Eka Robotics 是一家由 MIT 教授 Pulkit Agrawal 和前 Google DeepMind 研究员 Tuomas Haarnoja 联合创办的机器人公司。它刚完成由 a16z 与 F-Prime 领投的 1.5 亿美元 A 轮融资，投后估值 14.5 亿美元。Eka 拿出来的核心不是又一段炫目 demo，而是一套包含力敏夹爪和新型深度学习模型的操控架构。a16z 合伙人 Raghu Raguram 对 TechCrunch 说，在某些任务上它已经超过人类水平，未来几个月有望在更多灵巧操作任务上做到这一点。

真正让老机器人研究者惊讶的是实测数据：机器人每小时能捡起约 1500 个、重量不超过 1 公斤的物体，人类同一时间大约只能完成 600 次；Eka 称可靠抓取成功率超过 95%。它移动时平滑迅速，手臂力量大到可能伤到自己。一位在前沿实验室工作的匿名机器人专家说，这让人想起五到十年前机器人刚实现可靠腿部运动的时刻；他们把一颗树莓递给机械臂，大而重的机械臂快速冲向手臂，又在最后一刻减速、轻轻碰触，没有把树莓捏碎。

这种能力来自模型架构的取舍。Eka 没有采用常见的视觉-语言-动作模型（vision-language-action），而是用视觉-力觉-动作模型（vision-force-action），建模的是语言、力输入与动作之间的关系。Rodney Brooks 等批评者一直认为，不表征力和触觉的生成式机器人模型走不远，Eka 的结果像是在印证这个判断。Agrawal 的解释很直接：视觉只能给出物体的大致位置和姿态，真正决定能否抓住的是力。为了做到这点，他们重新设计了比传统夹爪更灵活、力传感器更多的机械手，让它能对接触做出反应。

训练方式同样关键。Eka 用物理模拟器建模抓取过程中会遇到的多种力，再构建大规模强化学习环境。创始人说，他们能在几分钟内生成数千小时的机器人经验。这让他们不再受限于人类示教或外包收集的视频数据。伊利诺伊大学厄巴纳-香槟分校教授 Kris Hauser 评价说，Eka 通过强化学习让机器人超越任何给定的示范，这让人兴奋。

把它放到行业坐标系里看，问题很清楚：目前最通用的物理 AI 模型能尝试许多任务，但都不够精；而单个任务能力很强又撑不起商业化场景。ChatGPT 的最新模型 Astra 可以在陌生环境操作机器人，但慢且贵。Haarnoja 说，多数人从上往下做，先解决高层智能再压到物理层；Eka 反过来，从底层物理开始往上做。Eka 的模型负责动手，更通用的模型负责决策——比如知道盘子洗完要放进柜子，但真正抓起盘子不弄碎的，是 Eka 这类模型。

Eka 还需要在真实产线上证明自己。目前它和几家工业客户在秘密试点，做 pick-and-place 和线束操作。从实验室到产线，难度不亚于从仿真到现实。Kris Hauser 的担心是，和集成商合作后能否在真实装配线上一年不坏地运转；另一个问题则是，这些技术能否泛化到不只是抓取-放置的价值环节。Agrawal 也很务实：当前夹爪硬件成本低于 1000 美元，额定 500 万次动作周期，目标是达到工业机械臂标准的 2000 万次。他选择的路径是先集中打磨 pick-and-place 与 wire handling 两个垂直场景，做成之后再做更多。