Eka Robotics 完成 $150 million A 轮融资，物理 AI 模型支撑 $1.45B 估值

尽管已有数十亿美元的投资，也向深度学习模型输入了无数视频，机器人在拾取物体方面仍然不太在行。

这一情况可能即将改变，得益于 Eka Robotics 构建的一套操作架构，其中包括一个力敏感夹爪和一种新型深度学习模型。该初创公司由 MIT 教授 Pulkit Agrawal 和前 Google DeepMind 研究员 Tuomas Haarnoja 创立，刚刚完成了一笔由风投基金 a16z 和 F-Prime 领投的 $150 million A 轮融资，投后估值达到 $1.45 billion。

“他们已经在某些任务上超越了超人类水平，因此我们认为，未来几个月，许多灵巧操作任务都将达到超人类水平，”共同牵头本轮融资的 a16z 普通合伙人 Raghu Raguram 告诉 TechCrunch。

在机器人演示层出不穷的时代，Eka 的能力让资深机器人专家感到震惊。

伊利诺伊大学厄巴纳-香槟分校教授 Kris Hauser 表示，与他近期看到的其他机器人演示相比，它有一种“令人惊叹的效果”。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，它还带有一种“人性——一种诡异的人性：如果第一次失败，它就会一遍又一遍地尝试”。

另一位机器人研究者因在一家前沿实验室工作而要求匿名。他告诉 TechCrunch，看到 Eka 的机器人运行是一种令人情绪波动的体验，可与五到十年前机器人首次实现可靠腿式运动时相比。你自己看看：

正在加载播放器…

这里有什么值得注意？机器人的动作多么平稳、快速。它每小时可以抓起约 1,500 个重量不超过 1 kg 的物体，而人类约为 600 个；Eka 表示，它的物体拾取成功率超过 95%。而且，机器人手臂力量十足，以那样的速度移动时足以伤到自身。据这位前沿实验室观察者，这表明，“他们非常相信自己的算法不会把机器人弄坏。我不知道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研究者见到 Eka 的机器人时，他们递给它一颗覆盆子，显然是实验室颇喜欢的测试物品。他们告诉 TechCrunch：“一个又大又重的机器人朝我的手臂冲来，随后及时减速并非常轻柔地触碰我——这种体验让我觉得，直到此刻，那种感觉仍留在我的身体里。”

怎样不把覆盆子压扁

这些能力源自基础模型的构建方式。这里采用的不是视觉—语言—动作模型——这种模型经过训练，可理解语言、视觉输入与动作之间的关系——而是视觉—力—动作模型，它关注语言、力输入与动作之间的关系。包括 Rodney Brooks 在内，批评当前生成式 AI 机器人模型发展方向的人认为，如果不尝试对力和触觉进行表征，这些模型就会失败；Eka 的结果表明，这些批评者的观点确有道理。

“视觉并不是弥合最后这个毫米级问题的主要方式，”Eka 联合创始人 Agrawal 告诉 TechCrunch。“视觉只能大致告诉你物体在哪里、处于什么位姿，但真正的抓取、真正的搜寻是通过力来完成的。”

Eka 必须设计一款独特的机器人手，它比传统夹爪更灵活，还配备了更多力传感器；它会对接触作出反应，这正是它不会捏碎覆盆子的原因。出于显而易见的竞争原因，创始人对他们如何实现这一点守口如瓶，但归根结底在于使用物理模拟器，对机器人在尝试抓取某物时将遇到的各种力进行建模，并利用这一点创建一个可规模化运行的强化学习环境。他们表示，几分钟内就能生成数千小时的机器人经验。

“不要再受限于你比如从人类演示中收集的数据，Eka 正通过强化学习推进这样一种方法，使机器人能够超越提供给它的任何一种演示，”Hauser 说。“真正令人兴奋的是，他们不会受到训练时提供给他们的数据的限制。”

Agrawal 和 Haarnoja 首次在加州大学伯克利分校读研究生时相识，他们都是机器人控制强化学习领域的顶尖研究人员。Eka 的关键押注是，可以借助仿真将这项技术规模化，而不是依赖零工工作者或机器人操作员在数小时内执行任务时收集的视频。仿真正是实现其机器人可靠操作的关键；对于需要与物体交互、而不是避开物体的任务而言，过去已经证明可靠操作更难实现。

“EKA 所弥合的是泛化能力与性能之间的差距，而这一差距困扰着现代机器人学的许多领域，”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——那些可以尝试许多不同任务的模型——并不特别擅长这些任务。但为单一任务训练出强大能力的 AI 模型，可能无法为公司形成商业闭环：生成式 AI 的希望在于，机器人可以快速学会多种任务，甚至包括全新的任务。

目前的方法善于打造出比以往更具通用智能的机器人——Astra，ChatGPT 最新的 LLM，可以在陌生环境中操控机器人并执行任务，但速度慢且成本高。像 Eka 这样的模型所承诺的是，由它处理物理层面的问题，而更通用的模型负责决定如何解决问题。例如，Astra 可能知道盘子从洗碗机里出来后会被堆放在橱柜中，但 Eka 的模型能够拿起一个盘子而不将其打破。

“该领域的大多数研究都专注于规划，”Eka 联合创始人 Haarnoja 说，“所以他们采取自上而下的方法：从高层智能出发，将其推向物理层面。而我们则自下而上地思考。”

不过，Eka 仍需在现实领域中证明自己。公司正与若干工业客户开展保密试点，进行抓取与放置和线缆操作，但从实验室到生产线的跨越，几乎与仿真和现实之间的鸿沟一样大。

“当他们与集成商在真实装配线上合作，而且需要全年运行而不出故障时，这将成为一大挑战，”Hauser 说。另一个悬而未决的问题是“‘这些技术对不同任务能够有多大范围的泛化能力？’我所看到的是抓取和放置，但许多能够增加价值的行业任务不只是抓取和放置。”

Agrawal 还关注可部署性；他表示，目前 Eka 的夹爪硬件——成本低于 $1,000——额定循环次数为 5 million，但最终目标是达到标准工业机械臂设定的 20 million 次循环标准。

Agrawal 表示：“我们正在构建的是如何设计整套工作流的工程能力，但我们会从非常务实的角度出发，聚焦抓取、排列、放置和线缆处理中的两个垂直领域，先把它们做好。等我们在这两个领域取得成功后，我们利用正在开发的方法所能做的事情就没有上限了。”

当您通过我们文章中的链接购买时，我们可能会获得少量佣金。这不会影响我们的编辑独立性。