《科創板日報》6月13日訊（記者 李明明） 「在北京機器人馬拉松比賽後的一個月之內，我們就拿到了1000台以上訂單，到今天為止，總的訂單規模已經突破2000台，總合同額已經超過1個億。」近日，松延動力創始人、董事長姜哲源在北京前沿國際人工智慧研究院「ai月光社·走入百家創新企業」系列活動第一站——走入松延動力活動上表示。
不只是松延動力，此前宇樹創始人王興興也表示，目前包括宇樹在內的人形機器人企業發展都處於良好狀態，「很多企業訂單都爆掉了。」
人形機器人爆單之後，也衍生出一系列問題，比如爆單背後的客戶需求是否真實可持續、何時能在應用場景創造真正的價值？
關於人形機器人落地應用，北京前沿國際人工智慧研究院理事長、英諾天使基金合伙人王晟對《科創板日報》記者分析，特種行業將率先應用，工業場景因容錯率低有挑戰，家庭、商業服務場景對容錯和效率要求寬鬆或更合適。
總訂單規模已超2000台
在昌平區未來星科能源谷智造產業園，《科創板日報》記者見到了近期名聲大噪的機器人「小頑童」，作為能實現室內外多地形連續空翻的人形機器人，「小頑童」走路、空翻、握手等一系列動作流暢自然。
n2小頑童連續空翻
現場，《科創板日報》記者還與仿生機器人1.0「hobbs」和2.0「小諾」進行了互動，hobbs和小諾可以跟隨真人實時同步面部表情，並可實時流暢對話。據公司方面介紹，小諾面部擁有32個自由度，是全球面部自由度數量最多的仿生機器人之一，能夠實現近乎於真人的面部表情。
仿生機器人1.0的hobbs
姜哲源表示，目前，松延動力已經形成兩大產品線，一類是雙足人形機器人包括n2和e1，一類是模擬人形機器人，公司的最終目標是讓機器人真正走入千家萬戶，「給大家當保姆和管家。」
其進一步表示，今年，松延動力著力推進商業化，通過線上渠道引流，以n2產品低定價製造話題。「未來公司還將談落低價市場，n2定價下探5萬元左右價格帶。」
記者注意到，n2機器人在五一前的促銷價為3.99萬元，相較宇樹科技unitree g1基礎款9.9萬元人民幣的售價，其還要低約59.7%。姜哲源在此前的採訪中曾對記者表示，這一定價策略旨在通過價格維度避開競爭，並且這一定價之下，公司仍有健康的毛利。
馬拉松帶來的出圈效應疊加價格優勢，推動了松延動力的訂單增長。姜哲源坦言，現在最主要壓力在於生產和交付，「所以公司搬到標準廠房，搭起了一個最基礎的生產線，開始了機器人的組裝。」目前，除了昌平廠房，松延動力還在常州、東莞都布局了生產基地。**
在松延動力新辦公樓的生產線，《科創板日報》記者看到，數十個訓練有素的工作人員正在忙碌著，旁邊則是幾個 「裸裝」的機器人和各種零部件。有工作人員告訴記者，其正在組裝機器人手臂的1號件和2號件，每天大概可以完成約二三十個。
值得一提的是，松延動力新辦公樓所在的北京市昌平區，是北京市「一南一北」機器人產業空間布局的重要組成部分。據介紹，昌平區已經擁有各類的新型企業97家，產業收入超過100億元。目前，昌平區還在努力打造北京機器人產業應用示範高地，構建以機器人本體為核心，關鍵零部件、智能感知系統與技術為焦點的「一核心兩聚焦」研發生產體系。國家人形機器人檢驗檢測平台也已在該區落地。
人形機器人落地家用場景或早於工業
當下，人形機器人正加速走進現實生活。姜哲源透露，當前松延動力人形機器人最主要的落地場景是科研、教育、商業演出和文旅展廳，需求最大的是教育和商業演出。關於需求市場的新變化，他表示，目前新增了一些圖書館客戶，「相較輪式機器人而言，這類客戶都更青睞雙足機器人。」
北京前沿國際人工智慧研究院理事長、英諾天使基金合伙人王晟亦表示，具身智能這一行業發展仍處於早期，目前需求集中於高校、科研院所等，但也誕生了婚慶公司等消費場景的租賃需求，由此可見，隨著市場的發展這一行業或會被創造出更多需求。
王晟進一步對記者分析，人形機器人領域，特種行業將率先應用，工業場景因容錯率低有挑戰，家庭、商業服務場景對容錯和效率要求寬鬆或更合適。
「對於機器人是進入工業領域、家庭服務領域還是商業服務領域，市場上尚未形成統一意見。不過，我認為機器人進入工業場景的難度較大。一旦機器人在生產線上出現故障，導致組裝部件出現問題，整個生產線可能會停滯，造成巨大的經濟損失。相比之下，家庭服務場景對機器人的容錯率要求相對寬鬆，對時間效率的要求也不那麼高。例如，機器人在疊衣服時可能效率較低，但只要它能在人們上班的8小時內完成任務，就足夠了。」 王晟認為，機器人可以在人們需要休息時接管工作，例如在24小時藥店中，如果使用機器人代替人工值班，即使機器人不智能，完全依賴遠程操作，也能有效降低成本。
長遠而言，機器人的普及和實用性，仍高度依賴智能化水平的提升。在眾多人工智慧方法中，強化學習因其能優化機器人在動態環境中的自主決策，被視為實現智能化的重要引擎之一。松延動力的n2機器人之所以能在此前的馬拉松賽上取得優異成績，也和優越的強化學習訓練密不可分。
姜哲源介紹，人類完成決策一般會經歷試錯、重複記憶、改進的過程，強化學習也是通過不斷犯錯、改進進行學習。讓人形機器人得以跑起來的技術則是深度強化學習，它將深度學習與強化學習結合，利用神經網路增強智能體的感知和決策能力。
據悉，深度強化學習在機器人中的應用可大致分為四個步驟：演算法設計、模擬訓練、模擬環境間驗證（sim-to-sim）、以及真機部署。在模擬訓練環節，松延動力使用的是英偉達高性能物理模擬平台 nvidia isaac gym，該平台專為大規模機器人學習和強化學習任務設計，具備高效並行計算能力。
在實際訓練流程中，松延動力通常先在低保真模擬器中測試策略，再在高保真環境（如 mujoco）中驗證其泛化能力，最終部署到真機，以此降低風險、提升適應性。
不過，王晟也指出，強化學習在機器人移動任務中表現良好，但「sim-to-real gap」（模擬與現實之間的性能落差）仍是一個技術瓶頸，特別是在操作類任務中，這一差距尤為明顯。
