EKA ROBOTICS: 1,45 MILLIARDEN FÜR EIN MODELL, DAS GREIFEN NEU DENKT

Das Wichtigste

Eka Robotics hat eine Series A über 150 Millionen US-Dollar abgeschlossen, angeführt von a16z und F-Prime. Bewertung: 1,45 Milliarden US-Dollar. Grund: ein Roboterarm, der Objekte greift wie noch kein System zuvor.

Was ist passiert?

Das Startup wurde von MIT-Professor Pulkit Agrawal und Tuomas Haarnoja, ehemals Google DeepMind, gegründet. Beide kennen sich aus der Forschung zu Reinforcement Learning für Robotik, beide trafen sich im Grad-Studium in Berkeley.

Ihr System schafft laut Artikel bis zu 1.500 Objekte pro Stunde bei einer Erfolgsquote von über 95 Prozent. Zum Vergleich: Ein Mensch schafft etwa 600 Objekte. Erfahrene Robotik-Forscher wie Kris Hauser (University of Illinois) sprechen von einem "Wow-Faktor", der sich deutlich von anderen Demos abhebt.

Besonders bemerkenswert: Der Arm bewegt sich so schnell, dass er sich theoretisch selbst beschädigen könnte, tut es aber nicht. Ein anonymer Forscher eines führenden KI-Labors beschreibt die Begegnung mit dem Roboter, der eine Himbeere entgegennahm, als emotionales Erlebnis, vergleichbar mit den ersten verlässlichen Lauf-Robotern vor fünf bis zehn Jahren.

Technische Details

Der Unterschied liegt im Trainingsansatz. Statt eines Vision-Language-Action-Modells, wie es aktuell die meisten physischen KI-Systeme nutzen, setzt Eka auf ein Vision-Force-Action-Modell. Es verknüpft nicht Sprache und Bild mit Aktion, sondern Kraftsensorik mit Aktion.

Agrawal bringt es auf den Punkt: "Vision sagt dir ungefähr, wo das Objekt ist. Das eigentliche Greifen passiert über Kräfte." Das deckt sich mit einer Kritik, die Robotik-Veteran Rodney Brooks seit Jahren äußert: Ohne Kraft- und Tastsinn-Modellierung scheitern generative Robotik-Modelle an genau diesem letzten Millimeter.

Dazu entwickelte Eka eine eigene, flexiblere Greifhand mit zusätzlichen Kraftsensoren, die bei Kontakt reagiert und deshalb die Himbeere nicht zerdrückt. Das Training läuft über einen Physik-Simulator, der verschiedene Kräfte beim Greifen modelliert und daraus eine Reinforcement-Learning-Umgebung baut. Laut Eka lassen sich so tausende Stunden Roboter-Erfahrung in Minuten simulieren, unabhängig von menschlichen Demonstrationsdaten.

Warum ist das relevant?

Die Branche kämpft seit Jahren mit einem Trade-off: Generalistische Modelle wie aktuelle multimodale LLMs können in unbekannten Umgebungen agieren, aber langsam und teuer. Spezialisierte Modelle sind schnell und zuverlässig, aber auf eine Aufgabe beschränkt.

Eka positioniert sich dazwischen: Ein übergeordnetes Planungsmodell entscheidet, was zu tun ist, Ekas Modell übernimmt die physische Ausführung. Haarnoja beschreibt den Ansatz als "Bottom-up" statt "Top-down", die Intelligenz kommt aus der Physik, nicht aus der Sprache.

Für Industrieunternehmen mit Pick-and-Place- oder Kabelmontage-Prozessen ist das ein relevanter Datenpunkt. Eka arbeitet laut Artikel bereits in vertraulichen Pilotprojekten mit Industriekunden.

Die offenen Fragen

Der Sprung vom Labor in die Produktionslinie ist laut Hauser fast so groß wie der zwischen Simulation und Realität. Ein System muss ein ganzes Jahr fehlerfrei durchlaufen, Pick-and-Place allein deckt zudem nicht alle wertschöpfenden Industrieaufgaben ab.

Auch die Hardware muss noch nachziehen: Ekas Greifer, aktuell unter 1.000 US-Dollar in der Herstellung, ist für 5 Millionen Betriebszyklen ausgelegt. Der Industriestandard liegt bei 20 Millionen.

Take-Away

Wer in Logistik, Fertigung oder Lagerautomatisierung unterwegs ist, sollte Eka auf dem Schirm behalten. Nicht wegen der Bewertung, sondern wegen des Architektur-Ansatzes: Kraft- statt reine Bildsensorik könnte das fehlende Puzzleteil sein, das physische KI endlich aus der Demo-Phase holt.