Детали раунда

Стартап в области робототехники Eka Robotics 20 октября 2026 года объявил о закрытии раунда финансирования Series A на $150 млн. Как сообщает TechCrunch, раунд совместно возглавили венчурные фонды Andreessen Horowitz (a16z) и F-Prime, а пост-инвестиционная (post-money) оценка компании составила $1,45 млрд. F-Prime также выступил в качестве со-лида раунда.

Компанию основали профессор MIT Пулкит Агравал и бывший исследователь Google DeepMind Туомас Хаарноя. Агравал преподаёт в MIT, Хаарноя ранее работал исследователем в Google DeepMind — оба специализируются на робототехнике и машинном обучении.

В официальном анонсе от 20 октября a16z подтвердила, что возглавила раунд Series A, и заявила о партнёрстве с Пулкитом Агравалом и Туомасом Хаарноей. Новость о раунде в тот же день появилась и в TechCrunch, и на официальном сайте a16z — то есть детали за один день подтвердили независимое издание и сам лид-инвестор. Участие такого крупного фонда, как a16z, в роли лида было отмечено как показатель доверия к техническому подходу Eka.

Визуально-силовая модель

Технический подход Eka отличается от моделей vision-language-action (VLA), широко распространённых в отрасли. Компания создала модель vision-force-action (VFA), объединяющую визуальное восприятие с силовой обратной связью от захватов робота. Робот учитывает не только то, что он видит, но и то, что происходит в физическом контакте с удерживаемым объектом, — например, если объект начинает скользить, движение захвата немедленно корректируется. Если в моделях VLA робот действует, связывая увиденное с инструкцией, то Eka добавляет в эту цепочку третье звено — восприятие усилия: силовые сигналы от захватов непрерывно сообщают о положении объекта, а модель на их основе в реальном времени адаптирует движение. Силовая обратная связь помогает роботу найти усилие, достаточное, чтобы не раздавить объект и не уронить его, — это особенно важно при работе с хрупкими или скользкими предметами.

Отличается и метод обучения модели. Вместо обучения на человеческих демонстрациях Eka применяет обучение с подкреплением (reinforcement learning) в физической симуляции: виртуальные роботы многократно тренируются в разных ситуациях и учатся в том числе на ошибочных состояниях. Этот подход даёт более широкий опыт, чем ограниченный набор демонстраций, который мог бы показать человек, поскольку в симуляции можно без риска испытать тысячи сценариев. В симуляции робот может безопасно опробовать множество сценариев, тогда как демонстрации человека отнимают много времени и не могут охватить все ошибочные состояния, — поэтому Eka выбрала масштабируемый путь обучения, не зависящий от человеческого фактора.

По данным компании, система в лабораторных задачах индукции и сортировки коробок достигла до 1 500 захватов в час — это почти в 2,5 раза быстрее человеческого показателя, а надёжность превышает 95%. Впечатляют и экономические показатели: захватный модуль Eka стоит менее $1 000 и рассчитан на 5 млн рабочих циклов. Сочетание дешёвого оборудования и высокой скорости — важный фактор для промышленного применения технологии.

Оценка экспертов

Демонстрации компании заслужили признание опытных робототехников. Профессор UIUC Крис Хаузер особо отметил адаптацию робота ко множеству объектов без переобучения:

«В адаптации робота ко множеству объектов без переобучения есть wow-фактор», — сказал профессор UIUC Крис Хаузер.

Не названный по имени робототехник ведущей лаборатории сравнил этот момент с тем периодом пять-десять лет назад, когда роботы достигли надёжного шагающего движения. Имя высказавшего сравнение специалиста не раскрыто — TechCrunch называет его робототехником одной из ведущих лабораторий. Оба мнения были высказаны по поводу публичных демонстраций Eka и показывают, что подход VFA вызвал серьёзный интерес среди специалистов отрасли.

Тестирование и дальнейшие задачи

Eka сейчас проводит закрытые пилотные проекты с промышленными клиентами. Тесты охватывают практические задачи, такие как захват-размещение (pick-and-place) и манипуляция проводами. Закрытый режим пилотов связан с решением компании пока не раскрывать список клиентов. В рамках тестов выполняются задачи захвата-размещения и манипуляции проводами — обе требуют от робота тонких физических движений.

По данным TechCrunch, перед компанией стоят две главные задачи: устойчиво поддерживать зафиксированный в лаборатории высокий показатель на протяжении полных производственных смен и доказать способность модели к обобщению за пределами задач захвата-сортировки. Способность к обобщению означает, что робот может переносить навыки, полученные в одной задаче, на новые объекты и условия, — именно демонстрация этого свойства без переобучения и привлекла внимание специалистов.