a16z 领投 Eka Robotics A 轮融资，押注视觉-力-动作模型解决灵巧操作

a16z：News· Yoko Li·2026-10-20 21:05· 2 小时前AI 评分46

投资 Eka Robotics

AI 导读

a16z 领投 Eka Robotics 的 A 轮融资，押注其用视觉-力-动作模型解决机器人灵巧操作难题。Eka 将视觉感知与机械手力反馈结合，把接触本身当作信息，而非逐个复刻人类手部数千个感受器。其操作策略通过物理仿真中的强化学习训练，让机器人经验随算力而非人力扩展。

正文 · 原文

人手或许是有史以来最具经济价值的机器。

全球实体经济的很大一部分——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完成。工业机器人已经改变了高度结构化的生产：夹具将每个零件固定到位，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。物体会滑落。连接器无法完美对齐。

这创造了巨大的经济机遇。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、工程化的流程，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，而一台兼具人类灵活性与机器速度、可靠性和正常运行时间的机器，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。

智能与物理相遇

现代 AI 在帮助机器人理解该做什么方面正取得非凡进展。视觉模型可以识别物体并估计其位置。语言模型可以解读指令并推理复杂话题。世界模型越来越能够推理场景并规划动作。

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，重要信息就变了。是一个边缘卡住了吗？连接器开始卡滞了吗？机器人应该更用力推、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鸡蛋而不捏碎它，在玻璃杯刚开始滑动时瞬间握紧，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做出调整。

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，而在于赋予机器足够的物理信息——以及智能——使其能用简单得多的感知与驱动系统实现同样的结果。

Eka 构建了一个视觉-力-动作模型，将视觉感知与机器人手部的力反馈相结合。Eka 并不将模型、感知、控制器和硬件视为相互独立的系统，而是将它们协同设计，使机器人能够将物理接触本身作为信息来利用。

这改变了操作的本质。开始滑脱的抓取可以被纠正。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，而无需工程师针对每种材料、物体或配合为机器人重新调参。

这种从变化中恢复的能力，正是推动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 在机器人如何习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，机器人借此学习在给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，我们对此深表认可，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人演示一百万种抓取鸡蛋的细微变化。其次，人类很难演示出抓取鸡蛋时所有失败的方式，并以能传达有用信息的方式呈现。

Eka 通过物理仿真中的强化学习来训练其操作策略。虚拟机器人可以在策略部署到物理硬件之前，练习物体位置、摩擦和接触的数百万种变化。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。

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

历史上的难题在于仿真并非现实。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，就可能让一个成功的仿真策略在现实世界中变得毫无用处。弥合这一“仿真到现实”的差距一直是机器人学最困难的问题之一。

这也正是 Eka 创始人们格外适合解决的问题，而且他们一直在证明“现实到仿真”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——本质上研究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 将策略从仿真迁移到现实世界。

Tuomas Haarnoja 在伯克利共同创造了 Soft Actor-Critic，这是现代强化学习中的基础算法之一，后来他在 Google DeepMind 工作，在仿真中训练复杂的人形机器人行为，并将其部署到真实机器上。

在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。工业自动化的记分牌残酷而简单：每小时产量、错误率、正常运行时间和单位成本。

Eka 报告称，在实验室分拣和料箱拣选任务中，其系统每小时可完成多达 1,500 次拣选，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。在完整生产班次中持续保持这一性能是下一个考验。

如果这些能力能够可靠地迁移到生产任务中，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证明为约束环境和调校机器人所需的工程投入合理时才有意义。每一个新物体、新材料或新工艺都可能带来另一个集成项目。

一台能适应这些变化的机器人改变了这一等式。制造商可以推出新产品而无需从头开始学习过程，而那些从不值得专门开展自动化项目的任务也变得可解。

机器人技术的下一个重大前沿不仅仅是能看见和理解世界的机器。而是能够与世界交互、适应世界，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 未独立核实此类信息，也不对其当前或持续的准确性作出任何陈述。如果本内容包含第三方广告，a16z 未审查此类广告，也不认可其中包含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；如果您希望退出未来的通讯，可以立即取消订阅。

来源：a16z：News · a16z.news