Eka Robotics ha cerrado una ronda Serie A de 150 millones de dólares para escalar su modelo de visión-fuerza-acción y ampliar los despliegues con clientes. La ronda fue liderada por Andreessen Horowitz (a16z) y F-Prime, un fondo de capital riesgo afiliado a FMR LLC, la matriz de Fidelity Investments.
La startup, con sede en Cambridge (Massachusetts) y fundada en 2024, afirma que su modelo de visión-fuerza-acción (VFA) dota a los robots de una intuición de la física, aprendida mediante aprendizaje por refuerzo a gran escala. Según la compañía, los robots que ejecutan el modelo pueden manipular una gran variedad de objetos ajenos a la distribución de entrenamiento a un ritmo aproximado de 1.500 operaciones por hora.
Para qué está pensado el modelo
Eka apunta a la manipulación diestra. La compañía sostiene que los robots que realizan tareas complejas necesitan dos cosas: la versatilidad para adaptarse a condiciones cambiantes y el rendimiento para entregar resultados útiles todos los días.
Su modelo VFA razona de forma conjunta sobre visión y fuerzas. Eka asegura que esto permite al robot desarrollar intuición sobre una tarea de una manera comparable a como lo hace una persona. La empresa también afirma que los mismos robots pueden enroscar una bombilla e insertar cables. Se trata de afirmaciones de la propia Eka, y la compañía no ha publicado datos detallados de rendimiento que las respalden.
Eka sostiene que, para llegar a ser verdaderamente de propósito general, los robots deben dominar la física en lugar de imitar datos humanos. Esa postura la distingue de los enfoques basados en demostraciones humanas. En palabras de la empresa: "El aprendizaje por refuerzo a gran escala aporta rendimiento, y la amplitud de la experiencia aporta generalidad".
Entrenamiento en simulación
La compañía se apoya en el aprendizaje en simulación. Asegura que puede generar miles de horas de experiencia robótica en cuestión de minutos, variando objetos, entornos y condiciones físicas. Según Eka, su modelo VFA demuestra que la brecha habitual entre simulación y mundo real (sim-to-real) se está cerrando, y que trasladar el aprendizaje simulado al mundo real ofrece una vía escalable, de alto rendimiento y eficiente en capital hacia un modelo fundacional para manipulación.
La empresa no detalló qué parte del rendimiento del modelo en el mundo real procede de la simulación y cuál de datos reales. Tampoco mencionó los nombres de sus clientes ni los sitios donde se han desplegado sus robots.
Quiénes respaldan la ronda
Los inversores semilla de Eka, Obvious Ventures y E14 Fund, mantuvieron su apoyo en la Serie A. El resto de la financiación provino de MFV Partners, Bison Ventures, Glasswing Ventures, Samsung Next y varios inversores estratégicos del Fortune 500. La compañía no identificó a esos estratégicos.
Raghu Raghuram, socio general de a16z, describió el modelo VFA como "el primer enfoque que he visto que realmente resuelve la manipulación con la generalidad y el rendimiento necesarios para los despliegues". Añadió que el equipo tiene "el ADN ideal para impulsar la frontera de la investigación en robótica mientras escala las operaciones comerciales".
Shyam Kamadolli, director general (managing director) de Fine Structure Ventures, planteó el problema en términos de planta de producción. "Desde el piso de la fábrica, el valor de un robot se reduce a dos cosas: su tasa de éxito y su velocidad a lo largo de miles de repeticiones", dijo. Argumentó que los enfoques actuales de generalización no lo lograrán, y que el siguiente nivel de rendimiento exige una comprensión profunda de la física y romper con la dependencia de las demostraciones humanas. Dijo creer que el enfoque de Eka es el único que resistirá en despliegues reales de tareas complejas.
El tamaño de la ronda y la lista de inversores indican que los respaldos están dispuestos a financiar una apuesta por la manipulación centrada en la física y basada en gran medida en simulación. Sin embargo, las citas de los inversores son opiniones de personas con un interés financiero, no mediciones independientes.
Análisis: qué significa y qué falta por demostrar
El dato más útil del anuncio es la cifra de productividad. Muchas demostraciones de manipulación muestran que un robot puede completar una tarea. Pocas indican cuántas completa por hora. La cifra de Eka, de unas 1.500 operaciones por hora con objetos fuera de la distribución de entrenamiento, apunta a la métrica que menciona Kamadolli: tasa de éxito y velocidad a lo largo de miles de repeticiones. Es el criterio adecuado para compradores de fábricas y logística, y es el que se usará para juzgar a Eka.
El enfoque también toma partido claro en un debate abierto. Un bando construye la habilidad de manipulación a partir de demostraciones humanas. Eka sostiene que las demostraciones limitan el rendimiento y que el aprendizaje por refuerzo en simulación, con la fuerza como entrada central junto con la visión, es la mejor vía. Incluir la fuerza en el nombre del modelo es una decisión de diseño notable. Tareas como insertar cables o enroscar una bombilla dependen del contacto, y la visión por sí sola no lo captura.
Varios puntos siguen sin demostrarse. La cifra de 1.500 operaciones es una declaración de la empresa, y la fuente no ofrece tasa de éxito, ni descripción del conjunto de objetos, ni de las condiciones de prueba. Sin una tasa de éxito, la cifra de velocidad no puede valorarse por sí sola. Las afirmaciones sobre enroscar una bombilla e insertar cables tampoco vienen acompañadas de resultados publicados.
La afirmación sobre sim-to-real es la que más peso tiene. Eka dice que la brecha se está cerrando, pero no ha mostrado qué tan bien se sostiene el modelo con distintos equipos, sitios y turnos de producción prolongados. Tampoco ha indicado cuántos clientes usan hoy el sistema. La financiación está destinada a escalar los despliegues, lo que sugiere que la prueba real todavía está por venir.
La afirmación de que ninguna otra empresa logra esto es de un inversor, no una comparación con benchmarks publicados. Hasta que Eka o un tercero independiente publique resultados directos frente a sistemas basados en demostraciones en las mismas tareas, seguirá siendo una aseveración. Las próximas señales a vigilar son los despliegues con clientes identificados, las cifras de disponibilidad sostenida y cualquier publicación de datos de evaluación.