【科技24时区】15亿美元估值背后，Eka Robotics如何用“触觉”破解机器人抓取难题

【科技24时区】当数十亿美元的资本涌入，当深度学习模型吞噬了无数视频数据，机器人“捡起东西”这项看似简单的动作，却依然是人工智能领域最顽固的堡垒之一。然而，来自MIT教授Pulkit Agrawal和前Google DeepMind研究员Tuomas Haarnoja创办的初创公司Eka Robotics，正试图用一种全新的操控架构打破这一僵局。近日，该公司宣布完成1.5亿美元的A轮融资，投后估值高达14.5亿美元，由a16z和F-Prime领投。这不仅仅是一笔商业交易，更被视为具身智能从“视觉主导”向“力觉融合”跨越的关键信号。

“它们在某些任务上已经超越了人类的表现。”a16z普通合伙人Raghu Raguram在谈及此次融资时难掩兴奋。他预测，在接下来的几个月里，许多灵巧操作任务都将迎来“超人级”的性能突破。这种自信并非空穴来风。对于长期观摩各类机器人演示的资深专家而言，Eka机器人的表现带来了强烈的震撼。伊利诺伊大学厄巴纳-香槟分校的Kris Hauser教授直言，与近期见过的其他演示相比，Eka拥有令人惊叹的“哇哦效应”。它无需重新训练即可适应大量不同物体，甚至展现出一种令人不安的“类人性”——如果第一次尝试失败，它会像执着的人类一样反复重试。一位不愿透露姓名的前沿实验室机器人学家更是将这种体验比作五到十年前机器人首次实现可靠腿部运动时的历史时刻，“这是一种情感上的冲击。”

那么，Eka究竟强在哪里？核心在于其流畅且极速的动作控制。数据显示，该机器人每小时能处理约1500个重量不超过1公斤的物体，远超人类平均水平的600个；且成功率稳定在95%以上。这种速度之快，以至于机械臂自身的惯性足以对自己造成伤害。正如那位前沿实验室观察者所言：“这表明他们对算法有着极高的信任，相信其不会让机器人解体。我很好奇，为了达到这个精度，他们在此之前报废了多少台原型机？”在一次测试中，当这位学者递给机器人一颗覆盆子（这是他们实验室偏爱的测试道具）时，机器人迅速逼近却又在最后一刻精准减速，轻柔地触碰手指。“那种感觉至今还留在我身体里，”他回忆道。

这种能力的基石，在于Eka对基础模型构建逻辑的根本性重构。不同于当前主流的“视觉-语言-动作”模型，Eka采用了“视觉-力觉-动作”架构。这一转向直击当前生成式AI机器人研究的痛点。正如著名机器人学家Rodney Brooks所批评的那样，缺乏力和触觉表示的模型终将失败。Eka联合创始人Agrawal指出：“视觉无法解决最后那一毫米的问题。视觉只能告诉你物体大概在哪里、姿态如何，而真正的抓取和搜索，是通过力反馈完成的。”为此，Eka设计了比传统夹爪更灵活、集成更多力传感器的独特手部结构，使其能在接触瞬间做出反应，从而避免捏碎脆弱的覆盆子。

尽管出于竞争考虑，创始团队对具体技术细节讳莫如深，但其核心路径已逐渐清晰：利用物理模拟器建模机器人在抓取过程中遇到的多种力场，并以此构建可大规模运行的强化学习环境。这意味着，Eka不再依赖人工收集的海量演示视频，而是通过模拟生成数千小时的机器人经验，让机器人自我超越任何给定的人类示范。“真正令人兴奋的是，他们不再局限于呈现给他们的训练数据。”Hauser评价道。

Agrawal与Haarnoja在加州大学伯克利分校求学期间便已相识，两人均为机器人控制强化学习领域的顶尖研究者。Eka的核心赌注在于：通过仿真实现规模化训练，而非依赖零工经济下的人力标注。Agrawal认为，Eka正在弥合现代机器人学中普遍存在的“通用性与性能差距”——目前最通用的物理AI模型往往样样稀松，而专精单一任务的模型又难以满足商业闭环的需求。以Astra为例，虽然其最新大模型能指挥机器人在陌生环境中工作，但速度慢、成本高。Eka的模式则是“自下而上”：通用模型负责高层决策（如知道盘子应从洗碗机取出放入橱柜），而Eka的模型负责底层执行（确保拿起盘子而不破碎）。

当然，实验室里的辉煌并不等同于生产线上的成功。目前，Eka正与多家工业客户进行保密试点，主要涉及拣选放置和线缆处理。但从实验室到装配线的跨越，其难度不亚于从仿真到现实的鸿沟。Hauser提醒道：“最大的挑战在于，当它们与集成商合作并在真实装配线上运行时，能否全年无故障运行。”此外，这些技术在多大程度上能泛化到其他高附加值任务，仍是未解之谜。Agrawal的目标十分务实：先将成本低于1000美元、额定寿命为500万次循环的夹爪硬件，在两个垂直领域做到极致，再图拓展。“一旦我们在这些领域打出全垒打，天空才是极限。”