力学统治世界。

我想你或许看到过这样一段视频，OpenAI曾在2018年造过一只机械手，可以轻易托举并旋转一枚魔方。

OpenAI用的是当时主流的模型VLA，给模型看大量视频和语言指令，让模型自己学会一个任务长什么样。2020年前后，视频背后的团队解散了。负责人后来公开承认，他们终是被数据卡住前路，因为机器人能拿到的数据太少。

 

图注：OpenAI 2018年发布的Dactyl机械手，机械手五指张开托着魔方。图片来源：OpenAI

一家小公司似乎解决了这个问题。公司的创办人之一Pulkit Agrawal是MIT的教授，另一位创始人Tuomas Haarnoja刚从Google DeepMind 出来。这两个人不教机器手看视频，也不请人用手把手演示，他们给机器手装上力反馈，让机器手靠触觉判断自己抓得对不对，抓错了就松开重来。这套做法叫VFA，视觉-力-动作，公司名叫Eka Robotics。

就在今天，Eka拿下1.5亿美元A轮融资，投后估值14.5亿美元，主要投资方a16z是AI领域最具背书力的顶级VC之一，曾投资过 OpenAI。

创始人之一Agrawal曾在X上给公司名字的做出了解释。Eka在梵语里是「一」，芬兰语里是「第一」，落点词是「合一」。Eka 想用一个模型同时装下通用性、性能和安全。

所以，这个Eka到底是何方神圣？

01.

差别在数据从哪来

算法叫什么名字不重要，数据从哪来才决定这条路能走多远。

第一条路叫VLA，视觉-语言-动作。VLA 模型读大量视频和语言指令，从中学会一个任务长什么样。VLA 的训练数据往往还依赖人类遥操。人戴上设备做动作，把动作手把手教给机器人，录成几万条演示。Physical Intelligence和Skild AI走的就是这条路。这两家公司也是目前资本最热的机器人公司，估值分别站上约110亿美元和超过140亿美元。

第二条路是纯遥操模仿，把人做的动作原样抄下来。纯遥操模仿和VLA经常叠在一起用，两条路的数据来源是同一类，人演示，机器学。这条路的门槛很直白，谁收集到的演示数据多，谁的模型就更强。代价也一样直白，几万次人类演示，要花钱，要时间，要人。

第三条路是Eka选的VFA，视觉-力-动作。Eka不收集人类演示数据，指数把机器手扔进物理仿真，用强化学习让机器手自己摔打几百万次，靠力反馈闭环自己修正抓握动作。

Eka拿AlphaZero类比这条路。AlphaZero下围棋不看成千上万盘棋谱，是通过自己跟自己下出了超人水平。三种训练方式教出来的东西不一样，看视频这条路教出来的是任务看起来怎样，遥操教出来的是人怎么做，“自摔”教出来的是这一下该用多大力。

两条路线的哲学分歧，创始人之一Haarnoja讲得最直白。多数研究者从顶层往下做，先做出高层的智能，再一层层把这份智能压到物理层面。Eka 想反过来做，从物理这头往上长，先做出力反馈，再一层层往上建智能。

这不是风格上的差异，是数据来源上的硬分歧。走顶层的人必须持续花钱买演示数据，走底层的人只要算力。

长久以来，这条路经一只被当作学术玩具。长期批评纯视觉路线的MIT机器人学者Rodney Brooks说过，机器人模型如果没有力觉和触觉表征，走不远。

Brooks现在是Eka顾问委员会的一员。他看完 Eka 的演示后在社交平台上如此形容：“看这些机器人动起来的时候他起鸡皮疙瘩”，还特意提醒要看 1/25 的慢放版本。

行业演示的惯例是加速播放，把慢动作藏起来。Eka反其道而行之，主动放出慢放版本。一名批评者坐进了被批评者的顾问席，这个位置变化，比融资额更能说明路线之争走到了哪一步。

 

图注：Rodney Brooks，MIT机器人学者，长期批评纯视觉路线，现任Eka顾问委员。图片来源：Christopher Michel 

02.

VLA为什么不行？

第一个关键点在于“力反馈闭环”。

Agrawal对TechCrunch的原话是，视觉不是解决最后一毫米问题的主要方式。视觉只能告诉机器手物体大概在哪、姿态怎样，真正的抓取和摸索要靠力。

Eka的夹爪比传统夹具更软，装在上面的力传感器也更多。机器手接触到物体的一瞬间，夹爪靠力反馈判断自己抓得对不对，不靠摄像头盲夹。WIRED记者Will Knight在报道里写道，“机器手伸向一颗覆盆子，在最后一刻轻轻停住，没有捏碎。机器手又去抓一串带毛绒挂饰的钥匙，几下试探就夹了起来。”

记者伸手要把钥匙拿回去，机器手抵抗了一下才松手，转头继续在桌面找下一个目标。机器手能感觉到自己碰到了什么，也能感觉到有人在拽它。

 

图注：Eka机械手在官方演示视频中夹起一颗树莓，夹爪接触果皮时靠力反馈调整握力。图片来源：Eka Robotics 官方演示视频

 

图注：机械手从摊开的人手掌里取走草莓，人手全程没有配合动作。动图来源：Eka Robotics官方演示视频

Eka的成绩单摆在OpenAI留下的坑旁边。Dactyl当年能在掌心里转魔方，OpenAI的官方视频里，团队拿一只毛绒长颈鹿去戳那只机械手、给它套上橡胶手套、把它的手指绑起来，机械手照样把大部分动作做完。

可研究者故意把手指绑住、蒙住摄像头、换掉魔方表面的材质，策略立刻崩溃，仿真里练出来的手感一到真机上就散。

Eka走的还是仿真这条路，绕开的正是这个坑。训练的时候，Eka让虚拟机器人练摩擦、练接触、练失误，不只练成功。伊利诺伊大学香槟分校教授Kris Hauser说，这台机器能适应大量没见过的物体而不用重新训练，失败了就一遍遍重试，那个样子带着一种诡异的“人味”。

 

图注：Eka的机械手正在抓一颗玻璃灯泡，画面右下角的1X SPEED标注说明这段演示没有加速播放。图片来源：Eka Robotics，经TechCrunch报道使用

第二件事是零遥操数据带来的成本结构。传统路线要先录下几万次人类演示。数据采集本身就是开销，也是传统路线最重的一块成本。Eka在仿真里用几分钟就能生成几千小时的机器人经验，不需要雇人戴手套录制。夹爪硬件成本低于1000美元，还有一层分工思路：通用模型决定做什么，Eka的手负责怎么把动作完成，手和大脑用不同的架构去解析。

 

图注：Eka的三指手夹着一颗草莓，人手在旁边可以直接对比两者的接触面。图片来源：Eka Robotics官网

账还有另一面，Eka自己也是诚实的。a16z在官方博文里写道，这家公司的机器手每小时最多拣选1500次，是人类约600次的 2.5 倍，成功率95%以上，能抓的单件最重1公斤。

博文里那句限定语是「实验室内的上料与料箱分拣任务」，中文报道几乎都省掉了这半句。实验室拣选和产线节拍是两件事，前者的数字放进后者的场景里会立刻变得很好看。

中文报道同样省掉了另一个数，夹爪额定500万次工作循环。放在标准工业机械臂2000万次的基准面前，这个数只到四分之一。一个在仿真里摔出来的手，能不能在真实工厂连轴转一年，目前没有答案。

03.

三件事没人回答

相比于Eka，18年的OpenAI稍显生不逢时。

窗口期来自两个条件成熟，物理仿真的保真度够高了，力控算法也够稳了。自摔学抓从论文里的演示，变成了可以下注的方向。a16z的领投合伙人公开说，Eka已经在某些任务上超过人类水平，并预测几个月内会在很多灵巧操作任务上达到超人表现。

可是，仍有三件事Eka自己答不了，第三方也答不了。

第一件，工业试点保密进行。Eka不披露客户名单。试点任务限定在取放和线缆操作这一类。没有任何一家可点名的客户，意味着Eka已经在真实产线上跑这件事，还没有第三方看见。

 

图注：Eka机械手在处理一团线缆，这是官方演示中出现过的线缆操作任务之一。图片来源：Eka Robotics官方

第二件，夹爪的额定寿命只有工业基准的四分之一。工厂买机器人算的是连续运行多少小时、多久回本。500万次对2000万次的差距，不是演示视频能抹平的。

第三件质疑来自Hauser，比前两条更硬。Eka目前展示的能力只有取放，真正产生价值的工业任务，很多不止取放。这套技术能不能泛化到更复杂的活上，Hauser 、说，他没见过答案。从实验室演示走到真实产线，中间隔着的那一步，TechCrunch 、把它形容成和“从仿真到现实之间一样大”。

三件事指向同一个位置。Eka站在实验室和产线之间的沟壑中。1.5 亿美元填不掉这道沟，这笔钱买到的是时间，让Eka能在拿到答案之前，先把答案做出来。

回到开头那个名字，「一」，对起点和名次的企盼被创造它的人放进一个名字里。可惜，具身智能这一行只认名次，不认起点。