Eka Robotics säkrar finansiering i en A-runda med Andreessen Horowitz som huvudinvesterare

Andreessen Horowitz leder A-rundan i Eka Robotics, en startup inom fysisk AI som utvecklar en Vision-Force-Action-modell för robotmanipulation, uppgav riskkapitalbolaget i ett tillkännagivande den 20 oktober 2026. Inlägget, som skrevs av partnern Yoko Li och managing partnern Raghu Raghuram, beskriver Ekas tillvägagångssätt för fingerfärdig manipulation och företagets motivering till att satsa på bolaget.

Vad Eka Robotics utvecklar

Li och Raghuram skrev att stora delar av världens fysiska ekonomi, från tillverkning och montering av elektronik till logistik och livsmedelsproduktion, fortfarande är beroende av att människor använder händerna, även om industrirobotar har förändrat produktionen i hög grad strukturerade miljöer där fixturer håller varje del på plats. Stora kategorier av fysiskt arbete är fortfarande svåra att automatisera eftersom verkligheten är föränderlig: delar rör sig, material deformeras, föremål glider och kontaktdon passar inte perfekt. Investerarna sade att de anser att lösningen på utmaningen med fingerfärdig manipulation är en av de största möjligheterna inom robotik, och påpekade att arbetskraft redan är en begränsande faktor i många av dessa branscher.

På sin webbplats skriver Eka att företaget utvecklar ”intelligens för den fysiska världen på dess eget språk: kraft”. Företaget säger att robotik hittills har krävt ett val mellan generell användbarhet och prestanda, och beskriver sin Vision-Force-Action-modell som en grund som förenar generell användbarhet, prestanda och säkerhet. Eka lyfter fram tre grundpelare för tekniken: en enda modell som generaliserar mellan föremål, uppgifter och miljöer; snabba, tillförlitliga robotar som anpassar sig till det oväntade; samt säker, samarbetsinriktad drift som är oberoende av miljön och sker sida vid sida med människor.

Så fungerar Vision-Force-Action-modellen

Enligt inlägget från a16z har Eka byggt en Vision-Force-Action-modell som kombinerar visuell perception med kraftåterkoppling från robotens händer. Företaget utformar modellen, avkänningen, styrsystemet och hårdvaran tillsammans, så att roboten kan använda den fysiska kontakten i sig som information. Inlägget beskriver beteenden som modellen möjliggör: ett grepp som börjar glida kan korrigeras, kontakt med en yta kan hjälpa till att lokalisera ett föremål och motstånd vid införande kan ändra robotens rörelse i stället för att bara utlösa ett fel. Målet är att bibehålla prestandan när förhållandena förändras, utan att en ingenjör behöver finjustera roboten för varje material, föremål eller passform.

Tillkännagivandet förankrar detta tillvägagångssätt i den mänskliga handens mekanik. Där beskrivs handen som utrustad med ungefär två dussin frihetsgrader och tusentals specialiserade känselreceptorer som känner av ihållande tryck och form, lätt beröring, de första tecknen på att något glider, högfrekventa vibrationer och hur huden sträcks. Eftersom det skulle innebära enorm komplexitet, kostnad, kabeldragning och beräkningsbehov samt potentiella felkällor att återskapa ett sådant biologiskt avkänningssystem receptor för receptor, beskriver inlägget den tekniska utmaningen som att ge maskiner tillräckligt med fysisk information och intelligens för att uppnå samma resultat med ett mycket enklare avkännings- och manöversystem.

Inlärning i fysiksimulering

Enligt tillkännagivandet tränar Eka sina manipulationsstrategier med förstärkningsinlärning i fysiksimulering, där virtuella robotar kan öva på miljontals variationer av föremålsposition, friktion och kontakt innan en strategi någonsin används på fysisk hårdvara. Li och Raghuram ställde detta tillvägagångssätt mot inlärning från mänskliga demonstrationer, som enligt dem tar människors tid i anspråk och har svårt att förmedla användbar information om alla sätt en uppgift kan misslyckas på. De tillade att om metoden fungerar i stor skala kan robotarnas erfarenhet i allt högre grad skalas upp med beräkningskapacitet i stället för mänsklig arbetskraft.

Inlägget tar upp det historiska hindret för detta tillvägagångssätt: kontaktdynamik är notoriskt svår att modellera, och små fel i friktion, följsamhet eller ställdonens beteende kan förvandla en framgångsrik simulerad styrstrategi till en oanvändbar strategi i verkligheten. Inlägget beskriver överbryggandet av sim-till-verklighet-gapet som ett av robotikens svåraste problem och säger att Ekas grundare har ägnat en stor del av det senaste decenniet åt att angripa problemet från kompletterande håll.

Rapporterad prestanda och grundarteamet

Enligt tillkännagivandet rapporterar Eka upp till 1 500 plockningar i timmen i laboratorieuppgifter inom induktion och plockning från behållare, vilket är två och en halv gånger snabbare än människor. Inlägget uppger att det underliggande systemet har visat att det kan manipulera ömtåliga föremål, hala industridelar och uppgifter där införande kräver omfattande kontakt. Nästa test är att bibehålla den prestandan under hela produktionsskift. Om förmågorna på ett tillförlitligt sätt kan överföras till olika produktionsuppgifter, skrev investerarna, skulle tillverkare kunna introducera nya produkter utan att börja om inlärningsprocessen från början, och uppgifter som aldrig tidigare motiverat ett särskilt automatiseringsprojekt skulle bli möjliga att hantera.

Medgrundaren Pulkit Agrawal vid Improbable AI Lab på MIT CSAIL beskrivs i artikeln som en av de främsta forskarna inom robotinlärning och en pionjär inom beräkningsbaserad sensomotorisk inlärning. Hans arbete omfattar förstärkningsinlärning, kraftmedveten styrning, fingerfärdig manipulation och överföring av styrstrategier från simulering till verkligheten. Medgrundaren Tuomas Haarnoja var med och utvecklade Soft Actor-Critic vid Berkeley, som artikeln kallar en av de grundläggande algoritmerna inom modern förstärkningsinlärning. Senare arbetade han på Google DeepMind med att träna komplexa humanoida beteenden i simulering och ta dem i bruk på verkliga robotar. Investerarna skrev att grundarna är ovanligt väl lämpade att överbrygga gapet mellan simulering och verklighet och att de har visat att det håller på att minska.

Eka uppger att det bredare teamet kommer från MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft och Boston Dynamics, och beskriver sina forskare som pionjärer inom självövervakad inlärning, robotinlärning i stor skala, världsmodeller, förstärkningsinlärning och robotik med överföring från simulering till verklighet.