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

尽管投入了数十亿美元，并且有源源不断的视频被喂给深度学习模型，机器人仍然不太擅长抓取物品。

这种情况可能即将改变，得益于 Eka Robotics 构建的一种操作架构，它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，刚刚完成了 1.5 亿美元的 A 轮融资，由风投基金 a16z 和 F-Prime 领投，投后估值达 14.5 亿美元。

“在某些任务上，它们已经超越了人类的表现，所以我们认为在未来几个月内，许多灵巧操作任务都将出现超越人类的表现，”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，它有一种“惊艳感”。Hauser 说，Eka 的机器人“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“拟人感，一种令人毛骨悚然的拟人感——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 的机器人实际运行是一种情感体验，堪比 5 到 10 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：

 

这里有什么值得注意的？机器人移动得多么流畅和迅速。它每小时能抓取约 1,500 个重量不超过 1 kg 的物体，而人类约为 600 个；Eka 表示其可靠抓取率超过 95%。而且机械臂足够有力，在如此快速移动时甚至能伤到自己。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。我很好奇他们一路上弄坏了多少台机器人？”

当这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——这显然是实验室里最受青睐的测试物品。“一个又大又重的机器人朝我的手臂冲过来，然后及时减速，非常轻柔地触碰我，这种体验——就在我们说话的当下，我仍能感觉到它留在我身体里，”他们告诉 TechCrunch。

如何不把覆盆子压扁

这些能力是基础模型构建方式的必然结果。这里采用的并非视觉-语言-动作模型——那种模型被训练来理解语言、视觉输入与动作之间的关系——而是视觉-力-动作模型，它关注的是语言、力输入与动作之间的关系。对当前生成式 AI 机器人模型方向的批评者，比如 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。

“视觉并不是解决这最后一毫米问题的主要方式，”Eka 联合创始人 Agrawal 告诉 TechCrunch。“视觉大致告诉你物体在哪里、姿态如何，但真正的抓取、真正的搜寻是通过力来完成的。”

Eka 不得不设计一款独特的机械手，它比传统夹爪更灵活，并配备了更多力传感器；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，创始人们对他们如何做到这一点讳莫如深，但归根结底是使用物理模拟器来建模机器人在尝试抓取某物时会遇到的多种力，并以此创建一个可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。

“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一方法，让机器人能够超越任何提供给它的演示，”Hauser 说。“真正令人兴奋的是，他们能够不受限于为训练而提供给他们的数据。”

Agrawal 和 Haarnoja 最初在加州大学伯克利分校读研究生时相识，二人都是机器人控制强化学习领域的领军研究者。Eka 的核心押注是，这项技术可以通过仿真大规模实现，而不必依赖零工或机器人操作员花费大量时间执行任务所采集的视频。仿真是让他们的机器人实现可靠操作的关键，而这一壮举在过去对于需要与物体交互（而非避开物体）的任务来说一直更为困难。

“EKA 正在弥合的是通用性与性能之间的鸿沟，这一问题困扰着许多现代机器人技术，”Agrawal 认为。

让通用机器人变得有用

目前，最具泛化能力的物理 AI 模型——也就是那些能够尝试许多不同任务的模型——并不擅长完成这些任务。但针对单一任务训练得极为强大的 AI 模型，可能无法为公司构建起商业逻辑：生成式 AI 的承诺在于，机器人能够快速学习多种任务，甚至是全新的任务。

当前的方法擅长造出比以往更具备通用智能的机器人——ChatGPT 最新的 LLM Astra 能够操作机器人在陌生的环境中执行任务，但速度慢且成本高。像 Eka 这样的模型所承诺的是，它负责处理物理层面的问题，而更通用的模型则负责决定如何解决问题。例如，Astra 可能知道盘子从洗碗机里拿出来后要叠放进橱柜，但 Eka 的模型能够拿起盘子而不将其打碎。

“该领域的大部分工作一直聚焦于规划，”Eka 联合创始人 Haarnoja 说，“所以他们从顶层入手：高层智能，再将其向下推向物理层面。而我们是从底层向上思考的。”

不过，Eka 仍需在实地证明自己。该公司正在与多家工业客户进行秘密试点，开展抓取放置和线缆操作，但从实验室到产线的跨越，几乎和仿真与现实之间的差距一样大。

“当他们与集成商在真实装配线上合作，并且需要整整一年不间断运行时，这将是一个巨大的挑战，”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，但许多增值的工业任务涉及的不仅仅是抓取和放置。”

Agrawal 也关注可部署性；他说，目前 Eka 的夹爪硬件成本不到 1000 美元，额定工作循环为 500 万次，但最终目标是达到标准工业机械臂设定的 2000 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，但我们一开始非常务实，说这里有抓取、排列、放置和线缆处理这两个垂直领域，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，我们能做的事情就无可限量了。”