MIT准教授らのEka Robotics、1億5000万ドル調達。視覚に力覚を足したモデルで電球をねじ込み、配線を差す

カメラで見れば、ソケットがどこにあるかはわかる。しかしコネクタの先端が触れた瞬間から、必要な情報は変わる。端が引っかかったのか、噛み込み始めたのか。押し込むのか、少し回すのか、いったん引くのか。

米Eka Roboticsが投資元のa16zとともに説明しているのは、この「触れたあと」の判断をロボットに学ばせる仕組みだ。同社は2026年10月20日、Andreessen Horowitz（a16z）とF-PrimeがリードするシリーズAで1億5000万ドルを調達したと公式ブログで発表した。看板は、視覚（Vision）に力覚（Force）を足して行動（Action）を出す「VFA」モデルである。

見えている位置に、触れて分かる手応えを重ねる

Ekaの発表文は、VFAが答えようとする問いを3つ挙げている。柔らかいラズベリーをどれくらいの強さで握るか。傷めずに持ち上げるには手をどれくらいの速さで動かすか。ケーブルが奥まで差し込まれたのはいつで、入っていなければどう対応するか。同社の説明では、見ることで物体の位置と種類がわかり、触れることで動作中に何が起きているかがわかる。この2つを合わせて推論させるのがVFAだ。

a16zの投資発表はもう少し踏み込んで書いている。人の指先と手のひらには数千の感覚受容器があるが、それをロボットの手に一つずつ再現すれば、コストも配線も故障点も増える。Ekaはモデル、センサー、制御器、ハードウェアを別々に作らず一緒に設計し、接触そのものを情報として使う。滑り始めた把持を握り直す、机の面に触れて物体の位置を探る、差し込みの抵抗を受けたらエラーで止めずに動きを変える、といった振る舞いだ。目的は、材料や物体やはめあいが変わるたびに技術者がロボットを調整し直さなくても、性能を保てるようにすることだという。

ハードウェアについて、TechCrunchは、従来のグリッパーより柔軟で力センサーも多い自社設計品で、価格は1,000ドル未満、定格寿命は500万サイクルと報じた。産業用アームの標準とされる2,000万サイクルを目標にしているという。同記事でAgrawal氏は、最後の1ミリを詰める主な手段は視覚ではない、という趣旨を語っている。

人の手本より、シミュレーションの中の試行錯誤

学ばせ方も、いまのロボット基盤モデルの主流とは違う。Ekaは人の実演を集めて真似させるのではなく、物理シミュレーション上の大規模な強化学習でVFAを鍛える。発表文は、人のデータを一切使わずにチェスと囲碁で人を超えたAlphaZeroを前例に挙げ、シミュレーションなら物体や環境や物理条件を変えながら「数千時間分のロボットの経験を数分で」生み出せると書く。

a16zは、人の実演には2つの限界があると整理した。人の時間を使うので、卵をつかむわずかな違いを100万通り見せることはできない。そして、人が失敗のしかたを網羅して見せるのは難しい。シミュレーションなら、人がめったに見せない失敗と、そこからの立て直しをロボット自身が経験できる。うまくいけば「ロボットの経験は、人の労働より計算資源に比例して増えていく」とa16zは書く。

弱点も昔から知られている。接触の力学はシミュレーションで再現しにくく、摩擦や柔らかさ、アクチュエーターのわずかなずれで、仮想空間で成功した方策が実機では使えなくなる。a16zが、Ekaならこの壁を越えられると見る理由に挙げるのが、2人の創業者の経歴だ。

Pulkit Agrawal氏はMITの電気工学・計算機科学科（EECS）の准教授で、CSAILでImprobable AI Labを率いる。本人のページによれば、手の中で物体を持ち替える研究「A System for General In-Hand Object Re-Orientation」でCoRL 2021の最優秀論文賞を受け、未知の複雑な形状を手の中で回転させる「Visual Dexterity」はScience Robotics（2023年）に載った。2024年にはIEEEの「Early Academic Career Award in Robotics and Automation」を受けている。Tuomas Haarnoja氏は、現代の強化学習の基礎的なアルゴリズムの一つとされる「Soft Actor-Critic」（2018年）の筆頭著者で、Google DeepMindでは小型の二足ヒューマノイドにシミュレーションの強化学習でサッカーを覚えさせ、実機で動かす研究（arXiv、2024年にScience Robotics掲載）の筆頭著者を務めた。2人はUCバークレーの大学院生時代に知り合ったと、TechCrunchとWIREDが伝えている。

デモの中身と、その条件

Ekaが示した成果は次のとおりだ。学習時に見ていない多様な物体を毎時1,500回ピッキングでき、人の基準値とする毎時約600回の約2.5倍。同じロボットで電球をねじ込み、配線を差し込める。VFAには環境・物体・作業をまたいで汎化する兆しが見えているという。TechCrunchは、1個1kgまでの物体を扱い、成功率は95%超とする同社の説明も伝えている。

条件はa16zの発表に書かれている。Ekaが報告しているのは実験室でのインダクション（搬送ラインへの投入）とビンピッキングで最大毎時1,500回という数字だ。そのうえで同社のシステムが壊れやすい物、滑りやすい工業部品、接触の多い差し込み作業も扱えることを示したとし、「フルシフトの生産でその性能を保てるかが次の試験」と書く。人の基準値約600回がどの作業をどう測ったものかは、発表文には書かれていない。

2026年4月29日のWIREDの記事では、ケンブリッジのオフィスを訪ねた記者が以前のモデルのデモを書いている。机の上を転がる電球を追いかけてつかみ、ソケットにねじ込む。散らばったチキンナゲットを、コンベヤーで流れてくる容器に詰める。記者が置いた鍵束も、何度かついばむようにしてからつかみ上げる。鍵束に手を伸ばすスロー映像では、指先を机に当てて滑らせてから鍵を挟み込んでいた。ただ同じ記事によれば、2人は学習方法の詳細を「商売上の強み」として明かさなかった。今回の発表でも、モデルの規模や構造、論文や技術報告は公開されていない。

顧客について、TechCrunchは複数の産業顧客とピック&プレースと配線の取り回しで試験導入を進めていると報じたが、社名と結果は出ていない。

投資家の顔ぶれ

リードはa16zと、Fidelity Investmentsの親会社FMR LLC系のベンチャーファンドF-Prime。シードのリードだったObvious VenturesとE14 Fundも続けて出資し、MFV Partners、Bison Ventures、Glasswing Ventures、Samsung Next、社名を伏せたFortune 500企業数社が加わった。a16zの発表はマネージングパートナーのRaghu Raghuram氏とパートナーのYoko Li氏の連名だ。Ekaの発表文には、E14 FundのHabib Haddad氏、Obvious VenturesのKahini Shah氏、Fine Structure VenturesのShyam Kamadolli氏のコメントも並ぶ。Kamadolli氏は、工場の現場から見ればロボットの価値は「数千回の繰り返しでの成功率と速度」の2つで決まると述べた。

評価額14億5000万ドル（ポストマネー）はTechCrunchの報道で、Eka自身の発表には書かれていない。The Robot Reportによれば設立は2024年。10月25日時点で、SECのEDGARではEka RoboticsのForm Dは見つからなかった。

人のデータを集める陣営と、計算で経験を増やす陣営

いまのロボット基盤モデルの多くは、人から学ぶ。Physical Intelligenceのπ0は、インターネット規模で事前学習した視覚言語モデルに8種類のロボットのデータを重ねた視覚言語行動（VLA）モデルだ。Dyna Roboticsは100万時間超の人の一人称動画で事前学習した「Dyna-2」を土台に、ホテルの洗濯室を1時間通しでこなすDyna-2.1を出した。Skild AIのS1は、人の作業動画1本をそのまま指示に使う。センサー付き手袋のデータだけで学ぶReward AIのOM-1や、学習データ基盤のXDOFのように、データを集める側にも資金が流れている。

データを集める人の側から見ると、構図ははっきりしている。WIREDが書くとおり、カメラやモーションキャプチャ手袋を着けて決まった作業を何時間も繰り返す仕事が、小さな産業になりつつある。Ekaの賭けは、その時間をシミュレーションの計算に置き換えることだ。ただし人の役割が消えるわけでもない。Agrawal氏の研究室は、人が着けてロボット用の操作データを速く質よく集める外骨格「DEXOP」も作っており、a16zも人の実演が「目覚ましい進歩を生んだ」と認めている。シミュレーションの物理を現実に合わせ込み、現場で成功率を確かめるのは、引き続き人の仕事になる。

日本の製造現場から見ると

Ekaが発表文で挙げる対象は、イチゴの箱詰めからGPUサーバーラックの組み立てまで、人の手を経る作業の全体だ。a16zは、部品が動き、材料が変形し、物が滑り、コネクタが少しずれる現実を、自動化を阻む壁として挙げた。日本の工場に置き換えれば、コネクタの嵌合、ワイヤーハーネスの組付け、樹脂部品のスナップフィット、ねじ締めの手前の位置合わせといった、力加減で品質が決まる工程にあたる。

こうした工程をロボットに任せるには、部品ごとに押し付ける力や探り方を詰める調整が要る。a16zも、量が多い作業でなければ治具とチューニングの手間が見合わず、新しい部品が来るたびに統合の仕事が増えると指摘する。調整し直さずに部品の違いを吸収できるなら、量が少なくて自動化を見送ってきた多品種少量の工程に手が届く。大田区のような中小の加工・組立現場にとって、意味が大きいのはむしろそちらだろう。

国内でも、日立が早稲田大学との深層予測学習をもとにワイヤーハーネス組付けを狙う小型モデルを発表し、BYDは触覚センサーのPaXiniに自社工場を訓練の場として開いたと報じられた。指先の感覚をどう取り込むかは、深圳のDaimon Roboticsのように高密度の視触覚センサーで攻める道もある。a16zの説明では、Ekaは人の手の感覚器を一つずつ再現するのではなく、ずっと簡素なセンサーと駆動系に力の情報を読むモデルを組み合わせて、同じ結果を目指している。

2018年に登場したOpenAIのロボットハンドDactylは、シミュレーションの強化学習でのちにルービックキューブを操った。WIREDによれば、扱えたのはセンサーを仕込んだキューブだった。それから8年、Ekaは同じシミュレーションの道から電球と配線に手を伸ばしている。次に知りたいのは、工場の1シフトを通して同じ手つきが続くかどうかだ。

---

出典

• Eka Robotics Raises $150M to Build Superhuman Intelligence for the Physical World（Eka Robotics 公式ブログ） — 2026-10-20
• Eka Robotics 公式サイト
• Investing in Eka Robotics（Andreessen Horowitz, Raghu Raghuram, Yoko Li） — 2026-10-20
• Pulkit Agrawal 研究者ページ（MIT CSAIL Improbable AI Lab）
• A System for General In-Hand Object Re-Orientation（arXiv:2111.03043） — 2021-11-04
• Visual Dexterity: In-Hand Reorientation of Novel and Complex Object Shapes（arXiv:2211.11744）
• Soft Actor-Critic: Off-Policy Maximum Entropy Deep Reinforcement Learning with a Stochastic Actor（arXiv:1801.01290） — 2018-01-04
• Learning Agile Soccer Skills for a Bipedal Robot with Deep Reinforcement Learning（arXiv:2304.13653）
• π0: Our First Generalist Policy（Physical Intelligence 公式ブログ）
• Dyna-2: A 1-Million-Hour Scaling Law for World-Action Models（Dyna Robotics 公式）