机器人抓取一个灯泡的动作，在人类看来只需要不到两秒。但对自动化系统而言，最后几毫米的接触才是真正难以逾越的障碍：视觉可以告诉机械臂物体在哪里、大致是什么姿态，却无法告诉它该用多大的力、在哪个瞬间停止施压、当物体开始滑动时如何调整。过去几年，大量机器人创业公司把希望押在视觉-语言-动作模型上，试图用互联网规模的图像和人类演示数据教会机器人操作。但一个更根本的问题被绕开了——接触力。
Eka Robotics 试图从这个问题切入。2026年10月20日，据硅谷报道媒体 Silicon Report 报道，这家由 MIT 教授 Pulkit Agrawal 与前 Google DeepMind 研究员 Tuomas Haarnoja 创立的公司完成 1.5 亿美元 A 轮融资，投后估值 14.5 亿美元，由 Andreessen Horowitz（a16z）与 F-Prime 领投。公司通稿称，种子轮领投方 Obvious Ventures 与 E14 Fund 继续参与，其他投资方包括 MFV Partners、Bison Ventures、Glasswing Ventures、Samsung Next 及多家未具名的财富 500 强战略投资者。
这笔融资的核心叙事不是“又一个机器人基础模型公司”，而是一条与主流视觉-语言-动作路线刻意拉开距离的技术路径。Eka 公司通稿称，其构建的是视觉-力-动作（VFA）模型，将语言、力输入与动作关联，训练过程不依赖人类演示数据，而是在建模接触力的物理仿真中进行大规模强化学习。公司通稿称，该路径可在数分钟内生成数千小时机器人经验。与之配套的是一套自研力敏感夹爪，公司通稿称其成本低于 1000 美元。
| 字段 | 内容 |
|---|---|
| 公司 | Eka Robotics |
| 轮次 | A轮 |
| 金额 | 1.5亿美元 |
| 投资方 | Andreessen Horowitz（a16z）、F-Prime 领投；Obvious Ventures、E14 Fund、MFV Partners、Bison Ventures、Glasswing Ventures、Samsung Next 及多家财富500强战略投资者参与 |
| 总部 | 未披露 |
| 创始人 | Pulkit Agrawal、Tuomas Haarnoja |
| 官网 | https://ekarobotics.com |
用“力”而非“语言”关闭最后一毫米，是对主流路线的直接挑战
Eka 的技术主张建立在一个明确的行业判断上：视觉可以解决“物体在哪里”的粗略定位问题，但无法解决“如何抓住”的接触控制问题。据 TechCrunch 报道，联合创始人 Pulkit Agrawal 对此的表述是：“视觉不是关闭最后一毫米问题的主要方式。视觉告诉你物体大致在哪里、姿态是什么，但真正的抓取、真正的搜寻是通过力发生的。”
这一判断与当前机器人基础模型的主流路线形成对比。过去两年，多家公司采用视觉-语言-动作架构，试图让机器人在理解图像和语言指令后直接输出动作。Eka 公司通稿称，其 VFA 模型区别于这类架构，将力输入作为与视觉、语言并列的核心信号。公司通稿进一步称，其机器人可完成拧灯泡、插线等任务，并表现出跨环境、跨物体、跨任务的泛化迹象。
从技术逻辑看，这一选择并非没有依据。在接触丰富的操作任务中，视觉信号在物体被机械臂或夹爪遮挡后迅速失效，而力反馈在接触发生后仍持续提供信息。一个正在滑动的物体、一个未完全插入的连接器、一个受力即将破裂的浆果，都需要通过力而非图像来判断。问题在于，将力信号纳入大规模训练并不容易。力数据难以从互联网视频中获取，也难以通过人类演示完整采集。Eka 的答案是回到仿真。
强化学习在仿真中生成经验，绕开人类演示数据的瓶颈
Eka 公司通稿称，其训练方法不依赖人类演示数据，而是在建模接触力的物理仿真中运行强化学习。公司通稿称，仿真环境可以在数分钟内生成数千小时机器人经验，并改变物体、环境与物理条件。这与依赖人工采集真实世界演示数据的路线形成资源消耗上的差异：后者受限于机器人数量、操作员时间与数据标注成本，而仿真训练理论上可以随算力扩展。
伊利诺伊大学厄巴纳-香槟分校教授 Kris Hauser 据 TechCrunch 报道对此评价称：“与其被限制在从人类演示中收集的数据里，Eka 正在通过强化学习推动这样一种方法，让机器人可以超越任何给予它的演示。”这一评价指向强化学习相对于模仿学习的一个关键差异：模仿学习的天花板通常不会超过演示者的水平，而强化学习在奖励函数设计合理的前提下，理论上可以探索出超越人类策略的行为。
但仿真训练有一个被反复讨论的固有问题：仿真与真实世界之间的差距。接触力建模、摩擦系数、物体变形、传感器噪声，这些因素在仿真中很难被完全还原。Eka 公司通稿承认这一障碍，但称其 VFA 模型正在证明“仿真到现实的障碍正在瓦解”。这一说法目前仍属于公司单方面判断。从已披露的公开演示看，Eka 展示的主要是拾放和插线等任务，这些任务虽然涉及接触，但接触复杂度仍低于研磨、装配精密部件或处理非刚性材料等更困难的工业操作。仿真到现实的差距是否在这些任务上真正被跨越，需要更长期的产线运行数据来验证。
每小时1500次操作与95%成功率，数字背后是实验室口径
Eka 公司通稿称，其机器人可以每小时完成约 1500 次操作，约为人类基准约 600 次/小时的 2.5 倍。据 Gate.com 转述 TechCrunch 的报道，该机器人每小时可抓取超过 1500 件重达 1 公斤的物体，成功率超过 95%。公司通稿还称，其夹爪当前额定 500 万次循环，目标提升至工业机械臂标准的 2000 万次循环。
这些数字需要被放在正确的口径下理解。a16z 据 RobotsBeat 报道将吞吐量数据描述为来自实验室归纳与料箱拣选任务。这意味着 1500 次/小时并非在真实工厂产线上连续运行的结果，而是在受控环境中针对特定任务的测试表现。实验室环境通常排除了产线上的多种干扰因素：来料位置不稳定、物体表面有油污或灰尘、传送带速度波动、周围设备振动、以及连续运行数小时后的传感器漂移。
95% 以上的抓取成功率同样需要谨慎解读。在料箱拣选场景中，一次“成功”通常指成功抓取并放置一个物体。如果失败后允许重试，那么最终成功率可能显著高于单次抓取成功率。来源材料未披露 Eka 的统计口径是否包含重试、是否区分抓取成功与放置成功、以及统计样本的物体种类分布。这些口径差异会直接影响数字的可比性。公司通稿与报道均未提供独立第三方验证，上述性能数据为公司自报。
夹爪耐久性数据则揭示了一个更具体的工程差距。500 万次循环与 2000 万次循环之间的差距，意味着当前硬件在达到工业机械臂标准之前，寿命只有目标的四分之一。对于一条每天运行两班、每班 8 小时的产线，如果夹爪以每分钟约 25 次的速度工作，500 万次循环大约对应 1667 小时，即约 208 个工作日。这并非不可接受的数字，但意味着客户需要更频繁地更换或维护末端执行器，这会直接推高总拥有成本。公司通稿称其目标是将夹爪提升至 2000 万次循环，但未披露实现这一目标的时间表或技术路径。
14.5亿美元估值买的是什么：一个尚未被产线验证的假设
a16z 普通合伙人 Raghu Raguram 据 TechCrunch 报道称，Eka 机器人“在某些任务上已经超越了人类表现”。a16z 的投资逻辑在其公开表述中指向一个更大的市场判断：将人类的灵活性与机器的速度、可靠性、正常运行时间结合，是通用机器人领域最大的机会之一。这一判断本身并不新鲜，几乎所有机器人基础模型公司都在讲述类似的故事。真正让 a16z 下注的，是 Eka 在技术路径上的差异化——用强化学习而非模仿学习，用仿真而非真实世界数据，用自研力敏感夹爪而非依赖第三方末端执行器。
从资本结构看，这轮融资的规模与轮次值得注意。1.5 亿美元的 A 轮在机器人领域属于较高水平，14.5 亿美元的投后估值意味着投资方对公司在 A 轮阶段就给出了独角兽定价。公司通稿称，本轮投资方包括多家财富 500 强战略投资者，但未披露具体名称。战略投资者的参与通常被解读为客户需求的早期信号，但在未披露名称的情况下，这一信号无法被独立评估。
Eka 联合创始人 Pulkit Agrawal 据 TechCrunch 报道称：“Eka 正在弥合的是困扰许多现代机器人技术的通用性-性能差距。”这一表述点出了本轮融资的核心命题：机器人系统要么在高度结构化的环境中实现高性能但缺乏通用性，要么在实验室中展示通用性但无法达到工业部署所需的性能。Eka 的主张是，通过大规模强化学习同时获得两者。但从已披露的信息看，这一主张目前主要建立在实验室演示和公司自报数据之上，尚未有公开的产线运行记录支撑。
拾放与线缆操作试点，是商业化路径上最保守的起点
据 Silicon Report 报道，Eka 正在面向拾放与线缆操作两类场景开展工业试点，未披露具体客户名称。这两类场景的选择具有明显的策略性。拾放是机器人操作中最成熟、最标准化的任务类型，客户对性能指标有清晰的衡量标准，也最容易与人工成本进行直接比较。线缆操作则代表另一类需求：柔性物体在操作中会变形，视觉定位难度高，力反馈的价值更突出。
但这两类场景也意味着 Eka 目前的商业化验证仍处于相对初级的阶段。拾放任务在工业自动化中已有大量成熟解决方案，传统工业机器人配合真空吸盘或专用夹爪，在特定场景下可以达到很高的速度和可靠性。Eka 的差异化在于用一个通用模型处理多种物体，而非为每种物体设计专用夹具。这一价值主张是否成立，取决于客户是否真的需要频繁切换物体种类，以及切换时 Eka 的系统是否真的无需重新训练或重新编程。
线缆操作则更接近 Eka 技术优势的核心场景，但商业规模尚不明确。线缆插入、线束整理等任务在电子制造和汽车线束生产中大量存在，但每个客户对线缆规格、连接器类型、插入力要求都有不同标准。一个通用模型能否覆盖这些差异，还是需要在每个客户现场进行大量适配，是 Eka 尚未回答的问题。公司通稿称本轮资金将用于把 VFA 模型扩展到更多任务、扩大机器人系统能力并加速客户部署，但未披露具体的客户数量、试点规模或商业化时间表。
产线可靠性是真正的门槛，而非抓取成功率
伊利诺伊大学厄巴纳-香槟分校教授 Kris Hauser 据 TechCrunch 报道指出，在真实工厂产线上稳定运行而不出故障仍是关键挑战。这一判断触及了机器人创业公司最常被忽视的问题：实验室演示衡量的是系统在最佳条件下的峰值能力，而产线部署衡量的是系统在最差条件下的持续表现。
对于 Eka 而言，产线可靠性的挑战来自多个层面。首先是硬件层面，力敏感夹爪的传感器在连续数万次接触后是否会出现漂移或失效，目前没有公开数据。其次是软件层面，强化学习训练的策略在面对训练分布之外的物体或环境时，可能产生不可预测的行为。Eka 公司通稿称其机器人可以抓取训练分布之外的多种物体，但未披露这种泛化能力的边界在哪里。第三是系统集成层面，机器人在产线上不是孤立工作的，它需要与传送带、料箱、安全系统、生产管理系统协同，任何一处的时序不匹配都可能导致停线。
从已披露的信息看，Eka 目前公开演示多集中于拾放任务，更复杂的工厂作业尚待验证。拧灯泡和插线虽然在公司通稿中被提及，但来源材料未提供这些任务的成功率、速度或连续运行数据。这意味着 Eka 的技术能力在简单拾放之外，仍缺乏可量化的公开证据。
另一个值得注意的边界是，来源材料未披露 Eka 的客户数量、合同金额、收入规模或部署数量。14.5 亿美元的估值建立在技术路径差异化和实验室性能数据之上，而非商业收入之上。这在当前物理 AI 投资热潮中并非孤例，但意味着后续融资和估值支撑将高度依赖试点转化为付费部署的速度。
资金用途指向模型扩展，但真正的瓶颈可能在硬件与集成
公司通稿称，本轮资金将用于把 VFA 模型扩展到更多任务、提升机器人系统能力并加速客户部署。报道称资金将用于推进力敏感物理 AI 模型研发。从资金分配的逻辑看，模型扩展和客户部署是两条并行的线：前者决定 Eka 能否从拾放进入更复杂的操作任务，后者决定公司能否在短期内产生收入。
但 Eka 面临的瓶颈可能不完全在模型层面。自研力敏感夹爪意味着公司需要同时管理硬件供应链、质量控制、寿命测试和售后维护。对于一个以软件和模型为核心能力的团队而言，硬件业务的运营复杂度往往被低估。公司通稿称其团队来自 MIT、Berkeley、DeepMind、Boston Dynamics、Microsoft、CMU、UPenn、Harvard、Northeastern、Caltech 和 Oxford 等机构，但未披露团队规模或硬件工程人员的具体背景。
从产业约束看，力敏感夹爪的成本低于 1000 美元是一个有竞争力的数字，但末端执行器只是机器人系统总成本的一部分。客户在评估自动化方案时，关注的是整套系统的投资回收期，包括机器人本体、集成费用、维护成本和停机损失。Eka 未披露其系统在客户现场的完整部署成本，因此无法判断其性价比优势是否足以推动客户从传统自动化方案切换。
此外，Eka 的模型与夹爪是配套设计的，这意味着客户不能只购买软件或只购买夹爪，而必须接受整套系统。这种捆绑策略在技术验证阶段有助于确保性能，但在商业化阶段可能限制市场覆盖面。如果客户已经拥有工业机械臂，是否愿意为 Eka 的模型和夹爪替换现有末端执行器，取决于 Eka 能否证明增量收益足够大。
从竞争格局看，来源材料未提供 Eka 与具体竞品的直接对比数据。但同期机器人基础模型公司的融资活动表明，这一领域的资本竞争正在加剧。据 Gate.com 报道，Dream Labs 在 2026 年 10 月 20 日完成 9000 万美元种子轮融资并推出机器人基础模型 API。这意味着 Eka 的技术路径虽然差异化明显，但并非没有替代方案。客户在选择机器人操作方案时，会比较不同模型架构的实际表现，而非技术路线的理论优势。
Eka 的验证路径相对清晰：如果工业试点能够在真实产线上持续运行数月，保持可接受的抓取成功率和硬件寿命，那么其技术主张将获得独立于公司自报数据的支撑。如果试点中出现频繁故障、泛化失败或硬件寿命不达标，那么 14.5 亿美元的估值将面临显著回调压力。目前，这一验证尚未完成。
RecodeX 极客视：Eka Robotics 用一轮 1.5 亿美元的 A 轮融资，把“力”重新放回了机器人操作的中心位置。这条路线在技术逻辑上有其吸引力：视觉解决定位，力解决接触，强化学习在仿真中绕开人类演示数据的瓶颈。但 1500 次/小时和 95% 成功率目前仍是实验室口径，500 万次循环的夹爪距离工业标准还有四倍差距，试点客户名称和部署规模均未披露。真正值得关注的不是 Eka 能否在演示视频中拧上灯泡，而是它能否让同一个系统在客户产线上连续运行三个月而无需人工干预。在那一天到来之前，14.5 亿美元的估值买下的，是一个方向明确但尚未被产线验证的假设。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。