FRONTIER · 落到现实

机器人今天就能做掉三成四的工时——算上价钱只剩 0.3%，而卡住它的不是脑子，是手

What work can robots do?

Russell Legate-Yang 与 Maxim Massenkoff · Anthropic 经济学团队 就是做 Anthropic 经济指数那个组——第 19、21、50 篇都出自这里；Massenkoff 还是第 70 篇 Project Swap 的作者之一，以及本文用来当对照基线的那份 LLM 任务暴露度测算（Massenkoff & McCrory, 2026）的作者。致谢名单基本是增长理论和劳动经济学那一边的常驻人口：Chad Jones、Ben Jones、Anton Korinek（第 29 篇作者）、Nathan Wilmers、Jan Leike、Sholto Douglas

2026 年 9 月

为什么选它关于机器人的讨论一直卡在同一处含混：「能不能做」说的是演示视频，「会不会替掉人」说的是账本，两件事混着讲。这篇把它们切开，给每条体力任务同时标上环境门槛和年化成本，于是第一次能回答：差多少钱、差几年、差在哪个器官。

9 月 30 日，Anthropic 的经济学团队发了《What work can robots do?》。做法是：拿 O*NET 数据库里约 900 个职业、19,000 条任务描述，先筛出 7,594 条「不上机器人就没法自动化」的体力任务，再让 Claude 带着联网搜索逐条去查——今天到底有没有哪台机器人能干这件事、它得在什么样的环境里才干得了，引用必须落到真实部署、在售产品或公开演示上；然后给每条任务配一个年化成本。两个数就这么对上了：机器人今天已经能做掉美国 34% 的工时，但把价钱算进去，划得来的只有 0.3%。

值得读的不是这两个数，是它们第一次被摆在同一张表上。过去聊机器人，一边放演示视频（能干），一边引出货量（没普及），中间那段账没人算过，于是「要来了」和「还很远」可以同时成立、互不相干。算完之后，一个长期被当成技术判断的争论塌成了算术：按过去三十年每年约 3% 的机器人降价速度，要让「划得来」从 0.3% 爬到 10%，得四十年。而拖住它的最大一项不是推理——规划与推理只卡住 8% 的体力任务；是手。

这把尺子的巧处：不问能不能，问在什么环境里能

核心设计只有一句：按机器人需要多「听话」的环境来分级。E0 是今天干不了；E1 得在为机器人专门盖的环境里才行，比如汽车厂的喷漆流水线；E2 能在给人用的结构化场所里干，比如物流仓库；E3 能在没人替它收拾过的环境里干，比如城市道路。机器人的定义也写死了——能自己感知并动作的物理机器，所以会扫描车身调喷头的洗车机算，全程由医生操纵的手术机械臂不算。好处是它不必预测未来：环境越不受控，机器人越难适应，而「今天能在多野的地方干活」本身就是近期自动化风险的代理变量。

判定很较真。「挖沟」这条，Claude 先拆出人实际怎么干：25% 的时间在空地上开直沟，判 E3，引的是一套把液压挖掘机改成自动挖沟的控制系统；20% 的时间在埋好的管线旁用手小心掏，判 E0。后一类例子更多，整条任务算「不暴露」。分布相当反直觉：全经济的任务里 54% 是认知与人际，46% 是体力；而体力任务里有一半只能在专建环境里做（E1），能在真实开放环境里做的（E3）只有 2%。74% 这个大数字，是靠「只要在某种受控环境里能做就算」撑起来的。

能干的 34%，划得来的 0.3%

成本这一侧最硬。算法是：先估一个人干这条任务一年产出多少（面包师「揉、切、整形」约 18 万个面团），再估机器人产出同样多要花多少钱，固定成本按硬件寿命和资金成本年化，然后跟这条任务占掉的那部分人力报酬比。打包与包装工是唯一一个真被算成划得来的大职业：凑齐装箱、搬料、目检、折箱、贴标、封箱这一串机器人，采购加安装超过 200 万美元，顶掉约 14 个人一年的活；摊到十年寿命、8% 资金成本，再加维护、兼职人类看守和电费，替掉一个人一年约 4.5 万美元，而这些人一年约 4.9 万——便宜 2,500 美元。旁证不太好听：全美 56 万名打包工，就业自 2015 年已掉了 22%。

其它几个差得远。机器人出租车只比司机贵约 7,000 美元，卡在法规上；焊接能被机器做，但人类焊工同时还在摆放大件、爬梯子焊死角、做质检、打磨收边，凑齐这些的机器人是人的五倍价；邮递员 94% 的任务机器人能做，可一年要 16.6 万美元，人的中位总报酬是 8.2 万。降价曲线比单个例子有用：机器人便宜 20%，划得来的范围覆盖 280 万人，折成全经济工时却只有 0.8%；要到 10%，成本得降 70%。能力侧也量了：1977 年的机器人做不了当时 62% 的体力任务，今天只剩 24% 做不了，折合每年收走 2%。两边一起外推，一半体力工作要到 2085 年才划得来；作者给的激进情景（成本降速快四倍、能力扩张快一倍）提前到 2050，而 90% 仍要 53 年。

卡住的不是脑子，是手

壁垒被拆成四类：能力、人的偏好、法规、成本。成本几乎每条任务都要降；能力挡住约 70% 的体力任务，其中最大的单项是 manipulation（操作，也就是伸手触碰并摆弄实物）——有一半的体力任务，哪怕别的都解决了，只要机器人的手不长进就规模化不了。相比之下，规划与推理这几年进步最快、最吃算力，却只是 8% 任务的瓶颈。法规挡住 14%，集中在医疗、安保、教育；人的偏好挡住四分之一，有的是不信任（「给小孩穿衣、换尿布」），有的本来就为了那点人味（「迎宾、带位、递上菜单和酒单」）。这个排序值得记住：假如能力真的突飞猛进，只有约 30% 的体力工作被偏好和法规挡着，剩下的全压在成本曲线上——那是硬件曲线，不是算力曲线。

它挤掉的人，和 LLM 挤掉的人不是同一批

把这套评分跟 LLM 的任务暴露度并在一起，画面很清楚：运输与搬运岗被 LLM 碰到的不到 15%，加上机器人跳到约 90%；办公行政岗接近 100%。全经济从约一半升到 81%，剩下那五分之一集中在高度人际和需要细活儿的手上。人口画像几乎是镜像：最暴露的那五分之一跟完全不暴露的那组相比，女性占比低 20 个百分点，拉美裔高 16 个百分点，有本科及以上学历的低 55 个百分点，时薪少约 30 美元，失业率两倍多，且显著更可能负重、在高温或有害物附近作业。LLM 冲的是坐着的、读过书的、挣得多的；机器人冲的正好是另一拨——而这一拨人，恰好是上一轮全球化里已经被冲过一遍的。

作者没把结论推满。成本打平不等于失业潮或增长爆发——Acemoglu 与 Restrepo、Jones 与 Tonetti 的论点是机器得比人便宜得多才推得动生产率，而这些成本估算里本来就含着人类监督和维修。情景外推也把同一个降价率摊到了所有任务，可现实里厂商会挑着做：人形机器人的演示偏爱家务，机器人公司会先自动化自己的工厂，就像 AI 公司先做编程 agent。

这篇真正的贡献，是把机器人这场争论的瓶颈换了个位置：不在脑子，在手，而手不吃算力。过去三年所有关于物理世界自动化的乐观叙事，底层逻辑都是「大模型会把机器人的大脑补上」——第 28 篇那 785 件衣服是这个叙事最漂亮的一次兑现，苦涩的教训终于收走了机器人这一局。这篇没有否认那一局，它只是指出那一局赢的是 8% 的那部分。真正压着的一半体力任务卡在灵巧操作上，而伸手摆弄实物既没有互联网级别的现成数据，也没有一条「堆算力就变好」的缩放曲线；剩下的全压在硬件价格上，而硬件价格过去三十年每年只降 3%——这是个工厂和供应链的数字，不是实验室的数字。所以这篇跟第 48 篇是同一个调子：AI 的加速是斑块状的。区别在于第 48 篇量的是学科之间的不均匀，这篇量的是「大脑」和「身体」之间的不均匀，而这道缝比学科之间那道宽得多。但「四十年」这个数别当预测用。它是一条「什么都不变」的基线：同一个降价率摊到每条任务，工资和任务结构全部冻住，不考虑工资下跌的反馈。作者自己的激进情景把一半体力工作的时点从 2085 挪到 2050——同一套数据，三十五年的摆幅，说明真正的不确定性全在那两个速率上，而不在那张任务表上。谁拿「四十年」去论证机器人不用担心，等于把人家的敏感性分析删掉只留一个点估计。方法上有一处需要提醒。整套评分——哪条任务算体力、人在这条任务上花多少时间、有没有机器人能做、它要多少钱——全部由 Claude 带着搜索做出来，然后用来测算 Anthropic 自家这项技术对经济的影响。这不必然有偏，评分规则写在附录里、每条判定的引用都公开在数据集里，可以逐条核；而他们做的那件最该被注意的事，是 1977 年起的历史回测：用同一把尺子给几十年前的任务重新打分，发现当年更暴露的职业后来工资和就业都真的跌了。这是全篇唯一一处外部验证，也是读者最容易跳过的一段。没有它，整篇只是一次有结构的猜测；有了它，那个「每年 2%」的能力扩张速率才算有根。真要盯一个数，盯这个，别盯 0.3%。最后，这篇留给普通读者最实用的东西，是那份被暴露职业名单的方向性。它说得很直白：先出事的是开车的和仓库打包的，不是护士和修理工——因为后两者的工作里，机器人连在最受控的环境下都做不了多少。这跟第 29 篇的疑问正好互补：GDP 里看不见 AI，不是因为它没在生产，而是因为真正人多的那些体力岗位，机器人连门票都还没买得起。

机器人自动化与就业AI 经济学任务暴露度成本曲线

去读原文 本文是原创导读，不是原文翻译——真正的细节、证据和微妙之处都在原文里。原文Anthropic · What work can robots do?：完整报告，含 E0–E3 评分表与各职业成本估算 → 延伸附录 PDF：评分提示词全文、1977 年起的历史回测、成本算例与采纳情景 → 延伸数据集：7,594 条体力任务的逐条判定、Claude 的推理与引用的机器人来源 → 延伸Epoch AI《Where autonomy works》：另一组人从可靠性、速度、迁移能力入手，独立得出同一个结论——导航已商用，操作还在实验室 → 延伸Rodney Brooks《Why Today's Humanoids Won't Learn Dexterity》：iRobot 与 Rethink Robotics 创始人直接唱反调，本文把他列进了参考文献 → 延伸Epoch AI《How Fast Could Robot Production Scale Up?》：如果需求真的来了，产能能多快跟上——本文那条降价曲线的另一半 →

上一篇十万张国产卡上，GLM 用两周把自己的推理吞吐做到三倍——而这篇最该抄的不是成绩，是它怎么把「掉了 20%」拆成查得动的证据下一篇15 台 55 美元的电视盒子串起来跑 26B 模型——自我复制的 AI 不需要数据中心，也就没有总开关可以关

本文为 AKL AI Club 原创撰写的导读，不是原文翻译；著作权归原文作者所有。篇目由编辑独立选取，来源均经人工核实。