a16z 领投 Eka Robotics A 轮融资，押注灵巧操作机器人

人手或许是有史以来在经济上最重要的机器。

世界上大量的实体经济活动——从制造业、电子装配到物流和食品生产——仍然依赖人们用双手来完成。工业机器人已经改变了高度结构化的生产，在这种生产中，夹具将每个零件固定在位，机器人快速而精确地重复同一动作。

但大量类别的体力工作仍然难以自动化，因为现实世界是变化的。零件会移动。材料会变形。物体会滑动。连接器无法完美对齐。

这带来了巨大的经济机遇。如果机器人能够可靠地完成人们每天所做的灵巧任务，自动化就能超越重复性的、经过工程设计的流程，扩展到更大比例的体力工作中。在许多这类行业中，劳动力已经成为制约因素，而一台将人类的多样性与机器的速度、可靠性和正常运行时间结合起来的机器，其价值怎么强调都不为过。

我们相信，解决灵巧操作是机器人领域最大的机遇之一。这也是我们兴奋地领投 Eka Robotics A 轮融资的原因。

智能与物理的交汇

现代 AI 在帮助机器人理解该做什么方面正取得非凡进展。视觉模型能够识别物体并估计其位置。语言模型能够解读指令并对复杂主题进行推理。世界模型越来越能够对场景进行推理并规划动作。

但知道应该发生什么，并不等于在物理上让它发生。

以插入连接器为例。视觉可以告诉机器人插座在哪里。但一旦接触开始，重要的信息就变了。是否有一个边缘卡住了？连接器是否开始卡滞？机器人应该更用力地推、稍微旋转，还是回拉？

人类几乎毫不费力地通过触觉回答这些问题。

人手大约有二十多个自由度，但机械结构只是它非凡之处的一部分。我们的指尖和手掌包含数千个专门的感觉受体。有些检测持续的压力和形状；另一些检测轻触和滑动的最初迹象、高频振动或皮肤的拉伸。结合来自肌肉和关节的本体感觉，它们为大脑提供了关于接触点正在发生什么的极其丰富、连续的图景。

这就是为什么你能拿起一个鸡蛋而不把它捏碎，在玻璃杯刚开始滑动的一瞬间握紧它，或者找到几乎看不见的螺丝螺纹。我们不会预先计算每一个动作。我们持续感知自己行为的后果并进行调整。

但我们无法在机器人手中逐个受体地实际重建这套生物感知系统。数千个专用传感器会带来巨大的复杂性、成本、布线、计算量和潜在故障点。因此，挑战不在于机械地复制人手。而在于为机器提供足够的物理信息——以及智能——以简单得多的传感和驱动系统实现相同的结果。

Eka 构建了一个视觉-力-动作模型，将其视觉感知与机器人手部的力反馈相结合。Eka 没有将模型、传感、控制器和硬件视为独立系统，而是将它们一起设计，使机器人能够将物理接触本身用作信息。

这改变了操作的本质。开始打滑的抓取可以纠正。与表面的接触可以帮助定位物体。插入过程中的阻力可以改变机器人的运动，而不是简单地触发错误。

目标是在条件变化时保持性能，而不需要工程师针对每种材料、物体或配合重新调整机器人。

这种从变化中恢复的能力，正是让机器人从受控自动化迈向通用物理作业的关键。

通过经验学习

Eka 在机器人如何获得物理技能方面也采取了不同的方法。

现代机器人技术大多从人类演示中学习，机器人借此学习在特定情境下如何行动的“策略”。迄今为止，这已带来令人瞩目的进展，我们并不想对此不以为然，但物理演示存在两个固有问题。首先，它们占用人类时间；因此你实际上无法让一个人演示一百万种拿起鸡蛋的细微变化。其次，人类很难演示出拿起鸡蛋时所有可能失败的方式，并以传达有用信息的方式呈现。

Eka 通过物理模拟中的强化学习来训练其操作策略。虚拟机器人可以在策略到达物理硬件之前，练习数百万种物体位置、摩擦和接触的变化。它们可以经历人类很少演示的失败模式，并学习如何从中恢复。

如果这种方法能够大规模奏效，其意义是深远的：机器人经验可以越来越多地随算力而非人力扩展。

历史上的问题在于，模拟并非现实。接触动力学众所周知难以建模。摩擦、柔顺性或执行器行为中的微小误差，都可能让一个成功的模拟策略在现实世界中变得毫无用处。弥合这一“模拟到现实”的差距一直是机器人技术最困难的问题之一。

这也正是 Eka 的创始人们格外适合解决的问题，而且他们一直在证明“现实到模拟”的差距正在缩小：

Pulkit Agrawal 是机器人学习领域的顶尖研究者之一，也是计算感觉运动学习的先驱——本质上，就是机器如何通过经验发展出物理直觉。他的工作涵盖强化学习、力感知控制、灵巧操作，并通过他在 MIT CSAIL 的 Improbable AI Lab 将策略从模拟迁移到现实世界。

Tuomas Haarnoja 在伯克利共同创造了 Soft Actor-Critic，这是现代强化学习的基础算法之一，后来在 Google DeepMind 工作，在模拟中训练复杂的人形行为并将其部署到真实机器上。

过去十年的大部分时间里，他们从互补的方向攻克同一个根本问题：

机器如何通过经验学习复杂的物理行为——并让这种智能在与现实接触后依然存续？

性能改变经济账

归根结底，如果机器人没有生产力，这一切都无关紧要。工业自动化有一个残酷而简单的记分牌：每小时产量、错误率、正常运行时间和单位成本。

Eka 报告称，在实验室的归纳和料箱抓取任务中，其每小时最多可完成 1,500 次抓取，比人类快两倍半。更重要的是，底层系统已展示出对易碎物体、光滑工业零件和接触密集型插入任务的操控能力。能否在完整生产班次中持续保持这一表现，是接下来的考验。

如果这些能力能够可靠地迁移到各类生产任务中，自动化的经济账就会改变。

如今，许多自动化项目只有在任务量足以支撑为约束环境、调校机器人所投入的工程成本时才划算。每新增一种物体、材料或工艺，都可能带来又一个集成项目。

一台能适应这些变化的机器人会改变这一局面。制造商可以推出新产品而无需从头开始学习过程，而那些原本不值得专门做自动化项目的任务也变得可解。

机器人领域的下一个重要前沿，不只是能看见并理解世界的机器，而是能够与之交互、适应它，并以具有经济意义的速度可靠运行的机器。如果灵巧性成为一种通用能力，而不是工程师必须为每项任务辛苦编程的东西，经济上可自动化的工作边界将大幅扩展。

我们相信 Eka 正在构建这种能力。

我们非常激动能够领投 Eka Robotics 的 A 轮融资，并与 Pulkit、Tuomas 以及整个 Eka 团队合作。

立即订阅

本通讯仅供参考，不应作为法律、商业、投资或税务建议的依据。此外，本内容不构成投资建议，也不适用于任何 a16z 基金的投资者或潜在投资者。本通讯可能链接到其他网站，或包含从第三方来源获得的其他信息——a16z 未对此类信息的当前或持续准确性进行独立核实，也不作任何陈述。如果本内容包含第三方广告，a16z 未审查此类广告，也不认可其中的任何广告内容或相关公司。所提及、引用或描述的任何投资或投资组合公司并不代表 a16z 管理的工具中的所有投资；请访问 https://a16z.com/investment-list/ 查看完整投资列表。其他重要信息可在 a16z.com/disclosures 找到。您收到本通讯是因为您此前已选择订阅；如果您希望不再接收未来的通讯，可以立即退订。