Eka Robotics залучила фінансування раунду серії A під проводом Andreessen Horowitz

Andreessen Horowitz очолює раунд фінансування серії A компанії Eka Robotics — стартапу у сфері фізичного ШІ, який розробляє модель Vision-Force-Action для маніпуляцій роботів, — повідомила венчурна фірма в оголошенні 20 жовтня 2026 року. У дописі, автори якого — партнерка Йоко Лі та керівний партнер Рагу Рагурам, описано підхід Eka до вправних маніпуляцій і причини, з яких фірма вирішила підтримати компанію.

Над чим працює Eka Robotics

Лі та Рагурам написали, що значна частина фізичної економіки світу — від виробництва й складання електроніки до логістики та харчового виробництва — досі залежить від людських рук, хоча промислові роботи вже докорінно змінили структуровані виробничі процеси, де пристрої фіксують кожну деталь на місці. Великі категорії фізичної праці й досі складно автоматизувати, бо реальний світ мінливий: деталі рухаються, матеріали деформуються, предмети вислизають, а з’єднувачі не завжди ідеально вирівнюються. Інвестори заявили, що вважають розв’язання проблеми вправних маніпуляцій однією з найбільших можливостей у робототехніці, і зазначили, що в багатьох із цих галузей уже бракує робочої сили.

На своєму вебсайті Eka зазначає, що створює «інтелект для фізичного світу його рідною мовою — силою». Компанія каже, що досі в робототехніці доводилося обирати між універсальністю та продуктивністю, і описує свою модель Vision-Force-Action як основу, що поєднує універсальність, продуктивність і безпеку. Eka виділяє три основи цієї технології: єдину модель, здатну узагальнювати знання про різні предмети, завдання й середовища; швидких і надійних роботів, які пристосовуються до непередбачуваних ситуацій; а також безпечну спільну роботу з людьми незалежно від середовища.

Як працює модель Vision-Force-Action

За даними допису a16z, Eka створила модель Vision-Force-Action, яка поєднує зорове сприйняття із силовим зворотним зв’язком від роботизованих рук. Компанія проєктує модель, сенсори, контролер і апаратне забезпечення як єдину систему, щоб робот міг використовувати фізичний контакт як джерело інформації. У дописі описано поведінку, яку це забезпечує: робот може скоригувати захват, якщо предмет починає вислизати; контакт із поверхнею допомагає визначити розташування предмета; а опір під час вставляння змінює рух робота, а не просто спричиняє помилку. Заявлена мета — зберігати продуктивність за зміни умов, не змушуючи інженера щоразу переналаштовувати робота під конкретний матеріал, предмет або посадку.

В оголошенні цей підхід пояснюють механікою людської руки: за його описом, вона має близько двох десятків ступенів свободи й тисячі спеціалізованих сенсорних рецепторів, які розпізнають тривалий тиск і форму, легкий дотик, перші ознаки ковзання, високочастотну вібрацію та розтягнення шкіри. Оскільки відтворення такої біологічної сенсорної системи рецептор за рецептором додало б величезної складності, витрат, проводки, обчислювального навантаження й потенційних точок відмови, у дописі інженерне завдання сформульовано як надання машинам достатньої кількості фізичної інформації та інтелекту, щоб досягти того самого результату за допомогою значно простішої системи сенсорів і приводів.

Навчання у фізичному симуляторі

Eka навчає політики маніпулювання за допомогою навчання з підкріпленням у фізичному симуляторі. Там віртуальні роботи можуть відпрацьовувати мільйони варіантів розташування предметів, тертя й контакту, перш ніж політика потрапить на фізичне обладнання, йдеться в оголошенні. Лі та Рагурам протиставили цей підхід навчанню на людських демонстраціях, яке, за їхніми словами, забирає час людей і погано передає корисну інформацію про всі способи, у які завдання може піти не так. Вони додали, що якщо цей підхід вдасться застосовувати в масштабі, досвід роботів дедалі більше можна буде нарощувати завдяки обчислювальним ресурсам, а не людській праці.

У дописі визнають, що цьому підходу історично заважала одна проблема: динаміку контактів надзвичайно складно моделювати, а невеликі похибки в терті, податливості або роботі приводів можуть перетворити успішну симуляційну політику на непридатну для реального світу. У ньому перехід від симуляції до реального світу названо однією з найскладніших проблем робототехніки, а також зазначено, що засновники Eka більшу частину останнього десятиліття розв’язували її, рухаючись взаємодоповнювальними шляхами.

Заявлені показники та команда засновників

За даними оголошення, Eka повідомляє про до 1 500 захоплень за годину в лабораторних завданнях з індукційного сортування та відбору предметів із контейнерів — у 2,5 раза швидше, ніж люди. У дописі зазначено, що базова система продемонструвала здатність маніпулювати крихкими предметами, слизькими промисловими деталями та предметами під час вставляння, де важливий контакт; наступним випробуванням має стати збереження цих показників упродовж повних виробничих змін. Інвестори написали, що якщо ці можливості надійно працюватимуть у різних виробничих завданнях, виробники зможуть запускати нові продукти, не починаючи навчання з нуля, а також братися за завдання, для яких раніше не мало сенсу започатковувати окремий проєкт автоматизації.

У дописі співзасновника Pulkit Agrawal з Improbable AI Lab при MIT CSAIL названо одним із провідних дослідників у галузі навчання роботів і піонером обчислювального сенсомоторного навчання. Його робота охоплює навчання з підкріпленням, керування з урахуванням сил, спритне маніпулювання та перенесення політик із симуляції в реальний світ. Співзасновник Tuomas Haarnoja став співавтором алгоритму Soft Actor-Critic у Berkeley, який у дописі названо одним із фундаментальних алгоритмів сучасного навчання з підкріпленням. Згодом він працював у Google DeepMind, де навчав складних моделей поведінки гуманоїдів у симуляції, а потім переносив їх на реальні машини. Інвестори написали, що засновники мають винятково відповідні знання й навички для подолання розриву між симуляцією та реальним світом і вже демонструють, що цей розрив скорочується.

За словами Eka, її ширша команда сформувалася з фахівців із MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft і Boston Dynamics. Компанія називає своїх дослідників піонерами самоконтрольованого навчання, масштабного навчання роботів, моделей світу, навчання з підкріпленням і робототехніки з перенесенням із симуляції в реальність.