1.5 亿美元、14.5 亿估值，但夹爪寿命只有工业标准的四分之一：Eka 用「力觉」给 VLA 出了一道侧翼题
Eka 不做 VLA，做 vision-force-action：视觉只负责「大概在哪」，最后 1 毫米的抓取靠力反馈闭环。1 小时 1500 次抓取、95% 成功率背后，是一条 500 万次的夹爪寿命——它用架构换来了泛化，也把耐久性问题原样留给了产线。
- 融资：Eka Robotics 完成 1.5 亿美元 A 轮，投后估值 14.5 亿美元，a16z 与 F-Prime 联合领投；公司成立仅一年出头（种子轮到本轮）。
- 架构：不走主流 VLA（视觉-语言-动作），而是 VFA（视觉-力-动作）——视觉只给出物体大致位置与姿态，抓取的「最后 1 毫米」由力反馈实时闭环。
- 数字：每小时抓取约 1500 个 1 公斤以内物体（人类约 600），成功率 超 95%，对新物体无需重训。
- 代价：力控夹爪成本低于 1000 美元，但额定寿命 500 万次，只有工业机械臂标准（2000 万次）的四分之一。
- 训练法：几乎全部在物理仿真里做强化学习，自称几分钟可生成数千小时机器人经验，路线对标 AlphaZero 而非模仿学习。
- 判断：这是对 VLA 范式的一次架构级挑战——但估值定价的是「灵巧性天花板」，不是「产线可用性」。
Eka Robotics 由 MIT 教授 Pulkit Agrawal 与前 Google DeepMind 研究员 Tuomas Haarnoja 创立——前者主持 Improbable AI 实验室，后者是强化学习经典算法 Soft Actor-Critic 的共同作者。两人本 科学界于伯克利，是机器人强化学习这条路上资历最深的组合之一。本轮 1.5 亿美元 A 轮由 a16z 与 F-Prime 联合领投，投后估值 14.5 亿美元，距其种子轮仅一年出头。
钱之外更值得看的是架构之争。当前主流灵巧操作模型几乎清一色是 VLA：用语言、视觉、动作三元组训练，靠海量人类示教视频学「任务长什么样」。Eka 给出的答案是 VFA——vision-force-action：视觉仍然负责「物体大概在哪、姿态如何」，但真正完成抓取的搜索、对位、收拢，全部由力反馈实时闭环。
1500 对 600 的效率优势、95% 的成功率、无需重训适应新物体——这三个数字让伊利诺伊大学教授 Kris Hauser 给出了「惊艳感」的评价，一位匿名的前沿实验室机器人专家甚至把它类比作五到十年前机器人首次实现可靠足式行走。但同一条报道里也写了另一组数字：力控夹爪成本低于 1000 美元，额定寿命 500 万次，只有工业标准 2000 万次的四分之一。
判断：这组对比本身就是这家公司的处境缩影。用仿真强化学习换来了「不知道失败为何物」的抓取策略——机器人可以高速冲向目标、临接触前急减速，这种动作 humans 不敢演示，所以模仿学习学不到；代价是硬件在极限工况下损耗，寿命差距被诚实地留在了参数表里。从实验室到产线的距离， TechCrunch 自己的评价是「几乎和 sim-to real 的鸿沟一样大」。
Eka 的训练几乎全部在物理仿真里完成：用物理模拟器建模抓取过程中的多种力，构造可大规模并行的强化学习环境，自称几分钟能生成数千小时的机器人经验。这与 Generalist AI、Sunday Robotics 等公司靠人类穿戴手套采集数十万小时真机数据的路线正好相反。
判断：两条路线的分野其实是数据主权的分野。示教数据路线的护城河是采集规模与成本控制，天花板是「人类能演示什么」；仿真强化学习路线的护城河是物理建模精度与算力，天花板是「仿真和真实的差距」。Eka 选了后者，因为它压根不打算让机器人学人类——超人类表现只能来自超越人类示教的上限。这也解释了为什么 a16z 敢用「超人类」这个词：AlphaZero 式的自博弈确实不需要人类棋谱。