Compania concepe împreună modelul, sistemul de percepție, controlerul și componentele hardware, astfel încât robotul să poată folosi contactul fizic în sine ca sursă de informații. Postarea descrie comportamentele rezultate: o prindere care începe să alunece poate fi corectată, contactul cu o suprafață poate ajuta la localizarea unui obiect, iar rezistența întâmpinată la introducerea unui obiect poate determina robotul să-și schimbe mișcarea, în loc să declanșeze pur și simplu o eroare. Scopul declarat este menținerea performanței pe măsură ce condițiile se schimbă, fără ca un inginer să fie nevoit să reajusteze robotul pentru fiecare material, obiect sau îmbinare.

Comunicatul fundamentează această abordare în mecanica mâinii umane, despre care spune că are aproximativ două duzini de grade de libertate și mii de receptori senzoriali specializați, capabili să detecteze presiunea susținută și forma, atingerea ușoară, primele semne de alunecare, vibrațiile de înaltă frecvență și întinderea pielii. Întrucât reproducerea unui asemenea sistem biologic de percepție, receptor cu receptor, ar adăuga un nivel enorm de complexitate, costuri, cablaje, putere de calcul și posibile puncte de defecțiune, postarea prezintă provocarea inginerească drept găsirea unei modalități de a le oferi mașinilor suficiente informații fizice și inteligență pentru a obține același rezultat cu un sistem de percepție și acționare mult mai simplu.

Învățarea prin simulare fizică

Eka își antrenează strategiile de manipulare prin învățare prin întărire în simulări fizice, în care roboții virtuali pot exersa milioane de variații ale poziției obiectelor, frecării și contactului înainte ca o strategie să fie aplicată pe un robot real, potrivit comunicatului. Li și Raghuram au comparat această abordare cu învățarea din demonstrații umane, despre care au spus că necesită timp din partea oamenilor și transmite cu dificultate informații utile despre toate modurile în care o sarcină poate eșua. Ei au adăugat că, dacă abordarea funcționează la scară largă, experiența roboților poate crește tot mai mult odată cu puterea de calcul, nu cu forța de muncă umană.

Postarea recunoaște obstacolul istoric al acestei abordări: dinamica contactului este extrem de dificil de modelat, iar mici erori privind frecarea, complianța sau comportamentul actuatoarelor pot transforma o strategie simulată cu succes într-una inutilă în lumea reală. Postarea descrie eliminarea decalajului dintre simulare și realitate drept una dintre cele mai dificile probleme din robotică și afirmă că fondatorii Eka și-au petrecut o mare parte din ultimul deceniu abordând problema din direcții complementare.

Performanța raportată și echipa fondatoare

Potrivit comunicatului, Eka raportează până la 1.500 de preluări pe oră în sarcini de alimentare și de preluare a obiectelor din containere, desfășurate în laborator, de două ori și jumătate mai rapid decât oamenii. Postarea afirmă că sistemul de bază a demonstrat capacități de manipulare a unor obiecte fragile, a unor piese industriale alunecoase și în sarcini de inserare care implică un contact intens, și identifică menținerea acestei performanțe pe durata unor ture complete de producție drept următorul test. Dacă aceste capacități se transferă în mod fiabil la diverse sarcini de producție, au scris investitorii, producătorii ar putea introduce produse noi fără să reia procesul de învățare de la zero, iar sarcinile pentru care nu merita niciodată inițiat un proiect dedicat de automatizare ar putea deveni realizabile.

Articolul îl descrie pe cofondatorul Pulkit Agrawal, de la Improbable AI Lab din cadrul MIT CSAIL, drept unul dintre cei mai importanți cercetători în domeniul învățării pentru roboți și un pionier al învățării senzorimotorii computaționale. Activitatea sa acoperă învățarea prin întărire, controlul care ține cont de forțe, manipularea dexteră și transferul politicilor din simulare în lumea reală. Cofondatorul Tuomas Haarnoja a creat împreună cu alții Soft Actor-Critic la Berkeley, algoritm pe care articolul îl numește unul dintre algoritmii fundamentali ai învățării prin întărire moderne, iar ulterior a lucrat la Google DeepMind, unde a antrenat în simulare comportamente complexe pentru roboți umanoizi și le-a implementat pe roboți reali. Investitorii au scris că fondatorii sunt deosebit de bine pregătiți să reducă decalajul dintre simulare și realitate și au demonstrat că acesta se micșorează.

Eka spune că echipa sa extinsă provine de la MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft și Boston Dynamics și îi descrie pe cercetătorii săi drept pionieri în domeniul învățării autosupravegheate, al învățării pentru roboți la scară largă, al modelelor lumii, al învățării prin întărire și al roboticii care transferă capacități din simulare în lumea reală.