AREX Feed Article
a16z 宣布领投 Eka Robotics A 轮融资，押注 Vision-Force-Action 机器人操作模型
Andreessen Horowitz（a16z）2026 年 10 月 20 日发布公告，宣布领投 physical AI（物理智能）初创公司 的 A 轮（Series A）融资。公告没有披露融资金额；据 同日报道，这轮融资金额为 1.5 亿美元，投后估值 14.5 亿美元，由 a16z 与 F-Prime 联合领投。
Eka Robotics 构建的 （视觉-力-动作）模型把视觉感知与机械手的力反馈（force feedback）结合，用于灵巧机器人操作（dexterous robotic manipulation），操作策略在物理仿真中通过强化学习（reinforcement learning）训练。两位创始人是 MIT 教授 Pulkit Agrawal 与 Soft Actor-Critic 共同创造者、前 Google DeepMind 研究员 Tuomas Haarnoja。按 a16z 公告转述的公司口径，其系统在实验室拣选任务中最高达到每小时 1,500 次，是人类的 2.5 倍——这一数字未经独立核实。
视觉负责「东西在哪」，力反馈负责「接触之后」
从一组反差讲起：工业机器人改造了夹具固定、动作重复的结构化生产，但大量物理工作仍难以自动化，因为现实世界充满变化——零件会动、材料会变形、物体会滑、接口对不准。公告用插连接器举例：视觉能告诉机器人插座在哪，可一旦开始接触，关键信息就变了——边缘卡住没有？是不是开始卡死？该加力、微转还是回撤？人靠触觉几乎不假思索地回答这些问题。
公告进一步写道，人手约有二十几个自由度，指尖与手掌分布着数千个特化感受器，能感知持续压力、轻触、打滑前兆、高频振动和皮肤拉伸；在机器人上逐个复制这套生物传感系统，会带来复杂性、成本、布线与算力开销，以及潜在故障点。因此工程问题不是复刻人手，而是用一套简单得多的传感与执行系统，拿到足够多的物理信息。Eka 的做法是把模型、传感、控制器和硬件放在一起设计，让机器人把物理接触本身当作信息：开始打滑的抓取可以纠正，与表面接触可以辅助定位，插入时遇到的阻力会改变动作，而不是触发报错。公司官网把这件事概括成一句话：「我们正在用物理世界的母语——力——构建智能。」
Agrawal 向 TechCrunch 解释得更直白：「视觉并不是解决『最后一毫米』问题的主要方式。视觉告诉你物体大致在哪、姿态如何，但真正的抓取、真正的搜索，是通过力发生的。」这条路线与主流不同。TechCrunch 指出，当前不少公司训练的是 vision-language-action（视觉-语言-动作，VLA）模型；据 Wired 描述，构建这类模型的方式，是把人类折 T 恤等任务的视频、或人类操控机器人做同样动作的画面喂给模型。TechCrunch 还提到，以 Rodney Brooks 为代表的批评者认为，不表征力和触觉的生成式机器人模型会失败，而 Eka 的结果支持了这种批评。 今年 4 月探访公司时，把 Eka 的做法类比 AlphaZero：机器人在仿真中自己摸索出解法，而不是模仿人类动作。
不靠人类示范，在物理仿真里练出操作策略
按 a16z 公告的说法，靠人类示范训练机器人有两个固有问题：示范占用人的时间，不可能让人演示捡鸡蛋的一百万种细微变化；人也很难把「怎么失败」演示成对机器人有用的信息。Eka 的操作策略改为在物理仿真中用强化学习训练：虚拟机器人在策略跑上真机之前，先练习数百万种物体位置、摩擦与接触的变化，经历人类很少演示的失败模式，并学会从中恢复。公告推论，若这一路线能规模化，机器人经验的增长将越来越多地取决于算力而非人力。TechCrunch 补充了公司说法：Eka 称能在几分钟内生成数千小时的机器人经验。
这条路的历史障碍是 sim-to-real gap（仿真到现实的差距）：接触动力学出了名地难建模，摩擦、柔度或执行器特性上的小误差，足以让仿真里成功的策略到现实中失效。a16z 公告称，弥合这道鸿沟是机器人学最难的题目之一，而 Eka 的两位创始人过去十年大部分时间都在从互补方向攻克它。
从 Soft Actor-Critic 到 MIT 实验室：两位创始人的互补路线
Tuomas Haarnoja 在 UC Berkeley 就读期间共同创造了 Soft Actor-Critic，a16z 公告称之为现代强化学习的基础算法之一；之后他加入 Google DeepMind，参与在仿真中训练复杂人形行为并部署到真实机器上。Wired 报道提到，他在 DeepMind 参与过用虚拟强化学习训练小型人形机器人踢足球的项目。
Pulkit Agrawal 是 MIT 电气工程与计算机科学系副教授，其 隶属 CSAIL；他在个人主页把自己的研究方向概括为「computational sensorimotor learning」（计算感觉运动学习）。据 Wired 报道，2021 年底他做出过一只能在倒置状态下操作 2,000 个物体的虚拟手。两人读研究生时在 UC Berkeley 相识。Wired 还记录了一个细节：OpenAI 在 2018 年 10 月启动 Dactyl 项目，在仿真中用强化学习训练机械手，后来让它转起了魔方；但据 Agrawal 说，这条仿真路线随后因 sim-to-real gap 被同行视为死胡同。当他向一位曾参与 Dactyl 的人讲自己的想法时，对方给他上了一小时的课，说「这永远不会成功」。
两位创始人没有改道。Agrawal 在 Wired 的报道中说：「几年前，我们意识到灵巧操作终于能被攻克。」他还说：「数万亿美元流经人的双手。对我来说，这是世界上最值得解决的问题。」今年 3 月，Wired 记者在公司位于剑桥（Cambridge, Massachusetts）的办公室里看到，机械爪冲向灯泡时骤然减速、轻轻摸索，最后把灯泡拧进插座点亮了工作区；这位写了十多年机器人的作者写道，市面上几十款机械臂里没有一款能拧灯泡。UC Berkeley 教授 Ken Goldberg 从 Agrawal 读学生时代就认识他，现在是公司顾问，他的评价是：「Pulkit 是个非常有创意的思考者，总在往别人不走的方向推进。」
公司口径下的性能数字与尚未通过的关卡
性能数字全部来自投资方与公司单方口径：a16z 公告称，Eka 报告在实验室的 induction（上料）与 bin-picking（料箱拣选）任务中最高达到每小时 1,500 次拣选；TechCrunch 的版本更具体——单件物体重量最高 1 公斤，人类约为每小时 600 次，Eka 称抓取可靠率超过 95%。这些数字没有独立核实。
公告自己写明了边界：这套系统已在易碎物体、光滑工业零件和接触密集的插入任务上演示操作，但能否在整个生产班次中维持这种性能，是下一步的考验。TechCrunch 透露，公司正与多家工业客户进行保密试点，方向是抓放（pick-and-place）与线缆操作（wire manipulation）。硬件上，Agrawal 对 TechCrunch 说，Eka 的夹爪成本低于 1,000 美元，额定寿命 500 万个工作循环，而标准工业臂的门槛是 2,000 万次循环——把可靠性拉到那个水平是目标，不是现状。
演示之外：同行的赞叹与产线上的问号
TechCrunch 采访了几位看过演示的人。伊利诺伊大学香槟分校（UIUC）教授 Kris Hauser 说，与他近期看到的其他机器人演示相比，Eka 的演示有「让人惊叹的效果」（wow factor）；机器人「无需再训练就能适应大量不同的物体」，还有「像人、又让人发毛的一面」（creepy humanness）——第一次失败后会一次又一次地重试。一位因在前沿实验室工作而要求匿名的机器人学家告诉 TechCrunch，见到 Eka 的机器人是一次「情绪体验」，堪比 5～10 年前机器人首次实现可靠的腿足运动；他递给机器人一颗树莓，并描述了与机械臂的近距离接触：一只又大又重的机械臂冲向他的手臂，在最后一刻减速、非常轻地碰到他，「这种体验直到说话这会儿还留在我的身体里」。同一位观察者还注意到，机械臂快到「足以伤到自己」，这说明「他们对算法不会弄坏机器人有很高的信任」。
a16z 普通合伙人 Raghu Raghuram 参与领投了这一轮，他告诉 TechCrunch：「它们在某些任务上已经超出超人表现……未来几个月，许多灵巧操作任务都会达到超人表现。」这是投资方的判断，不是经过验证的结论。
真正的考试还没开始。Hauser 提醒，与集成商合作、在真实装配线上整年无故障运行才是大挑战；另一个开放问题是泛化——「我看到的都是抓放，但许多有附加值的工业任务不止抓放。」Agrawal 给出的计划是先在两个品类做出「本垒打」：拣选-整理-放置与线缆处理，之后再让这套方法向更多任务扩展。