Eka Robotics recauda 150 millones de dólares para su modelo visión-fuerza-acción

Eka Robotics, una startup fundada por el profesor del MIT Pulkit Agrawal y el exinvestigador de Google DeepMind Tuomas Haarnoja, ha cerrado una ronda de financiación Serie A de 150 millones de dólares. La inversión, liderada por a16z y F-Prime, valora a la empresa en 1.450 millones de dólares post-money y destaca un cambio significativo en cómo la inteligencia artificial interactúa con el mundo físico mediante arquitecturas avanzadas de manipulación.

Qué ha ocurrido

El sector de la robótica ha luchado durante mucho tiempo con la simple tarea de recoger objetos, a pesar de las enormes inversiones en modelos de aprendizaje profundo entrenados con datos de vídeo. Eka Robotics afirma haber resuelto este cuello de botella desarrollando un sistema que supera el rendimiento humano en tareas específicas de destreza. Según Raghu Raghuram, socio general de a16z, la tecnología ya está demostrando capacidades sobrehumanas y se espera que se expanda a muchas más tareas de manipulación en los próximos meses.

Los expertos de la industria han reaccionado con sorpresa ante las demostraciones. Kris Hauser, profesor de la Universidad de Illinois Urbana-Champaign, destacó la capacidad del sistema para adaptarse a objetos diversos sin necesidad de volver a entrenar. Describió una "humanidad" distintiva en el comportamiento del robot, especialmente su persistencia cuando los primeros intentos fallan. Otro observador de un laboratorio de vanguardia comparó el impacto emocional de ver al robot de Eka con los momentos de avance en la locomoción bípeda vistos hace cinco o diez años, citando la fluidez y velocidad de sus movimientos como particularmente impresionantes.

Las métricas de rendimiento proporcionadas por la empresa indican que el robot puede recoger aproximadamente 1.500 objetos de hasta 1 kg en una hora, superando significativamente el promedio humano de 600. El sistema logra supuestamente una tasa de fiabilidad superior al 95 por ciento. La velocidad y la fuerza del brazo son sustanciales, lo que obliga al algoritmo a tener una alta confianza en su lógica de control para evitar autodestruirse, un nivel de confianza que sugiere pruebas exhaustivas y modelos subyacentes robustos.

Cómo funciona

La innovación central radica en pasar de los modelos visión-lenguaje-acción a una arquitectura visión-fuerza-acción. Mientras que los modelos tradicionales dependen en gran medida de las entradas visuales para determinar la acción, el enfoque de Eka prioriza la retroalimentación de fuerza. Pulkit Agrawal explica que la visión solo proporciona datos aproximados de ubicación y postura, mientras que los procesos reales de agarre y búsqueda están impulsados por interacciones de fuerza. Esto coincide con las críticas de expertos como Rodney Brooks, quienes argumentan que la robótica de IA generativa falla si no representa el tacto y la fuerza.

Para habilitar esto, Eka diseñó una mano robótica personalizada con mayor flexibilidad y una mayor densidad de sensores de fuerza que las pinzas tradicionales. Este hardware permite al robot reaccionar instantáneamente al contacto, evitando daños en artículos frágiles como las frambuesas. El proceso de entrenamiento aprovecha simulaciones físicas a gran escala para modelar las múltiples fuerzas encontradas durante el agarre. Al utilizar el aprendizaje por refuerzo dentro de estos entornos simulados, el equipo puede generar miles de horas de experiencia del robot en minutos, evitando las limitaciones de recopilar datos de demostración del mundo real.

Este enfoque ascendente contrasta con los métodos de planificación descendente utilizados por muchos modelos de IA de propósito general. Mientras que sistemas como Astra pueden manejar la toma de decisiones de alto nivel, a menudo carecen de la precisión física requerida para tareas delicadas. El modelo de Eka gestiona la ejecución física, permitiéndole cerrar la brecha entre la inteligencia general y el rendimiento físico fiable. El entrenamiento basado en simulaciones permite al robot superar las capacidades demostradas por operadores humanos, ya que no está limitado por los datos disponibles de demostraciones manuales.

Detalles clave

• Eka Robotics recaudó 150 millones de dólares en financiación Serie A, alcanzando una valoración post-money de 1.450 millones de dólares.
• El equipo fundador incluye al profesor del MIT Pulkit Agrawal y al exinvestigador de Google DeepMind Tuomas Haarnoja.
• El robot utiliza un modelo visión-fuerza-acción en lugar del marco más común visión-lenguaje-acción.
• Las pruebas de rendimiento muestran que el robot puede recoger 1.500 objetos por hora con una fiabilidad superior al 95 por ciento.
• El entrenamiento depende de simulaciones físicas escalables y aprendizaje por refuerzo en lugar de vídeos de demostración humana.
• Los pilotos industriales actuales se centran en operaciones de picking and place y manipulación de cables en despliegues confidenciales.

Por qué importa

Para ingenieros de software y líderes técnicos, este desarrollo señala un movimiento alejándose de los modelos visuales puramente basados en datos hacia sistemas híbridos que integran leyes físicas en el bucle de aprendizaje. La dependencia de la simulación para el aprendizaje por refuerzo reduce la dependencia de la recopilación de datos del mundo real, costosa y lenta. Este cambio podría acelerar el despliegue de robots en entornos no estructurados donde los datos visuales por sí solos son insuficientes para una manipulación precisa.

La distinción entre la planificación de alto nivel y el control físico de bajo nivel se está volviendo más clara. Los modelos generales de IA pueden dictar qué debe hacerse, pero los modelos especializados de IA física como el de Eka ejecutarán la tarea de forma segura y eficiente. Esta separación de responsabilidades permite sistemas más robustos donde la capa física puede operar con alta velocidad y confianza, confiando en el algoritmo para prevenir daños en el hardware mientras interactúa con objetos delicados o variables.

Sin embargo, persisten desafíos en la transición desde entornos de laboratorio controlados a líneas de ensamblaje industriales. La fiabilidad durante períodos prolongados, como funcionar sin fallos durante un año, es un obstáculo significativo. Además, el enfoque actual en picking and place y manejo de cables debe expandirse a tareas de valor añadido más complejas para demostrar una aplicabilidad más amplia. La durabilidad del hardware, actualmente clasificada para 5 millones de ciclos de trabajo, también necesita cumplir con el estándar de 20 millones de ciclos de los brazos industriales.

Qué puedes hacer

• Evalúa si tus proyectos de robótica actuales dependen demasiado de los datos visuales sin una integración adecuada de la retroalimentación de fuerza.
• Explora marcos de aprendizaje por refuerzo que soporten simulaciones basadas en física para entrenar políticas de manipulación.
• Investiga diseños de pinzas ricas en sensores que puedan proporcionar datos de fuerza de alta resolución para el control en bucle cerrado.
• Considera arquitecturas híbridas donde LLMs de alto nivel gestionen la planificación de tareas mientras modelos especializados manejan la ejecución física.
• Monitorea los desarrollos en técnicas de transferencia de simulación a realidad para reducir la necesidad de extensas pruebas en el mundo real.
• Evalúa los requisitos de durabilidad de tu hardware frente a las demandas operativas del uso industrial continuo.