Eka Robotics ระดมทุนรอบ Series A โดยมี Andreessen Horowitz เป็นผู้นำ

Andreessen Horowitz เป็นผู้นำการระดมทุนรอบ Series A ให้แก่ Eka Robotics สตาร์ตอัปด้าน AI ทางกายภาพที่พัฒนาโมเดล Vision-Force-Action สำหรับการควบคุมหุ่นยนต์ให้หยิบจับสิ่งของ บริษัทเงินร่วมลงทุนแห่งนี้ระบุในประกาศเมื่อวันที่ 20 ตุลาคม 2026 โพสต์ดังกล่าวเขียนโดย Yoko Li พาร์ตเนอร์ และ Raghu Raghuram กรรมการผู้จัดการ อธิบายแนวทางของ Eka ในการควบคุมการหยิบจับอย่างคล่องแคล่ว และเหตุผลที่บริษัทตัดสินใจลงทุนในกิจการนี้

สิ่งที่ Eka Robotics กำลังพัฒนา

Li และ Raghuram เขียนว่า เศรษฐกิจภาคการผลิตและกิจกรรมทางกายภาพส่วนใหญ่ของโลก ตั้งแต่การผลิตและการประกอบอุปกรณ์อิเล็กทรอนิกส์ ไปจนถึงโลจิสติกส์และการผลิตอาหาร ยังคงพึ่งพาการใช้มือของมนุษย์ แม้หุ่นยนต์อุตสาหกรรมจะพลิกโฉมการผลิตที่มีโครงสร้างชัดเจนสูง ซึ่งอุปกรณ์จับยึดช่วยตรึงชิ้นส่วนทุกชิ้นให้อยู่กับที่แล้วก็ตาม งานทางกายภาพหลายประเภทก็ยังทำให้เป็นระบบอัตโนมัติได้ยาก เพราะโลกจริงมีความแปรผัน ชิ้นส่วนเคลื่อนที่ วัสดุเปลี่ยนรูป วัตถุลื่นหลุด และขั้วต่อไม่ตรงแนวอย่างสมบูรณ์ นักลงทุนกล่าวว่าพวกเขาเชื่อว่าการแก้โจทย์การหยิบจับอย่างคล่องแคล่วเป็นหนึ่งในโอกาสที่ใหญ่ที่สุดของวงการหุ่นยนต์ และชี้ว่าแรงงานเป็นข้อจำกัดของอุตสาหกรรมเหล่านี้หลายแห่งอยู่แล้ว

บนเว็บไซต์ของบริษัท Eka ระบุว่ากำลังสร้าง “ปัญญาประดิษฐ์สำหรับโลกกายภาพด้วยภาษาดั้งเดิมของโลกนั้น นั่นคือแรง” บริษัทกล่าวว่า ที่ผ่านมา การพัฒนาหุ่นยนต์จำเป็นต้องเลือกระหว่างความสามารถในการทำงานได้หลากหลายกับประสิทธิภาพ และอธิบายว่าโมเดล Vision-Force-Action เป็นรากฐานที่ผสานความสามารถในการทำงานได้หลากหลาย ประสิทธิภาพ และความปลอดภัยเข้าด้วยกัน Eka ระบุองค์ประกอบหลักของเทคโนโลยีไว้สามประการ ได้แก่ โมเดลเดียวที่ปรับใช้ได้กับวัตถุ งาน และสภาพแวดล้อมที่หลากหลาย หุ่นยนต์ที่ทำงานได้รวดเร็วและเชื่อถือได้ พร้อมปรับตัวต่อเหตุการณ์ไม่คาดคิด และการทำงานร่วมกับมนุษย์อย่างปลอดภัย โดยไม่ขึ้นกับสภาพแวดล้อม

โมเดล Vision-Force-Action ทำงานอย่างไร

ตามโพสต์ของ a16z Eka พัฒนาโมเดล Vision-Force-Action ที่ผสานการรับรู้ทางสายตาเข้ากับข้อมูลป้อนกลับด้านแรงจากมือหุ่นยนต์ และออกแบบโมเดล ระบบรับรู้ ตัวควบคุม และฮาร์ดแวร์ควบคู่กัน เพื่อให้หุ่นยนต์ใช้การสัมผัสทางกายภาพเป็นข้อมูลได้โดยตรง โพสต์อธิบายพฤติกรรมที่เกิดขึ้นว่า เมื่อเริ่มจับวัตถุไม่อยู่ก็สามารถปรับการจับได้ การสัมผัสพื้นผิวช่วยระบุตำแหน่งวัตถุได้ และแรงต้านระหว่างการสอดใส่สามารถทำให้หุ่นยนต์เปลี่ยนการเคลื่อนไหว แทนที่จะเพียงส่งสัญญาณข้อผิดพลาด เป้าหมายที่ระบุไว้คือรักษาประสิทธิภาพไว้ได้เมื่อเงื่อนไขเปลี่ยนแปลง โดยไม่ต้องให้วิศวกรปรับแต่งหุ่นยนต์ใหม่สำหรับวัสดุ วัตถุ หรือการประกอบแต่ละแบบ

ประกาศอธิบายว่าแนวทางดังกล่าวอิงกับกลไกของมือมนุษย์ ซึ่งมีองศาอิสระราวสองโหลและตัวรับความรู้สึกเฉพาะทางหลายพันตัว ที่ตรวจจับแรงกดและรูปทรงที่คงอยู่อย่างต่อเนื่อง สัมผัสเบา ๆ สัญญาณเริ่มต้นของการลื่น การสั่นสะเทือนความถี่สูง และการยืดของผิวหนัง เนื่องจากการสร้างระบบรับความรู้สึกทางชีวภาพเช่นนี้ขึ้นใหม่โดยจำลองตัวรับทีละตัวจะเพิ่มความซับซ้อน ต้นทุน การเดินสาย ปริมาณการประมวลผล และจุดที่อาจเกิดความล้มเหลวอย่างมหาศาล โพสต์จึงมองว่าโจทย์ทางวิศวกรรมคือการทำให้เครื่องจักรได้รับข้อมูลทางกายภาพและมีปัญญามากพอที่จะบรรลุผลลัพธ์เดียวกัน โดยใช้ระบบรับรู้และสั่งการที่เรียบง่ายกว่ามาก

การเรียนรู้ในแบบจำลองจำลองทางฟิสิกส์

ตามประกาศ Eka ฝึกนโยบายการควบคุมการหยิบจับด้วยการเรียนรู้แบบเสริมกำลังในแบบจำลองจำลองทางฟิสิกส์ ซึ่งหุ่นยนต์เสมือนสามารถฝึกกับตำแหน่งวัตถุ แรงเสียดทาน และการสัมผัสที่แตกต่างกันนับล้านรูปแบบ ก่อนนำนโยบายไปใช้กับฮาร์ดแวร์จริง Li และ Raghuram เปรียบเทียบแนวทางนี้กับการเรียนรู้จากการสาธิตของมนุษย์ โดยกล่าวว่าวิธีดังกล่าวใช้เวลาของมนุษย์ และถ่ายทอดข้อมูลที่เป็นประโยชน์เกี่ยวกับวิธีต่าง ๆ ที่งานหนึ่งอาจล้มเหลวได้ไม่ดีนัก พวกเขาเสริมว่า หากแนวทางนี้ใช้ได้ผลในวงกว้าง ประสบการณ์ของหุ่นยนต์ก็จะขยายตัวตามกำลังประมวลผลมากขึ้นเรื่อย ๆ แทนที่จะต้องพึ่งแรงงานมนุษย์

โพสต์ยอมรับถึงอุปสรรคที่ขัดขวางแนวทางนี้มาในอดีตว่า พลวัตของการสัมผัสขึ้นชื่อว่าสร้างแบบจำลองได้ยากมาก และความคลาดเคลื่อนเพียงเล็กน้อยของแรงเสียดทาน ความยืดหยุ่น หรือการทำงานของตัวขับเคลื่อน ก็อาจทำให้นโยบายที่ใช้ได้ผลในการจำลองกลายเป็นสิ่งไร้ประโยชน์ในโลกจริง โพสต์ระบุว่าการลดช่องว่างระหว่างการจำลองกับโลกจริงเป็นหนึ่งในปัญหาที่ยากที่สุดของวงการหุ่นยนต์ และกล่าวว่าผู้ก่อตั้ง Eka ใช้เวลาส่วนใหญ่ในช่วงเกือบสิบปีที่ผ่านมาแก้ปัญหานี้จากแนวทางที่เกื้อหนุนกัน

ประสิทธิภาพที่รายงานและทีมผู้ก่อตั้ง

ตามประกาศ Eka รายงานว่าสามารถหยิบชิ้นงานได้สูงสุด 1,500 ชิ้นต่อชั่วโมงในงานป้อนชิ้นงานและหยิบชิ้นงานจากถังในห้องปฏิบัติการ ซึ่งเร็วกว่ามนุษย์ 2.5 เท่า โพสต์ระบุว่าระบบพื้นฐานนี้แสดงให้เห็นถึงความสามารถในการหยิบจับวัตถุเปราะบาง ชิ้นส่วนอุตสาหกรรมที่ลื่น และงานสอดใส่ที่ต้องอาศัยการสัมผัสอย่างใกล้ชิด พร้อมชี้ว่าการรักษาประสิทธิภาพดังกล่าวให้ได้ตลอดกะการผลิตเต็มรูปแบบคือบททดสอบขั้นต่อไป นักลงทุนเขียนว่า หากนำความสามารถเหล่านี้ไปใช้กับงานการผลิตต่าง ๆ ได้อย่างน่าเชื่อถือ ผู้ผลิตก็จะสามารถเริ่มผลิตสินค้าใหม่ได้โดยไม่ต้องเริ่มกระบวนการเรียนรู้ใหม่ตั้งแต่ต้น และยังสามารถทำงานที่ไม่เคยคุ้มค่าพอจะลงทุนในโครงการระบบอัตโนมัติโดยเฉพาะได้ด้วย

โพสต์ระบุว่า Pulkit Agrawal ผู้ร่วมก่อตั้ง Improbable AI Lab ที่ MIT CSAIL เป็นหนึ่งในนักวิจัยชั้นนำด้านการเรียนรู้ของหุ่นยนต์ และเป็นผู้บุกเบิกด้านการเรียนรู้การรับสัมผัสและการเคลื่อนไหวเชิงคำนวณ โดยผลงานครอบคลุมการเรียนรู้แบบเสริมกำลัง การควบคุมที่คำนึงถึงแรง การควบคุมการเคลื่อนไหวอย่างละเอียด และการนำชุดคำสั่งควบคุมจากการจำลองไปใช้ในโลกจริง Tuomas Haarnoja ผู้ร่วมก่อตั้งอีกคน ร่วมสร้าง Soft Actor-Critic ที่ Berkeley ซึ่งโพสต์ระบุว่าเป็นหนึ่งในอัลกอริทึมพื้นฐานของการเรียนรู้แบบเสริมกำลังสมัยใหม่ ต่อมาเขาทำงานที่ Google DeepMind เพื่อฝึกพฤติกรรมซับซ้อนของหุ่นยนต์ฮิวแมนนอยด์ในสภาพแวดล้อมจำลอง และนำพฤติกรรมเหล่านั้นไปใช้งานกับหุ่นยนต์จริง นักลงทุนเขียนว่า ผู้ก่อตั้งทั้งสองมีความเหมาะสมเป็นพิเศษในการลดช่องว่างระหว่างการจำลองกับโลกจริง และได้แสดงให้เห็นแล้วว่าช่องว่างดังกล่าวกำลังแคบลง

Eka ระบุว่าทีมงานโดยรวมมีบุคลากรจาก MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft และ Boston Dynamics พร้อมอธิบายนักวิจัยของบริษัทว่าเป็นผู้บุกเบิกด้านการเรียนรู้แบบกำกับตนเอง การเรียนรู้ของหุ่นยนต์ในระดับใหญ่ แบบจำลองโลก การเรียนรู้แบบเสริมกำลัง และหุ่นยนต์ที่เชื่อมโยงการจำลองเข้ากับโลกจริง