a16z领投Eka Robotics A轮：力感知与仿真训练如何改变自动化集成成本

工业自动化的真正瓶颈不是机器人不够快或不够准，而是集成成本。a16z合伙人Yoko Li与Raghu Raghuram在领投Eka Robotics A轮的投资信中提出了这一判断：今天许多自动化项目只有在任务量足够大、能摊薄工程调校成本时才划算；每一个新物体、新材料或新工艺都可能触发另一个集成项目。如果机器人能自适应这些变化，原本不值得单独做自动化改造的任务就会进入可行范围。

Eka的技术路径是把视觉感知与力反馈结合。Yoko Li与Raghu Raghuram描述了一个具体场景：插入连接器时，视觉能告诉机器人插座在哪里，但一旦接触开始，关键信息就变了——一边是否卡住、连接器是否在别住、应该加力还是微调角度还是回退。人类靠指尖和手掌中数千个特化感受器几乎不费力地回答这些问题。Eka没有试图逐感受器复制生物系统，而是设计了一套Vision-Force-Action模型，让机器人把物理接触本身当作信息来源，抓取开始滑移时可以纠正，接触面可以帮助定位，插入时的阻力改变运动而非触发报错。

在技能获取方式上，Eka选择仿真强化学习而非人类示教。Yoko Li与Raghu Raghuram指出人类示教的两个固有限制：一是占用人力，无法展示一百万种拾取鸡蛋的微小变体；二是人很难演示所有失败方式并传递有用信息。虚拟机器人可以在数百万种物体位置、摩擦系数和接触条件中练习，经历人类很少展示的失败模式并学会恢复。如果这条路走通，其含义是机器人经验可以随算力扩展而非随人力扩展。

Eka报告在实验室感应和料箱拣选任务中最高达到每小时1500次抓取，比人类快两倍半，并展示了在易碎物体、滑腻工业零件和富接触插入任务上的操作能力。Yoko Li与Raghu Raghuram明确写道，在完整生产班次中维持这一表现是下一个考验。

这一论点的创始人背景值得关注：Pulkit Agrawal是MIT CSAIL的Improbable AI Lab负责人，研究方向覆盖强化学习、力感知控制和从仿真到现实的策略迁移；Tuomas Haarnoja在伯克利共同创造了Soft Actor-Critic算法，后在Google DeepMind从事复杂人形行为的仿真训练与实机部署。两人从互补方向攻击同一个问题：机器如何通过经验学会复杂物理行为，并让这种智能经受住与现实的接触。

需要说明的是，a16z是本轮领投方，这封信同时是投资宣示。性能数据来自Eka自报，尚未经独立验证；仿真到现实的鸿沟在机器人学中仍是公认最难题之一，接触动力学极难建模，摩擦、柔顺性或执行器的微小误差就能让仿真中成功的策略在现实中失效。Yoko Li与Raghu Raghuram自己承认这一点，同时指出Eka的创始人恰好擅长解决这一问题，且已在展示仿真与现实之间的差距正在缩小。