尽管投入数十亿美元并向深度学习模型投喂海量视频，机器人在抓取物品方面仍显笨拙。但这一局面或将被打破：Eka Robotics 推出了一套包含力敏感夹爪与新型深度学习模型的操纵架构。该公司由 MIT 教授 Pulkit Agrawal 与前 Google DeepMind 研究员 Tuomas Haarnoja 联合创立，近日完成由 a16z 和 F-Prime 领投的 1.5 亿美元 A 轮融资，投后估值达 14.5 亿美元。
a16z 普通合伙人 Raghu Raguram 表示：“机器人在某些任务上已超越人类水平，预计未来几个月内，多项灵巧操作任务都将实现超人类表现。”
在机器人演示频出的当下，Eka 的技术令资深从业者惊叹。伊利诺伊大学厄巴纳 - 香槟分校教授 Kris Hauser 评价其具有“哇哦”效应，称该机器人“无需重新训练即可适应大量不同物体”，且具备“人性化特质”，失败后会反复尝试直至成功。
一位匿名前沿实验室机器人学家告诉 TechCrunch，目睹 Eka 机器人实际运作的情感体验，堪比五至十年前机器人首次实现可靠腿部运动时的震撼。请亲自观看：
Eka 机器人的移动极为平滑迅速，每小时可拾取约 1,500 个重达 1 公斤的物体（人类约为 600 个），可靠率超 95%。由于移动速度极快，机械臂力量足以伤及自身，这侧面印证了团队对算法保护机制的高度自信。
当这位机器人学家遇到 Eka 机器人时，对方递来一颗覆盆子作为测试。“一台庞大沉重的机器人朝手臂冲来，却在最后一刻减速并轻柔触碰，这种体验令人难忘。”
如何避免压碎覆盆子
这些能力源于独特的基础模型构建方式。不同于旨在理解语言、视觉与动作关系的“视觉 - 语言 - 动作”模型，Eka 采用“视觉 - 力 - 动作”模型，侧重于语言、力输入与动作的关联。正如 Rodney Brooks 等批评者所言，若不引入力和触觉表征，生成式 AI 机器人模型终将受限；Eka 的成果验证了这一观点。
Eka 联合创始人 Agrawal 指出：“视觉无法解决最后 1 毫米的问题，它只能提供大致位置和姿态，真正的抓取与搜索依赖力反馈。”为此，Eka 设计了比传统夹爪更灵活、集成更多力传感器的独特机械手，使其能对接触做出反应而不压碎覆盆子。
出于竞争考量，具体技术细节保密，但其核心在于利用物理模拟器模拟抓取时的多种受力情况，构建可大规模运行的强化学习环境，几分钟内即可生成数千小时的机器人经验数据。
Hauser 强调：“不同于仅依赖人类演示数据，Eka 通过强化学习使机器人能超越给定演示的限制，不再受限于训练数据本身。”Agrawal 与 Haarnoja 在读研期间便是机器人控制领域强化学习的领军研究者，他们坚信该技术可通过仿真规模化实现，而非依赖人工采集的视频数据。仿真是实现可靠操作的关键，尤其在涉及物体交互的任务中。
Agrawal 认为：“EKA 正弥合现代机器人通用性与性能之间的鸿沟。”
让通用机器人变得有用
当前最具泛化能力的物理 AI 模型往往不够专精，而单一任务优化的 AI 又难以为企业创造商业价值。生成式 AI 的承诺在于让机器人快速学习多项乃至新颖任务。例如，Astra 等通用模型虽能在陌生环境中规划任务，但速度慢、成本高；Eka 则专注于物理操作层，与上层决策模型互补——前者负责“拿起盘子而不打碎”，后者负责“知道盘子该放哪里”。
Haarnoja 表示：“多数研究聚焦于自上而下的规划，而我们选择自下而上地思考物理执行。”
不过，Eka 仍需在实际场景中证明实力。目前公司正与多家工业客户开展保密试点，涉及拾放和线缆操作任务。但从实验室到产线的跨越，难度不亚于缩小仿真与现实的差距。
Hauser 指出两大挑战：一是需在全年不间断的真实装配线上稳定运行；二是技术在非拾放类高增值工业任务中的泛化能力尚待验证。
Agrawal 同样关注可部署性：目前 Eka 夹爪硬件成本低于 1000 美元，额定寿命为 500 万次循环，目标是对标标准工业机器人 2000 万次循环的门槛。
他表示：“我们正构建完整的工程体系，但起步务实，优先在拾取排列放置、线缆处理两个垂直领域取得突破。一旦成功，未来潜力将不可限量。”