a16z 领投 Eka Robotics A 轮融资

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——仍然依赖于人们用双手来完成。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。

这创造了一个巨大的经济机遇。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，其价值难以估量。

我们相信，解决灵巧操作问题是机器人领域最大的机遇之一。这也是我们很兴奋领投 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，重要信息就发生了变化。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增加巨大的复杂性、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——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 Vision-Force-Action 模型，将视觉感知与其机械手的力反馈相结合。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。一个开始打滑的抓取可以被纠正。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，正是能让机器人技术从受控自动化迈向通用物理工作的关键。

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，即机器人学习其在给定情境下如何行动的“策略”。迄今为止，这已经带来了令人瞩目的进展，我们并不想对此不以为然，但物理演示有两个固有的问题。第一，它们占用人类的时间；因此，你实际上无法让一个人演示一百万种略有不同的捡鸡蛋方式。第二，人类很难演示出捡鸡蛋时所有可能失败的方式，并以一种能传达有用信息的方式呈现出来。

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真正部署到物理硬件之前，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：机器人的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，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，都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，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，这是现代强化学习的基础算法之一，后来在 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，如果机器人不能带来生产力，这一切都无关紧要。工业自动化的记分牌残酷而简单：每小时产出单位数、错误率、正常运行时间和单位成本。

Eka 报告称，在实验室感应和料箱拣选任务中，其每小时拣选次数最高可达 1,500 次，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种性能，是下一个考验。

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证明为约束环境和调校机器人所投入的工程成本合理时才有意义。每增加一个新物体、新材料或新工艺，都可能带来另一个集成项目。

能够适应这些变化的机器人将改变这一局面。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开展自动化项目的任务也变得可以处理。

机器人技术的下一个重大前沿，不仅仅是能够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煞费苦心地编程实现的东西，那么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。

是 Andreessen Horowitz 的合伙人，专注于开发者工具、基础设施、AI 和创意工具。

X

Linkedin

是 Andreessen Horowitz 的管理合伙人，同时也是 Growth 和 Infrastructure 投资团队的普通合伙人。

X

Linkedin

扩展 a16z Growth Fund 和 Platform David George 和 Raghu Raghuram

想要更多 a16z Infra 内容？

分析和新闻，涵盖重塑 AI 和基础设施的最新趋势。了解更多

Infra

投资 TypeSafe AI

Infra

投资 Preference Model

Jennifer Li

Bio + Health

投资 General Medicine

Infra

投资 Preference Model

Jennifer Li

Bio + Health

投资 General Medicine

Crypto

投资 Underdog 的创造者 Conway

Infra

投资 doxxnet

Joel de la Garza 和 Martin Casado

Infra

投资 Preference Model

Jennifer Li

Bio + Health

投资 General Medicine

Crypto

投资 Underdog 的创造者 Conway

Infra

投资 doxxnet

Joel de la Garza 和 Martin Casado

Growth

投资 Armadin

David George 和 Stephenie Zhang

General

孵化 The Horowitz Andreessen Academy

Olivia Moore 和 Justine Moore

Growth

投资 Gimlet

Infra

投资 Vals

a16z 专家新闻

“帖子”（包括播客、视频和社交媒体）中表达的观点仅代表其中引用的 a16z 个人人员的观点，不代表 a16z Capital Management, L.L.C.（“a16z”）或其各自关联方的观点。a16z Capital Management 是一家在证券交易委员会注册的投资顾问。注册为投资顾问并不意味着具备任何特殊技能或培训。这些帖子不面向任何投资者或潜在投资者，也不构成出售任何证券的要约——或购买任何证券的要约邀请——且不得用于或依赖其评估任何投资的优劣。

在任何情况下，本网站——或相关的内容分发渠道——所提供的任何帖子或其他信息，均不得被解释为征求购买或出售任何证券，或购买或出售a16z人员发起、讨论或提及的任何集合投资工具中的权益的要约。也不得被解释为提供投资咨询服务的要约；投资于a16z管理的集合投资工具的要约将另行作出，且仅通过特定集合投资工具的保密发售文件进行——这些文件应被完整阅读，且仅向满足联邦证券法下某些资格要求（以及其他要求）的人士提供。此类投资者被定义为合格投资者和合格购买者，通常被认为有能力评估潜在投资和财务事项的优劣与风险。

无法保证a16z的投资目标能够实现，或投资策略能够成功。对a16z管理的任何工具的任何投资都涉及高度风险，包括全部投资金额损失的风险。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管理工具中的所有投资，且无法保证这些投资将盈利，或未来进行的其他投资将具有类似的特征或结果。a16z管理的基金所作投资的列表可在此处查阅：https://a16z.com/investments/。a16z过往的投资、集合投资工具或投资策略的结果不一定预示未来结果。 本列表不包括发行人未允许a16z公开披露的投资（以及某些公开交易的加密货币/数字资产）。至于对任何加密货币或代币项目的投资，a16z是出于自身财务利益行事，不一定符合其他代币持有者的利益。a16z在这些项目中的任何项目均无特殊角色，也不对其管理拥有权力。除作为投资者和代币持有者外，a16z不承诺继续参与这些项目，其他代币持有者不应期望其会参与或依赖其进行任何特定参与。

对于a16z在日本注册管理的基金，a16z将向任何日本公众成员提供根据日本《金融商品交易法》第63条要求公开提供的此类文件的副本。请通过compliance@a16z.com联系以索取此类文件。

有关其他网站使用条款，请点击此处。有关a16z的其他重要信息，包括我们的Form ADV Part 2A手册，可在SEC网站查阅：http://www.adviserinfo.sec.gov。