Anthropic 报告：机器人可执行 74% 的美国体力工作，但仅在 0.3% 的岗位上具备成本竞争力
TL;DR
- 宣布内容：Anthropic 发布了一项新的“机器人暴露指数”，量化了当前机器人可执行的美国工作内容，并评估了其成本竞争力。
- 重要性：该指数显示，机器人目前可完成 74% 的体力任务（占总工作时间的 34%），但仅在 0.3% 的岗位上具备经济可行性，表明物理自动化将沿着能力驱动的长期路径发展。
关键发现概览
- 机器人暴露程度：74 % 的体力任务（占所有工作时间的 34 %）在某些环境中（专用环境、结构化环境或非结构化环境）可由当前机器人完成。
- 成本竞争力：机器人仅在 0.3 % 的任务中比人力成本更低；要达到 10 % 的覆盖范围，需降低 70 % 的成本，若按历史每年 3 % 的降价速度，这将需要约 40 年时间。
- 岗位层面影响：暴露程度较高的岗位（如出租车司机、仓库打包员）历史上经历了更大的工资和就业下降；过去五十年中，暴露程度每年上升约 2 %。
- 人口统计特征：高暴露岗位的从业者中，男性比例更高，教育程度较低，收入较低，且更可能是西班牙裔。
- 障碍因素：能力限制（尤其是操作能力）阻碍了约 70 % 的体力任务；成本是第二大障碍；法规和人类偏好分别阻碍约 14 % 和 25 % 的任务。
机器人暴露程度的衡量方法
暴露评分标准
Anthropic 对 O*NET 中的 7,594 项体力任务进行了四级评分：
| 等级 | 定义 |
|---|---|
| E0 | 当前机器人无法完成该任务。 |
| E1 | 机器人仅能在专用环境中完成该任务（如生产线）。 |
| E2 | 机器人可在结构化的人类工作场所完成该任务（如仓库）。 |
| E3 | 机器人可在非结构化环境中完成该任务（如城市街道）。 |
"机器人必须在可靠性、错误率和速度方面与人类表现相当，才能被认为能完成该任务。" – Anthropic 方法论脚注 13。
Claude 被提示搜索实际的机器人部署案例，引用来源，并为至少一半任务示例可行的最低结构化环境分配评分。一项工作的暴露指数是其任务评分（0–3）的时间加权平均值。
历史验证
使用 1977 年以来的 O*NET 数据，作者根据每年可用的技术能力重新评估了任务。在控制行业趋势后，历史暴露程度较高的岗位仍经历了更大的工资和就业下降。这一回溯测试支持该指数作为未来自动化风险预测工具的有效性。
多少工作已经具备机器人可执行性？
体力任务覆盖范围
- E0（未暴露）：所有任务的 12 %（约 25 % 的体力任务时间）。示例：染发、搭设脚手架。
- E1（专用环境）：体力任务时间的 23 %。示例：传送带上餐盘组装。
- E2（结构化工作场所）：体力任务时间的 10 %。示例：医院中的药品配送机器人。
- E3（非结构化环境）：体力任务时间的 2 %。示例：自动驾驶。
总体而言，74 % 的体力任务（占总工作时间的 34 %）在某个层级上具备机器人可执行性。
职业层面的暴露程度
图 4（原始报告中）列出了暴露程度最高的十个职业。其中九个是车辆操作员；出租车司机的指数最高（2.2）。他们大多数任务被评为 E3，而辅助任务（如车内清洁）为 E2。
成本竞争力的自动化
Anthropic 估算每项暴露任务部署机器人的年度成本，包括硬件、集成、维护、能源、监督和资本成本。当机器人的年度成本低于该任务的人力成本（基于 BLS 总薪酬并按任务时间加权）时，该任务即为 成本竞争力 的。
| 职业 | 暴露任务占比（E1–E3） | 机器人成本 vs. 人力成本 | 成本竞争力？ |
|---|---|---|---|
| 打包工与包装工 | 97 % | 每台机器人年成本 4.5 万美元，替代人力成本 4.9 万美元 | 是（占所有岗位的 0.3 %） |
| 焊工 | 68 % | 机器人成本 ≈ 人力成本的 5 倍 | 否 |
| 洗碗工/清洁工 | 55 % | 机器人成本是 2.5 万至 3 万美元人力成本的数倍 | 否 |
目前仅有 所有岗位任务的 0.3 % 具备成本竞争力，约代表 30 万名工人。若统一降价 20 %，该数字将上升至 280 万名工人（占总工作时间的 0.8 %）。按历史每年 3 % 的降价速度，实现 70 % 的成本下降——即达到 10 % 的覆盖率——大约需要 40 年。
与大型语言模型（LLMs）的互动
当 LLM 暴露（LLM 可将任务时间减半）与机器人暴露结合时，81 % 的所有工作至少被一种技术覆盖。机器人在运输、搬运和办公室行政支持方面增加了暴露，而 LLM 单独仅覆盖这些领域的 <15 % 任务。
"机器人暴露的岗位数量和类型比 LLM 单独暴露的更多、更不同。" – 机器人与 LLM 暴露 章节。
剩余 19 % 的工作高度依赖人际互动，或需要精细动作技能，当前机器人和 LLM 均无法胜任。
哪些人受影响最大？
使用 2020–2024 年美国社区调查数据，Anthropic 将机器人暴露指数最高五分位数的工人与最低五分位数的工人进行了比较。
- 性别：高暴露工人中女性比例少 20 个百分点。
- 教育程度：拥有学士学位及以上学历的比例少 55 个百分点。
- 收入：平均时薪低 30 美元。
- 失业率：失业率超过两倍。
- 体力要求：更频繁从事重物搬运、极端高温和接触有害污染物的工作。
这些模式与 LLM 暴露岗位形成鲜明对比，后者通常为高技能、高收入且性别更均衡。
广泛采用的主要障碍
| 障碍 | 受限体力任务占比 | 典型示例 |
|---|---|---|
| 能力（操作、规划、移动、感知） | ~70 % | 精细动作任务，如“漂白、染发或染色头发”或“搭设脚手架”。 |
| 成本 | –（见上文成本竞争力分析） | |
| 法规 | 14 % | 自主医疗运输、保护性服务职责。 |
| 人类偏好 | 25 % | 涉及信任的任务（如给儿童穿衣）或社交互动（如迎接客人）。 |
如果能力差距的缩小速度快于成本下降，剩余 30 % 的任务可能实现广泛自动化，但当前成本障碍仍将在短期内主导采纳进程。
未来展望与情景分析
- 历史趋势：自 1977 年以来，机器人每年增加约 2 % 的体力任务覆盖范围。
- 成本下降情景：按每年 3 % 的价格下降速度，机器人在 2085 年前仅能实现一半体力工作的成本竞争力。在“快速采纳”情景下（成本下降速度加快四倍，能力增长翻倍），这一时间点可提前至 2050 年。
- 政策含义：早期监测应重点关注暴露指数最高的职业（车辆操作员、仓库打包员）。法规、安全标准和劳动力市场政策将决定采纳速度。
- 与 LLM 的互补性：随着机器人操作灵巧度的提升，它们可能与 LLM 结合，自动化目前需要同时具备物理和认知技能的任务（如辅助建筑、现场诊断）。
结论
- 机器人目前在技术上已能完成大多数体力工作，但经济和能力障碍限制了广泛自动化。
- 暴露程度可预测劳动力市场结果：历史上，机器人暴露程度越高，工资和就业下降越明显。
- 成本是短期内的主要障碍；要使机器人在 10 % 的岗位上具备成本效益，需实现 70 % 的价格下降，按当前价格趋势，这大约需要四十年时间。
- 政策与研究应优先关注：（1）通过规模化和模块化设计降低机器人成本，（2）提升操作与感知能力，（3）解决高影响职业的法规与偏好障碍。
Anthropic 的机器人暴露指数为追踪具身人工智能的经济影响提供了具体、数据驱动的基础，并可指导企业投资与公共政策制定。
参考文献（精选）
- Legate‑Yang, R., & Massenkoff, M. (2026). What work can robots do? Anthropic. https://www.anthropic.com/research/what-work-can-robots-do
- Eloundou, T., et al. (2024). GPTs are GPTs: Labor Market Impact Potential of LLMs. Science, 384, 1306‑1308.
- Acemoglu, D., & Restrepo, P. (2020). Robots and Jobs: Evidence from US Labor Markets. QJE, 128, 2188‑2244.
- Rivière, Y., & Denain, J. (2026). Where Autonomy Works: Evaluating Robot Capabilities in 2026. Epoch AI.
- BLS (2025). Occupational Employment and Wage Statistics. https://www.bls.gov/oes/tables.htm
机器人暴露指数的数据与代码可在原始 Anthropic 发布帖附带的数据发布中获取。
Sources
- OriginalWhat work can robots do?