Eka Robotics 完成 1.5 亿美元 A 轮融资，估值 14.5 亿美元

TechCrunch：AI· Tim Fernholz·2026-10-20 21:00· 42 分钟前AI 评分63

凭借一款令专家赞叹不已的物理 AI 模型，Eka 估值达到 14.5 亿美元

AI 导读

Eka Robotics 完成 1.5 亿美元 A 轮融资，投后估值 14.5 亿美元，由 a16z 和 F-Prime 领投。

正文 · 原文

尽管投入了数十亿美元，并向深度学习模型输入了无数视频，机器人仍然不太擅长抓取物品。

多亏了 Eka Robotics 构建的一套操作架构，这种情况可能即将改变。该架构包含一个力敏感夹爪和一种新型深度学习模型。这家初创公司由 MIT 教授 Pulkit Agrawal 和前 Google DeepMind 研究员 Tuomas Haarnoja 创立，刚刚完成 1.5 亿美元 A 轮融资，投后估值 14.5 亿美元，由风投基金 a16z 和 F-Prime 领投。

“在某些任务上，它们已经超越了人类的表现，因此我们认为，在未来几个月内，许多灵巧操作任务都将达到超越人类的表现，”共同领投本轮融资的 a16z 普通合伙人 Raghu Raguram 对 TechCrunch 表示。

在这个机器人演示层出不穷的时代，Eka 的能力令资深机器人建造者感到震惊。

伊利诺伊大学厄巴纳-香槟分校教授 Kris Hauser 表示，与他最近看到的其他机器人演示相比，它有着“令人惊叹的效果”。Hauser 说，Eka 机器人“无需重新训练就能适应大量不同的物体”，并补充说它还具有一种“人性，一种令人毛骨悚然的人性——如果第一次失败了，它会一遍又一遍地尝试。”

另一位机器人专家因在一家前沿实验室工作而要求匿名，他对 TechCrunch 表示，看到 Eka 机器人的实际运行是一种情感体验，堪比五到十年前机器人首次实现可靠的腿部运动时的感受。你自己看看吧：

正在加载播放器…

这里有什么值得注意的？机器人移动得多么流畅和迅速。它每小时可以抓取约 1,500 个重量不超过 1 公斤的物体，而人类约为 600 个；Eka 表示，其可靠抓取物体的成功率超过 95%。而且机械臂力量足够大，在如此快速移动时甚至可能伤到自己。据那位前沿实验室观察者称，这表明“他们非常信任自己的算法不会弄坏机器人。我想知道他们一路上弄坏了多少台机器人？”

当那位前沿实验室的机器人专家见到 Eka 的机器人时，他们递给它一颗覆盆子——这显然是该实验室最喜欢的测试物品。“一个又大又重的机器人冲向我的手臂，然后及时减速，非常轻柔地触碰我，这种体验，就在我们说话这会儿，我仍能切身感受到，”他们对 TechCrunch 表示。

如何不压扁覆盆子

这些能力源于基础模型的构建方式。这里采用的不是视觉-语言-动作模型——那种模型被训练来理解语言、视觉输入和动作之间的关系——而是一种视觉-力-动作模型，专注于语言、力输入和动作之间的关系。对当前生成式 AI 机器人模型方向持批评态度的人，如 Rodney Brooks，认为如果不尝试表征力和触觉，这些模型就会失败；Eka 的成果表明，这些批评者说得有道理。

Eka联合创始人阿加瓦尔对TechCrunch表示：“视觉并非解决这最后一毫米问题的主要方式。视觉大致告诉你物体的位置和姿态，但实际的抓取和实际的搜寻是通过力来完成的。”

Eka必须设计一种独特的机械手，它比传统夹爪更灵活，并包含更多力传感器；它能对接触做出反应，因此不会压碎覆盆子。出于明显的竞争原因，创始人们对如何实现这一点讳莫如深，但归根结底是使用物理模拟器来模拟机器人在尝试抓取某物时会遇到的多种力，并利用这一点创建一个可以大规模运行的强化学习环境。他们表示，可以在几分钟内生成数千小时的机器人经验。

豪泽表示：“Eka并非局限于从人类演示等来源收集的数据，而是通过强化学习推进这种方法，使机器人能够超越提供给它的任何演示。真正令人兴奋的是，他们能够不受限于为训练而提供的数据。”

阿加瓦尔和哈诺贾最初在加州大学伯克利分校的研究生院相识，他们都是机器人控制强化学习领域的领军研究者。Eka的关键赌注是，这项技术可以通过模拟大规模实现，而不是依赖零工工作者收集的视频或机器人操作员执行任务数小时的数据。模拟是实现机器人可靠操作的关键，而过去对于需要与物体交互而非避开物体的任务来说，这一壮举已被证明更加困难。

阿加瓦尔认为：“Eka正在弥合通用性与性能之间的差距，这一差距困扰着许多现代机器人技术。”

让通用机器人变得有用

目前，最具泛化能力的物理AI模型——那些能够尝试许多不同任务的模型——在这些任务上并不特别出色。但经过训练在单一任务上能力极强的AI模型可能无法为公司构建商业案例：生成式AI的承诺在于机器人能够快速学习多项任务，甚至是新颖的任务。

当前的方法擅长生产比以前更通用的智能机器人——ChatGPT最新的LLM模型Astra能够在陌生环境中操作机器人并执行任务，但速度慢且成本高。像Eka这样的模型的承诺在于，它处理物理性，而更通用的模型则决定如何解决问题。例如，Astra可能知道盘子从洗碗机取出后要叠放在橱柜里，但Eka的模型能够拿起盘子而不打碎它。

Eka联合创始人哈诺贾表示：“该领域的大部分研究一直专注于规划，所以他们从顶层入手：高层智能，将其向下推向物理层面。而我们则从底层向上思考。”

不过，Eka仍需在该领域证明自己。该公司正在与多家工业客户进行秘密试点，从事拾取放置和线缆操作，但从实验室到生产线的跨越几乎与模拟到现实的差距一样大。

“当他们与集成商在真实装配线上合作时，将会面临一个巨大的挑战，而且它需要整整一年无故障运行，”Hauser 说。另一个悬而未决的问题是“‘这些技术能在多大程度上推广到不同的任务？’我看到的是抓取和放置，但许多具有附加值的工业任务涉及的不仅仅是抓取和放置。”

Agrawal 也专注于可部署性；他表示，目前 Eka 的夹爪硬件——成本低于 1,000 美元——额定可承受 500 万次工作循环，但最终目标是达到标准工业机械臂设定的 2,000 万次循环标准。

“我们正在构建的是如何设计整个工作流程的工程方法，但我们一开始非常务实，说这里有抓取、整理、放置和线缆处理两个垂直领域，让我们把它们做成全垒打，”Agrawal 说。“一旦我们在这些领域打出全垒打，用我们正在开发的方法能做到的事情就没有上限了。”

当您通过我们文章中的链接购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。

来源：TechCrunch：AI · techcrunch.com