Eka Robotics huy động vốn vòng Series A do Andreessen Horowitz dẫn dắt

Andreessen Horowitz dẫn dắt vòng Series A của Eka Robotics, một công ty khởi nghiệp về AI vật lý đang phát triển mô hình Vision-Force-Action cho thao tác bằng robot, theo thông báo được công bố ngày 20 tháng 10 năm 2026 của quỹ đầu tư mạo hiểm này. Bài viết do Yoko Li, đối tác của quỹ, và Raghu Raghuram, đối tác quản lý, chấp bút, trình bày cách tiếp cận của Eka đối với thao tác khéo léo và lý do quỹ quyết định đầu tư vào công ty.

Eka Robotics đang phát triển công nghệ gì

Li và Raghuram viết rằng phần lớn nền kinh tế vật chất trên thế giới, từ sản xuất và lắp ráp điện tử đến hậu cần và sản xuất thực phẩm, vẫn phụ thuộc vào việc con người dùng đôi tay, dù robot công nghiệp đã làm thay đổi những dây chuyền sản xuất có cấu trúc chặt chẽ, nơi đồ gá giữ mọi bộ phận cố định. Nhiều lĩnh vực lao động chân tay vẫn khó tự động hóa vì thế giới thực luôn biến đổi: các bộ phận dịch chuyển, vật liệu biến dạng, đồ vật trượt và các đầu nối không khớp hoàn toàn. Các nhà đầu tư cho biết họ tin rằng giải quyết bài toán thao tác khéo léo là một trong những cơ hội lớn nhất trong ngành robot, đồng thời lưu ý rằng tình trạng thiếu lao động đã là một trở ngại ở nhiều ngành này.

Trên trang web, Eka cho biết công ty đang xây dựng “trí tuệ cho thế giới vật chất bằng ngôn ngữ bản địa của nó: lực”. Công ty nói rằng cho đến nay, lĩnh vực robot buộc người ta phải lựa chọn giữa tính đa dụng và hiệu suất; đồng thời mô tả mô hình Vision-Force-Action là nền tảng kết hợp tính đa dụng, hiệu suất và độ an toàn. Eka nêu ba trụ cột của công nghệ này: một mô hình có thể khái quát hóa trên nhiều đồ vật, tác vụ và môi trường; robot nhanh, đáng tin cậy, có khả năng thích ứng với những tình huống bất ngờ; và hoạt động an toàn, phối hợp được với con người trong mọi môi trường.

Mô hình Vision-Force-Action hoạt động như thế nào

Theo bài viết của a16z, Eka đã xây dựng mô hình Vision-Force-Action kết hợp khả năng nhận biết hình ảnh với phản hồi lực từ bàn tay robot. Công ty thiết kế đồng bộ mô hình, hệ thống cảm biến, bộ điều khiển và phần cứng để robot có thể tự dùng tiếp xúc vật lý làm thông tin. Bài viết mô tả những hành vi mà cách tiếp cận này tạo ra: robot có thể điều chỉnh khi vật đang được nắm bắt bắt đầu trượt; việc chạm vào một bề mặt có thể giúp xác định vị trí của đồ vật; và lực cản trong lúc lắp ghép có thể khiến robot thay đổi chuyển động thay vì chỉ báo lỗi. Mục tiêu được nêu ra là duy trì hiệu suất khi điều kiện thay đổi mà không cần kỹ sư hiệu chỉnh lại robot cho từng loại vật liệu, đồ vật hay độ khít.

Thông báo giải thích cách tiếp cận này dựa trên cơ chế hoạt động của bàn tay người, vốn có khoảng hai chục bậc tự do và hàng nghìn thụ thể cảm giác chuyên biệt để phát hiện áp lực duy trì và hình dạng, tiếp xúc nhẹ, những dấu hiệu trượt đầu tiên, rung động tần số cao và độ căng của da. Vì việc tái tạo một hệ thống cảm giác sinh học như vậy, thụ thể này đến thụ thể khác, sẽ làm tăng đáng kể độ phức tạp, chi phí, hệ thống dây dẫn, nhu cầu tính toán và các điểm có nguy cơ hỏng hóc, bài viết xác định thách thức kỹ thuật là cung cấp cho máy móc đủ thông tin vật lý và trí tuệ để đạt được kết quả tương tự bằng một hệ thống cảm biến và cơ cấu chấp hành đơn giản hơn nhiều.

Huấn luyện trong môi trường mô phỏng vật lý

Theo thông báo, Eka huấn luyện các chính sách thao tác bằng học tăng cường trong môi trường mô phỏng vật lý, nơi robot ảo có thể thực hành hàng triệu biến thể về vị trí đồ vật, ma sát và tiếp xúc trước khi chính sách được triển khai trên phần cứng thực. Li và Raghuram đối chiếu cách tiếp cận này với việc học từ các thao tác do con người thực hiện, vốn tiêu tốn thời gian của con người và khó truyền đạt hữu ích mọi cách mà một tác vụ có thể thất bại. Họ nói thêm rằng nếu cách tiếp cận này hoạt động hiệu quả ở quy mô lớn, trải nghiệm của robot ngày càng có thể mở rộng theo năng lực tính toán thay vì theo sức lao động của con người.

Bài viết thừa nhận trở ngại lâu nay của cách tiếp cận này: động lực học khi tiếp xúc vốn cực kỳ khó mô hình hóa, và những sai số nhỏ về ma sát, độ đàn hồi hay hoạt động của bộ truyền động có thể biến một chính sách mô phỏng thành công thành thứ vô dụng trong thế giới thực. Bài viết mô tả việc thu hẹp khoảng cách giữa mô phỏng và thực tế là một trong những bài toán khó nhất của ngành robot, đồng thời cho biết các nhà sáng lập Eka đã dành phần lớn thập kỷ qua để giải quyết bài toán đó từ những hướng bổ trợ cho nhau.

Hiệu suất được công bố và đội ngũ sáng lập

Theo thông báo, Eka cho biết robot có thể thực hiện tối đa 1.500 lượt gắp mỗi giờ trong các tác vụ nạp hàng và gắp vật thể từ thùng tại phòng thí nghiệm, nhanh gấp hai lần rưỡi so với con người. Bài viết cho biết hệ thống nền tảng đã chứng minh khả năng thao tác với các vật dễ vỡ, bộ phận công nghiệp trơn trượt và các tác vụ lắp ghép đòi hỏi tiếp xúc liên tục; đồng thời xác định việc duy trì hiệu suất đó trong suốt các ca sản xuất là thử thách tiếp theo. Các nhà đầu tư viết rằng nếu những khả năng này được chuyển giao một cách đáng tin cậy sang các tác vụ sản xuất, nhà sản xuất có thể đưa sản phẩm mới vào sản xuất mà không phải bắt đầu quá trình huấn luyện lại từ đầu, và những tác vụ trước đây không đáng để đầu tư riêng một dự án tự động hóa cũng sẽ trở nên khả thi.

Bài đăng mô tả đồng sáng lập Pulkit Agrawal của Improbable AI Lab tại MIT CSAIL là một trong những nhà nghiên cứu hàng đầu về học robot và là người tiên phong trong lĩnh vực học cảm biến-vận động tính toán, với các nghiên cứu trải rộng từ học tăng cường, điều khiển có xét đến lực, thao tác khéo léo đến việc chuyển các chính sách điều khiển từ mô phỏng sang thế giới thực. Đồng sáng lập Tuomas Haarnoja đã cùng phát triển Soft Actor-Critic tại Berkeley; bài đăng gọi đây là một trong những thuật toán nền tảng của học tăng cường hiện đại. Sau đó, ông làm việc tại Google DeepMind, huấn luyện các hành vi phức tạp cho robot hình người trong mô phỏng rồi triển khai chúng trên máy móc thực tế. Các nhà đầu tư viết rằng những người sáng lập đặc biệt phù hợp để thu hẹp khoảng cách giữa mô phỏng và thực tế, đồng thời đã chứng minh khoảng cách này đang dần thu hẹp.

Eka cho biết đội ngũ rộng hơn của công ty gồm những người đến từ MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft và Boston Dynamics; công ty mô tả các nhà nghiên cứu của mình là những người tiên phong trong lĩnh vực học tự giám sát, học robot quy mô lớn, mô hình thế giới, học tăng cường và robot học mô phỏng-thực tế.