Eka Robotics привлекает финансирование раунда серии A под руководством Andreessen Horowitz

Andreessen Horowitz возглавляет раунд серии A для Eka Robotics — стартапа в сфере физического ИИ, разрабатывающего модель Vision-Force-Action для манипуляций с объектами роботами, сообщила венчурная компания в объявлении от 20 октября 2026 года. В публикации, написанной партнёром Ёко Ли и управляющим партнёром Рагу Рагурамом, изложены подход Eka к ловким манипуляциям и причины, по которым компания решила поддержать стартап.

Что разрабатывает Eka Robotics

Ли и Рагхурам написали, что значительная часть реального сектора мировой экономики — от производства и сборки электроники до логистики и пищевой промышленности — по-прежнему зависит от ручного труда, хотя промышленные роботы преобразили высокоструктурированные производственные процессы, где приспособления удерживают каждую деталь на месте. Многие виды физической работы по-прежнему сложно автоматизировать из-за изменчивости реального мира: детали смещаются, материалы деформируются, предметы выскальзывают, а соединители не всегда идеально совпадают. Инвесторы заявили, что считают решение задачи ловких манипуляций одной из крупнейших возможностей в робототехнике, и отметили, что во многих из этих отраслей уже ощущается нехватка рабочей силы.

На своём сайте Eka сообщает, что создаёт «интеллект для физического мира на его родном языке — языке силы». Компания отмечает, что до сих пор в робототехнике приходилось выбирать между универсальностью и производительностью, и представляет свою модель Vision-Force-Action как основу, объединяющую универсальность, производительность и безопасность. Eka выделяет три ключевых принципа этой технологии: единую модель, способную обобщать знания о разных объектах, задачах и средах; быстрых и надёжных роботов, адаптирующихся к неожиданностям; а также безопасную совместную работу с людьми в любых условиях.

Как работает модель Vision-Force-Action

Согласно публикации a16z, Eka создала модель Vision-Force-Action, объединяющую визуальное восприятие с обратной связью о силе от роботизированных рук. Компания разрабатывает модель, сенсоры, контроллер и аппаратную часть как единую систему, чтобы робот мог использовать сам физический контакт как источник информации. В публикации описаны следующие возможности: робот может скорректировать захват, если предмет начинает выскальзывать; контакт с поверхностью помогает ему определить положение предмета; сопротивление при вставке детали может изменить движение робота, а не просто вызвать ошибку. Заявленная цель — сохранять производительность при изменении условий, не заставляя инженера заново настраивать робота для каждого материала, предмета или соединения.

В объявлении этот подход объясняется устройством человеческой руки: по оценке авторов, у неё около двух десятков степеней свободы и тысячи специализированных сенсорных рецепторов, которые распознают длительное давление и форму, лёгкое прикосновение, первые признаки скольжения, высокочастотную вибрацию и растяжение кожи. Воссоздание такой биологической сенсорной системы рецептор за рецептором потребовало бы огромных затрат, усложнило бы конструкцию, увеличило количество проводов и вычислительную нагрузку, а также создало бы дополнительные потенциальные точки отказа. Поэтому в публикации инженерная задача формулируется так: обеспечить машины достаточной информацией о физических взаимодействиях и достаточным интеллектом, чтобы они могли достигать того же результата с гораздо более простой системой сенсоров и приводов.

Обучение в физической симуляции

Согласно объявлению, Eka обучает стратегии манипуляций с помощью обучения с подкреплением в физической симуляции. Там виртуальные роботы могут отрабатывать миллионы вариантов положения предметов, трения и контакта, прежде чем стратегию впервые загрузят на реального робота. Ли и Рагхурам противопоставили этот подход обучению на примерах действий человека: по их словам, такой способ требует времени людей и не позволяет эффективно передать полезную информацию обо всех возможных причинах неудачи при выполнении задачи. Они добавили, что, если этот подход удастся масштабировать, объём опыта роботов будет всё больше зависеть от вычислительных ресурсов, а не от человеческого труда.

В публикации признаётся, что этому подходу мешало давнее препятствие: динамику контакта крайне сложно моделировать, а небольшие ошибки в оценке трения, податливости или поведения приводов могут превратить успешную симулированную стратегию в бесполезную в реальном мире. Авторы называют устранение разрыва между симуляцией и реальным миром одной из сложнейших задач робототехники и отмечают, что основатели Eka большую часть последнего десятилетия решали её, работая с разных сторон.

Заявленные показатели и команда основателей

Согласно объявлению, Eka сообщает о производительности до 1 500 операций захвата в час в лабораторных задачах по индукционной подаче и подбору предметов из контейнеров — в два с половиной раза быстрее, чем у людей. В публикации говорится, что базовая система продемонстрировала способность манипулировать хрупкими предметами и скользкими промышленными деталями, а также выполнять задачи по вставке деталей, требующие постоянного контакта; следующим испытанием станет сохранение этой производительности на протяжении полных производственных смен. Инвесторы написали, что если эти возможности надёжно перенести на различные производственные задачи, производители смогут запускать выпуск новых продуктов, не начиная обучение с нуля, а автоматизировать станет возможно и те задачи, для которых прежде не имело смысла создавать отдельный проект автоматизации.

Сооснователь Pulkit Agrawal из лаборатории Improbable AI Lab при MIT CSAIL, как говорится в публикации, — один из ведущих исследователей в области обучения роботов и пионер вычислительного сенсомоторного обучения. Его работа охватывает обучение с подкреплением, управление с учетом сил, искусные манипуляции и перенос управляющих политик из симуляции в реальный мир. Сооснователь Tuomas Haarnoja был одним из создателей Soft Actor-Critic в Berkeley — этот алгоритм в публикации назван одним из основополагающих в современном обучении с подкреплением. Позднее он работал в Google DeepMind, обучая человекоподобных роботов сложному поведению в симуляции и внедряя его на реальных машинах. Инвесторы написали, что основатели необычайно хорошо подходят для преодоления разрыва между симуляцией и реальным миром и уже демонстрируют, что этот разрыв сокращается.

По словам Eka, в более широкой команде компании представлены специалисты из MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft и Boston Dynamics. Исследователей компании Eka называет пионерами самообучения, масштабного обучения роботов, моделей мира, обучения с подкреплением и робототехники с переносом навыков из симуляции в реальный мир.