Eka Robotics完成1.5亿美元A轮融资，投后估值达14.5亿美元

尽管投入了数十亿美元，也不断将海量视频输入深度学习模型，机器人在抓取物品方面仍然不够出色。

这或许即将改变，这要归功于 Eka Robotics 开发的一种操作架构，它包括一个力敏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 1.5 亿美元的 A 轮融资，投后估值达 14.5 亿美元，由风险投资基金 a16z 和 F-Prime 领投。

“它们在某些任务上的表现已经超越人类，因此我们认为，未来几个月内，它们将在许多灵巧操作任务上达到超越人类的表现。”共同领投本轮融资的 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 的能力令经验丰富的机器人研发人员震惊。

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，这场演示“令人惊叹”。Hauser 说，Eka 机器“无需重新训练，就能适应大量不同物体”；他还补充说，它也有一种“人性化的特质，一种令人毛骨悚然的人性化：如果第一次失败，它就会一遍又一遍地尝试”。

另一位机器人学家因在一家前沿实验室工作而要求匿名。他告诉 TechCrunch，看到 Eka 机器人实际运行是一种令人动容的体验，堪比五到十年前机器人首次实现可靠的腿式运动时的感受。来亲自看看：

正在加载播放器……

这里有什么值得注意的？机器人的动作流畅而迅速。它每小时能抓取约 1,500 件重量不超过 1 kg 的物品，而人类每小时约能抓取 600 件；Eka 称，它成功抓取物品的概率超过 95%。而且，机械臂力量很大，移动如此迅速时甚至可能伤到自己。据这位前沿实验室观察者称，这表明“他们非常信任自己的算法，不会让机器人损坏。我很好奇，他们一路上弄坏了多少台机器人？”

这位前沿实验室的机器人学家见到 Eka 的机器人时，递给它一颗覆盆子——显然这是实验室最喜欢的测试物品。“一台高大、沉重的机器人朝我的手臂冲过来，随后及时减速，非常轻柔地碰到我。这种感受直到现在仍留在我的身体里。”他们告诉 TechCrunch。

怎样才能不压扁覆盆子

这些能力源于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，能够理解语言、视觉输入与动作之间的关系——而是一种视觉-力-动作模型，重点关注语言、力输入与动作之间的关系。像 Rodney Brooks 这样的生成式 AI 机器人模型当前发展方向的批评者认为，如果不尝试表示力与触觉，这些模型就会失败；Eka 的成果表明，这些批评者的看法有一定道理。

“要解决最后这几毫米的问题，视觉并不是主要手段。”Eka 联合创始人 Agrawal 告诉 TechCrunch，“视觉大致能告诉你物体在哪里、姿态如何，但真正的抓取和搜寻是通过力来完成的。”

Eka 必须设计一种独特的机械手，它比传统夹爪更灵活，并配备更多力传感器；它能对接触作出反应，这就是它不会压碎覆盆子的原因。出于显而易见的竞争考虑，创始人对实现方式守口如瓶，但其核心是使用物理模拟器，对机器人尝试抓取物体时会遇到的多种作用力进行建模，并据此创建一个可大规模运行的强化学习环境。他们表示，只需几分钟就能生成数千小时的机器人经验。

“Eka 不再局限于从人类演示等渠道收集的数据，而是通过这种强化学习方法不断推进，让机器人能够超越提供给它的任何演示，”Hauser 说。“真正令人兴奋的是，它们不必受限于提供给它们训练的数据。”

Agrawal 和 Haarnoja 在加州大学伯克利分校读研究生时初次相识，如今都是机器人控制强化学习领域的顶尖研究人员。Eka 的关键押注在于，这项技术可以通过模拟实现大规模应用，而不必依赖零工或机器人操作员花费数小时执行任务所采集的视频。模拟是机器人实现可靠操作能力的关键。过去，在需要与物体互动而非避开物体的任务中，这一能力被证明更难实现。

Agrawal 认为：“Eka 正在弥合通用性与性能之间的差距，而这个问题困扰着许多现代机器人技术。”

让通用机器人发挥作用

目前，最具泛化能力的物理 AI 模型——也就是能够尝试许多不同任务的模型——在这些任务上的表现并不特别出色。但针对单一任务训练、能力很强的 AI 模型，可能无法让一家公司证明其商业价值：生成式 AI 的承诺在于，机器人能够快速学会多种任务，甚至是新任务。

目前的方法善于打造比以往更具通用智能的机器人——Astra 是 ChatGPT 最新的大语言模型，它可以在陌生环境中操控机器人并让机器人执行任务，但速度慢、成本高。像 Eka 这样的模型所带来的希望是，它负责处理物理操作，而更通用的模型则负责决定如何解决问题。例如，Astra 可能知道洗碗机洗完后盘子要叠放进橱柜，而 Eka 的模型则能够拿起盘子而不把它打碎。

Eka 联合创始人 Haarnoja 说：“这个领域的大多数人都在关注规划，因此他们采取自上而下的方法：先发展高层次智能，再将其应用于物理操作。而我们认为应该自下而上地思考。”

不过，Eka 仍需在实际应用中证明自己。该公司正与多家工业客户秘密开展试点项目，进行拾放和线缆操作，但从实验室走向生产线的跨越，几乎和从模拟到现实之间的差距一样大。

Hauser 说：“一个重大挑战是，当他们与集成商合作、在真实的装配线上工作时，系统必须连续运行一整年而不出故障。”另一个尚待解答的问题是：“这些技术对不同任务的泛化能力究竟如何？”我目前看到的是拾放操作，但许多能创造附加价值的工业任务，涉及的并不只是拾放。

Agrawal 也专注于可部署性；他说，目前 Eka 的夹爪硬件——成本不到 $1,000——额定可承受 5 million 次工作循环，但最终目标是达到标准工业机械臂设定的 20 million 次循环门槛。

“我们正在构建的是如何设计完整工作流程的工程体系，但我们一开始会非常务实，指出在抓取、整理、放置和布线处理这两个垂直领域中，我们要把它们做成大获成功的项目，”Agrawal 说。“一旦我们在这些领域取得巨大成功，凭借我们正在开发的方法，我们能做多少就没有上限了。”

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