对于机器人来说，拿起一颗树莓，可能比解一道数学题更难。它需要判断树莓的位置、形状，以及究竟施加多大的力，才能把它拿起来，又不会把它捏碎。
最近，一家专门研究机器人灵巧操作的美国初创公司 Eka Robotics，凭借“抓树莓”的能力获得了投资者的青睐。
10 月 20 日，Eka 宣布完成 1.5 亿美元 A 轮融资，由硅谷风投 a16z 和富达系投资机构 F-Prime 领投，三星旗下 Samsung Next 等机构参与。据 TechCrunch 报道，公司投后估值达到 14.5 亿美元，约合人民币 97 亿元。
Eka 由麻省理工学院（MIT）教授 Pulkit Agrawal 和前谷歌 DeepMind 研究员 Tuomas Haarnoja 共同创办，主要研究如何让机器人利用视觉、力觉和强化学习，掌握复杂的物理操作技能。
在最新公布的测试中，Eka 的机器人每小时最多可以抓取 1,500 件物品，约为测试所采用人类基准的 2.5 倍。这家公司选择的技术路线也值得关注。与当前主流的视觉—语言—动作（VLA）模型不同，Eka提出了视觉—力觉—动作（VFA）模型，让机器人通过视觉识别物体，再利用力觉反馈调整操作。同时，团队将大量训练放在虚拟环境中，让机器人通过强化学习反复试错，再将学到的技能迁移到现实世界。
（来源：EkaRobotics）
每小时抓取 1,500 件，机器人开始比人手更快
今年春天，曾有记者走进 Eka 的实验室，观看这家公司展示机器人灵巧操作能力。
其中一个场景是拧灯泡。机械臂快速伸向桌上的灯泡，接近时主动减速，夹爪轻轻接触灯泡，尝试找到合适的抓取位置。即便灯泡滚动或滑落，机器人也会调整动作，重新尝试，最终将灯泡旋入灯座。
现场还有一些更细微的操作，例如抓起钥匙串、梳子、耳塞盒，以及容易被压坏的树莓。在抓取钥匙串时，机器人会先让夹爪指尖贴着桌面滑动，直到碰到钥匙，再将它夹起来。这种动作与人类寻找桌面上的小物件有些相似。
另一个演示是食品分拣。机器人从桌面上拿起形状不规则的鸡块，快速放进传送带上的餐盒。当餐盒即将离开工作范围时，它甚至会尝试将鸡块抛入盒中。
（来源：Eka Robotics）
这些演示在之前就已经引起了广泛的关注。此次融资公告则进一步给出了机器人在速度和操作性能方面的量化数据。
根据 Eka 团队 10 月 20 日公布的信息，其机器人能够抓取训练时没有见过的多种物品，每小时操作次数最多达到 1,500 次，这一速度来自实验室中的物品分拣和料箱抓取任务。TechCrunch 报道称，Eka 的抓取成功率超过 95%，能够处理重量不超过 1 公斤的物品。
目前，公司正在与部分工业客户开展试点，涉及抓取、摆放和线缆操作等任务。创始团队透露，其夹爪硬件成本低于 1,000 美元，设计寿命约为 500 万次操作循环，而标准工业机械臂的耐久性目标可达到 2,000 万次循环。
对于工厂而言，机器人能否长时间连续工作，出现错误后能否自行恢复，以及维护成本有多高，都会影响最终的采购决策。
不靠人类示范，机器人如何学会灵巧操作？
Eka 的技术路线，可以从机器人抓取物体时遇到的一个具体问题说起。目前，具身智能领域广泛研究视觉—语言—动作模型（Vision-Language-Action，VLA）。这类模型利用图像、语言指令和机器人动作数据进行训练，让机器人理解任务，并预测下一步应该执行的动作。
但在复杂的物理操作中，视觉能够提供的信息存在局限。比如把电线插入接口，摄像头可以帮助机器人确定接口的位置和方向。当插头真正接触接口后，机器人还需要判断是否对准、有没有受到阻碍，以及应该继续推进还是调整角度。
这些问题需要依靠接触时产生的力反馈。Eka 因此提出了视觉—力觉—动作模型（Vision-Force-Action，VFA），将视觉信息和夹爪上的力传感器结合起来，让机器人根据接触情况持续调整动作。
据 a16z 介绍，Eka 将模型、传感器、控制器和硬件共同设计。当物体开始滑动，机器人可以调整夹持力度；遇到插入阻力时，也可以改变运动方向。
与这套硬件配合的，是 Eka 的大规模仿真强化学习方法。过去，训练机器人完成复杂操作，通常需要采集大量真实机器人数据，包括人类遥操作、动作示范，以及机器人自己执行任务的记录。
这种方式已经取得了许多进展，但数据采集需要投入设备和人力。尤其是抓取失败、物体滑落等情况，很难提前收集所有可能发生的变化。
Eka 希望让机器人在虚拟环境中完成大量练习。团队建立物理仿真环境，改变物体的位置、形状、摩擦条件等因素，再通过强化学习训练机器人。简单来说，机器人会不断尝试不同动作，根据结果调整策略，逐渐学会怎样抓得更稳、移动得更快，以及失败之后如何补救。
Eka 称，通过大规模并行仿真，团队可以在几分钟内生成数千小时的机器人训练经验。这种思路很容易让人联想到 DeepMind 的 AlphaZero。后者通过自我对弈和强化学习掌握围棋、国际象棋等游戏，而 Eka 希望将类似的学习方法应用于物理操作。
当然，真实世界比棋盘复杂得多。机器人在电脑里学会的动作，到了现实中未必同样有效。摩擦力、材料形变、关节误差等因素，都可能让原本成功的操作失败。这也是机器人领域长期研究的仿真到现实迁移问题（Sim-to-Real）。
Eka 认为，结合力觉反馈与物理仿真，可以改善这一问题。目前公司公开的材料主要介绍了整体技术思路，对仿真器、模型结构和训练细节披露有限，外界尚难以独立判断其技术优势来自哪些具体环节。
两位创始人的研究背景，也解释了 Eka 为什么选择这条路线。Agrawal 在加州大学伯克利分校获得博士学位，目前任职于 MIT 计算机科学与人工智能实验室（CSAIL），领导 Improbable AI 实验室，长期研究机器人感知、控制和强化学习。
另一位创始人 Haarnoja 同样毕业于伯克利，曾参与提出软演员—评论家（Soft Actor-Critic，SAC）强化学习算法。加入 Eka 之前，他在谷歌 DeepMind 从事机器人研究，参与过利用仿真强化学习训练机器人踢足球等项目。
图｜Pulkit Agrawal（左）和Tuomas Haarnoja（右）(来源：Eka Robotics)
两人的共同研究方向，是让机器人通过试错获得操作能力，并将虚拟环境中的训练结果迁移到真实机器上。
Eka 选择的仿真强化学习路线，在机器人领域已有多年探索。2019 年，OpenAI 就曾通过大规模仿真训练机械手，让它学会单手还原魔方。但如何将虚拟环境中学到的技能迁移到现实世界，一直是这条路线面临的难题。
目前，Eka 已经展示了高速抓取和力觉控制能力，但这些成果主要来自实验室。获得 1.5 亿美元融资之后，它还需要证明，这条技术路线能够适应更复杂的操作任务，并在工业生产中保持长期稳定运行。
参考链接：
1.https://ekarobotics.com/blog/eka-robotics-raises-150m-to-build-superhuman-intelligence-for-the-physical-world
2.https://a16z.com/announcement/investing-in-eka-robotics/
3.https://techcrunch.com/2026/10/20/eka-is-worth-1-45-billion-thanks-to-a-physical-ai-model-that-has-experts-raving/
4.https://www.wired.com/story/when-robots-have-their-chatgpt-moment-remember-these-pincers/
5.https://www.pi.website/research/rlt
6.https://ftp1-policy.github.io/
排版：胡莉花
注：封面/首图由 AI 辅助生成
