2026年9月30日 | 经济学：机器人能做什么工作？

# 机器人能做什么工作？ 来源：https://www.anthropic.com/research/what-work-can-robots-do ## **主要发现** - 我们提出一个机器人暴露指数，衡量当今机器人执行各项工作任务的能力。 - 我们将机器人定义为能够感知并行动的自主物理机器，它们可以执行美国四分之三的体力任务，占工作时长的 34%，但大多局限于有限的场景。受机器人影响较大的劳动者更可能是男性、受教育程度较低、薪酬较低。例如，驾驶和仓储类工作高度暴露于目前可用的机器人；而护理和一般维修类工作则不然，因为即使在高度受控的环境中，现有机器人也几乎做不了这类工作的大部分。 - 总体而言，按工作时长计，约 80% 的工作任务要么受机器人影响，要么受大语言模型（LLM）影响。机器人承担的是 LLM 无法完成的工作。剩下的未受影响工作高度依赖人际互动，或者需要机器人目前还不具备的体力技能。 - 虽然机器人如今已能完成大部分体力工作任务，但其成本远高于人类劳动力。机器人仅在 0.3% 的工作任务上具备成本竞争力。如果机器人价格的下降幅度延续历史趋势，这一比例要达到 10% 还需要 40 年。除了价格，能力、偏好和监管等因素也对机器人自动化构成进一步障碍。 - 过去 50 年间，受机器人影响更大的工作，其工资和就业下降幅度也大于其他工作。与此同时，工作暴露程度在不断上升：机器人每年大约能多做 2% 过去无法完成的体力工作。 ## **引言** 大语言模型的进步让大规模工作自动化成为可能。但许多工作是体力性的。AI 对经济的影响将在很大程度上取决于机器人技术。1 预测机器人技术进步的速度很难，但我们认为，盘点当下已有的能力，可以对未来几年给出启示。我们构建了一个工作机器人暴露程度的衡量指标，使用 Claude 来评估当今机器人执行工作任务的能力。一项工作如果机器人能在更多不受控的场景下完成其任务，其暴露程度就更高。如果机器人完成某项任务的成本低于人类工人，即具备成本竞争力。 我们发现，机器人已经可以完成美国 74% 的体力任务，占工作时长的 34%。机器人与 LLM 合计，暴露了除五分之一以外的全部就业。 但我们同时也发现了显著的落地障碍：大多数机器人需要高度结构化的环境，且仅在 0.3% 的工作中具备与人类相当的成本竞争力。如果机器人价格的下降幅度延续历史趋势，这一比例要达到 10% 还需要 40 年。成本之外，主要障碍是能力，例如解开缠绕电线所需的灵巧度。人类偏好和监管进一步限制了机器人在相当一部分任务上的应用。 我们的核心前提是：如果一项工作当下的任务机器人已经能够完成，那么它更可能受到影响。跨越 50 年的回测验证了这一方法：从 1977 年至今，受现有机器人影响更大的工作，在随后的数十年中经历了工资和就业的下降。 如果过去是未来的指南，出租车司机和仓库包装工将比护士和机械师更早看到变化。我们预计，体力工作将首先在机器人如今已有立足之地的领域实现自动化。 ## **今天和明天的机器人** 当今大多数机器人在工厂等受控环境中运行。机器人通常需要编程才能与物理世界互动，而人类可以适应自己的工作环境。这一直是商用可行机器人面临的主要障碍。2 但 AI 帮助机器人解读并回应周围环境，使仓库机器人和自动驾驶车辆得以与人类并肩工作。3 许多观察者预计 AI 将快速提升机器人能力。4 尽管机器人支出仍仅约占美国设备投资总额的 1%，但企业调查显示，美国的机器人应用率可能在三年内翻倍。5 各公司正投入数十亿美元开发能媲美人类体力的 AI 驱动机器人。6 很难准确预测这些努力将如何影响就业和生产率。按当前机器人任务覆盖率对职业进行*排名*，可以揭示影响将首先出现在哪些领域。机器人应该会先影响它们已经能做的工作，然后才是那些只有借助新技术、并且在某些情况下需要配合监管调整才能胜任的工作。当前的能力是具体且可衡量的，而对未来能力的预测则需要押注哪些技术会胜出。7 仍在研发中的机器人也印证了我们聚焦当前暴露程度的思路：企业正在测试人形机器人在汽车工厂和仓库中的应用，这些是机器人已经常见的结构化环境。8 ## **衡量暴露程度** 我们的分析使用了 O*NET 的数据，这是一个包含约 900 个职业、并关联约 19,000 项工作任务描述的数据库。我们确定了一组我们认为非机器人无法自动化的体力工作任务。为此，我们让 Claude 依据一套衡量体力、认知和人际工作要求的标准对任务描述进行评分。9 “挖掘沟渠”是体力任务；“教学生舞蹈”也是，尽管它同时需要认知和人际技能。打字员虽然会用双手“使用加法机或计算器在报表、请购单或账单上计算并核对总额”，但这项任务不计入。附录 A 提供了详细说明，附录 F 列出了我们的提示词。 我们在任务层面衡量的机器人暴露程度，问的是：今天的机器人能否完成这项任务？如果能，需要在什么条件下？我们将机器人定义为能够感知并行动的自主物理机器，这包括扫描车辆以调节喷淋器的自动洗车机，但不包括完全由外科医生控制的遥操作手术机器人。10 我们通过机器人执行任务所需的工作环境类型来衡量暴露程度。11 具体而言，我们按机器人可以在哪里执行每项任务，将任务划分为四个暴露等级： - E0：机器人无法完成任务。 - E1：机器人可以在专用的机器人工作环境中完成任务，例如工厂装配线。 - E2：机器人可以在结构化的人类工作场所中完成任务，例如物流仓库。 - E3：机器人可以在非结构化环境中完成任务，例如城市道路。 图 1 也展示了这套标准。 任务机器人暴露标准**图 1：任务机器人暴露标准**被识别为体力工作任务的任务，依据这套机器人暴露标准进行评分。例如，在仓库从卡车上卸货的任务，如果有仓库机器人能够完成，就被评为 E2。 我们认为环境受控程度是衡量短期自动化风险的好指标。由于机器人难以适应不可预测的环境，大多数已部署的机器人工作在经过工程设计的环境中，例如在装配线上喷漆的机器人。虽然人们认为这些困难曾在过去拖慢了体力工作自动化，但 AI 驱动的机器人可能更好地适应其环境。12 为了确定暴露程度，我们指示 Claude 搜索与每项任务相关的具体机器人，评估其能力和工作环境，并直接引用来源。我们询问机器人能否在该任务典型工作环境的更结构化或更不结构化的版本中执行任务。让机器人执行看似简单的任务，如装填洗碗机，需要许多复杂的体力技能，因此只有已被证实的机器人能力才算数。13 机器人还必须在可靠性、错误率和速度等因素上与人类表现得同样好。 例如，自动驾驶汽车在 2010 年代初无法在真实道路上“驾驶出租车或私人车辆运送乘客”。但它们确实在为测试搭建的模拟城镇中行驶过，这是通向今天自动驾驶车辆的一步。14 我们的评分会将当时的载客驾驶评为 E1（机器人可在专用机器人工作环境中完成任务），将今天评为 E3（在非结构化环境中）。15 这套标准需要做许多判断。O*NET 的任务陈述往往很简略，且省略了对人类容易、对机器人困难的细节。16 为了更具体地描述工作，我们引出人们如今如何执行这些任务、以及这些情况发生频率的详细示例。然后 Claude 使用网络搜索来评估机器人的能力，为这些示例评分。引用的来源必须展示机器人的实际部署、商业销售或演示；即使我们去掉依赖演示的评分，结果也是相似的。任务暴露程度由多数规则确定：机器人能够按时间加权完成至少一半任务示例的最不受结构化的环境。17 以“挖掘沟渠”这项任务为例。我们首先让 Claude 提供描述人们如今如何执行这项任务及其频率的示例。例如，Claude 估计 25% 的情况下，这项任务需要“在开阔地面上挖掘线性沟渠”。另有 20% 的情况下，需要“在现有的埋设管道、流程管线、电缆和导管周围仔细手工挖掘”。这些活动需要不同类型的体力能力，例如导航和力量（线性沟渠）与精细运动灵巧度和感知力（在管道周围手工挖掘）的对比。 Claude 将第一个示例评为 E3，引用了一个将液压挖掘机改装为自主挖掘沟渠的控制系统。18 当今的机器人无法仔细地在埋设管道周围挖掘，因此后一个示例未受影响，评为 E0。“挖掘沟渠”的更多示例更接近仔细挖掘而非线性开沟，因此在我们的评分中，这项任务总体上是未受影响的。 图 2 给出了任务评分示例，以及我们暴露程度提示词中对每个暴露等级的更完整描述和支持每项评分的机器人。我们还计算了每个等级中体力任务的占比：此处及全文，每项任务都按从事该工作的劳动者人数，以及他们投入该任务的工作时间比例进行加权，后者由 Claude 估算。19 任务暴露程度评分示例**图 2：任务暴露程度评分示例**机器人暴露程度的等级如我们用 Claude 评分的提示词所述。7,594 项被分类为体力的任务接受了暴露程度评分。第 2 列的任务占比按各项任务在一个职业中所占时间比例（由 Claude 估算）以及该职业的就业人数（美国劳工统计局 BLS，2025）进行加权。例如，RelayRx 机器人在医院配送药品。医院是结构化的人类工作场所，因此“将药品或医疗用品配送给病人、护理站或手术室”这项任务被评为 E2。按工作时长计，评为 E2 的任务占体力任务的 22%。 机器人无法完成的任务（E0）按估算工作时长计约占体力任务的四分之一。这些任务需要对机器人而言困难的体力技能，例如“使用涂抹器或刷子漂染、染发或调色”所需的精细运动灵巧度，以及“搭建用于地面以上结构组装的脚手架或梯子”所需的力量、平衡和活动能力。 机器人可以在专用环境中完成一半的体力任务，但在更广泛的场景中无法完成（E1）。食品准备机器人在传送带上打包即食餐食，配备 AI 的新型号可以适应不同的配料、分量和托盘，因此“按照病人饮食要求搭配餐盘”这项任务被评为 E1。 另有 22% 的体力任务可以在结构化的人类工作场所中由机器人完成（E2）。例如，医院配送机器人“将药品或医疗用品配送给病人、护理站或手术室”。当今的机器人只能在非结构化环境中完成 2% 的体力任务（E3）。这些工作通常涉及驾驶，由自动驾驶汽车、拖拉机和其他车辆完成。20 我们随附的数据发布包含了 Claude 对所有评分任务的推理过程和引用来源。例如，Claude 将“在平焊、立焊或仰焊位置焊接部件”这项任务评为 E1，并引用了一篇关于 AI 驱动焊接机器人文章的话：“Path Robotics 表示，其两个焊接单元均可自主焊接钢制部件，且已部署在美国和加拿大的多家制造厂。”21 我们定义了一个工作机器人暴露指数，按 0–3 的尺度对某项工作的任务暴露评分取平均值。该指数随着受影响任务占比的上升和机器人在这些任务上的能力提升而上升，任务按估算工作时长加权。 理想的暴露指数应当能完美预测未来几年的机器人自动化程度。由于我们无法穿越到未来，我们转而使用关于职业和任务描述的历史数据来验证我们的衡量方法。我们在 1977 年以来的多个年份评估机器人暴露程度，并将暴露程度与工资和就业的变化联系起来。当一项工作受机器人影响更大时，其工资和就业在随后数十年中有所下降，即使在控制了行业趋势和其他潜在混淆因素之后。这些结果详见附录 B，让我们有理由相信这一衡量方法能够预测未来的就业冲击。 图 3 总结了机器人暴露程度在美国经济所有工作任务中的分布，任务按各职业投入每项任务的估算时间比例以及该职业的就业人数加权。认知和人际工作按工作时长计占任务的 54%。其余 46% 的任务是体力工作。在所有任务中，约 12% 无法由任何当今机器人完成（E0），23% 可以在专门建造的环境中由机器人完成（E1），10% 可以在结构化的人类工作场所中完成（E2），1% 可以在非结构化环境中完成（E3）。计入所有暴露等级，74% 的体力工作，即全部工作的 34%，可以在某些条件下由机器人完成。 按机器人暴露程度划分的工作任务**图 3：按机器人暴露程度划分的工作任务**包含所有工作任务。任务按职业投入每项任务的时间比例以及该职业的就业人数加权。机器人暴露程度仅针对被识别为体力的任务进行评分。例如，23% 的劳动者时间花在机器人可以在专用环境中完成的任务上。各类别示例任务：授课、系统设计（认知和人际）；执行逮捕、提供急救（E0）；配发药品、组装电子产品（E1）；清洁地面、搬运仓储货物（E2）；农田灌溉调节、空中检查房产以及驾驶，这些是机器人在非结构化环境中执行的工作（E3）。就业数据来自美国劳工统计局 BLS（2025），我们使用 Claude 估算各职业在任务上的时间投入。 机器人可以在经济的许多领域执行体力任务。自主移动的仓库机器人会开到装卸平台和拖车内部。它们用吸盘抓取包裹并装载到移动传送带上。22 由于这些机器人在结构化的人类工作场所中导航，许多仓储任务被评为 E2，例如“用手或使用卡车、拖拉机或其他设备，将货物、库存或其他材料从存储或生产区域搬运至装卸平台、运输车辆、船舶或集装箱，或反向搬运”。导航和搬运方面的进步已使这类机器人在物流和运输行业中变得普遍。23 图 4 显示了按我们的机器人暴露指数计暴露程度最高的 10 个职业。在这 10 个职业中，有 9 个是车辆操作员。与驾驶工作相关的引用机器人包括自动驾驶汽车、拖拉机、卡车和铺路机。出租车司机以 2.2 的指数领先暴露程度。24 由于驾驶是工作的绝大部分，他们按工作时长计的中位任务被暴露至 E3，而像“真空吸尘并清洁汽车内部、清洗和抛光外部”这样的辅助任务机器人也能完成，只是场景比开放道路更结构化一些。自动驾驶车辆尚未大规模颠覆驾驶类工作，但其能力表明这些工作