Anthropic報告：機器人可執行74%的美國實體工作，但僅在0.3%的工作中具成本競爭力
簡要重點
- 宣布內容：Anthropic 發布新的「機器人暴露指數」，用以量化目前機器人能執行的美國工作任務數量，並評估其成本競爭力。
- 重要性：該指數顯示機器人目前已能執行74%的實體任務（占總工作時數的34%），但僅有0.3%的工作在經濟上具可行性，暗示物理自動化將以能力驅動的長期路徑發展。
關鍵發現摘要
- 機器人暴露程度：74 %的實體任務（占所有工作時數的34%）在某種環境中（專用、結構化或非結構化）可由當今機器人執行。
- 成本競爭力：僅有0.3 %的任務機器人成本低於人力成本；若要達到10 %的覆蓋率，需降低70 %的成本，以歷史每年3 %的價格下降速度計算，約需40 年。
- 工作層級影響：暴露程度較高的工作（如計程車司機、倉儲包裝員）歷史上經歷了更大的薪資與就業下降；暴露程度過去五十年每年上升約2 %。
- 人口統計：高暴露程度的勞工中，男性比例較高，教育程度較低，薪資較低，且更可能為西班牙裔。
- 障礙：能力（特別是操作能力）限制了約70 %的實體任務；成本是第二大障礙；法規與人類偏好各自阻礙約14 %與25 %。
機器人暴露程度的衡量方式
暴露評分標準
Anthropic 對 O*NET 中的 7,594 種實體任務進行四級評分：
| 等級 | 定義 |
|---|---|
| E0 | 目前無機器人能執行此任務。 |
| E1 | 機器人僅能在專用環境中執行（例如：工廠流水線）。 |
| E2 | 機器人可在結構化的人類工作環境中執行（例如：倉庫）。 |
| E3 | 機器人可在非結構化環境中執行（例如：城市街道）。 |
"機器人必須在可靠性、錯誤率與速度方面與人類表現相當，才能視為可執行。" – Anthropic 方法論腳註13。
Claude 被提示搜尋具體的機器人部署案例，引用來源，並為至少一半任務範例可行的最低結構化環境賦予評分。某工作的暴露指數為其任務評分（0–3）的時間加權平均值。
歷史驗證
利用自1977年起的 O*NET 數據，作者根據每年可用的技術能力重新評估任務。歷史暴露程度較高的工作，即使控制產業趨勢後，仍經歷了更大的薪資與就業下降。此回溯測試支持該指數作為未來自動化風險預測工具的有效性。
多少工作已具備機器人執行條件？
實體任務覆蓋率
- E0（未暴露）：所有任務的12 %（約占實體任務時數的25 %）。範例：染髮、腳手架搭建。
- E1（專用環境）：實體任務時數的23 %。範例：傳送帶上的餐盤組裝。
- E2（結構化工作場所）：實體任務時數的10 %。範例：醫院內的藥物配送機器人。
- E3（非結構化環境）：實體任務時數的2 %。範例：自動駕駛。
總計，74 %的實體任務（占總工作時數的34 %）在某個等級上具備機器人執行潛力。
職業層級暴露程度
圖4（原始報告中）列出暴露程度最高的十個職業。其中九個為車輛操作員；計程車司機的指數最高（2.2）。他們的大多數任務評為 E3，而輔助任務（如車內清潔）則為 E2。
成本競爭力的自動化
Anthropic 評估了每項暴露任務部署機器人的年度成本，包含硬體、整合、維護、能源、監督與資本成本。當機器人的年度成本低於該任務的人力成本（根據勞工統計局總薪資並依任務時間加權得出）時，即視為「成本競爭」。
| 職業 | 暴露任務比例（E1–E3） | 機器人成本 vs. 人力成本 | 成本競爭？ |
|---|---|---|---|
| 包裝員與包裝工 | 97 % | 每台機器人每年45,000美元，取代每年49,000美元的人力 | 是（所有工作中的0.3 %） |
| 焊工 | 68 % | 機器人成本約為人力的5倍 | 否 |
| 洗碗工／清潔工 | 55 % | 機器人成本為25,000–30,000美元人力成本的數倍 | 否 |
目前僅有 0.3 %的所有工作任務 具成本競爭力，約代表 30萬名勞工。若統一降低20 %價格，此數字可提升至280萬名勞工（占總工作時數的0.8 %）。以歷史每年3 %的價格下降速度計算，需約 40年 才能實現70 %的成本下降，進而達到10 %的覆蓋率。
與大型語言模型（LLM）的互動
當 LLM 暴露程度（LLM 可將任務耗時減半）與機器人暴露程度結合時，81 %的所有工作 至少被一種技術覆蓋。機器人在運輸、搬運與辦公室行政支援等領域增加暴露程度，而 LLM 單獨僅能覆蓋少於15 %的任務。
"機器人暴露的工作範圍與類型，遠超過 LLM 單獨所能覆蓋的範疇。" – 節錄 機器人與 LLM 暴露。
剩餘的19 %工作極度依賴人際互動，或需要細微動作技能，目前的機器人與 LLM 均無法勝任。
哪些人受影響最深？
根據2020–2024年美國社區調查資料，Anthropic 將機器人暴露指數最高五分位數的勞工與最低五分位數的勞工進行比較。
- 性別：高暴露勞工中女性比例少20個百分點。
- 教育程度：擁有學士學位或更高學歷者少55個百分點。
- 收入：平均每小時薪資低30美元。
- 失業率：失業率超過兩倍。
- 身體需求：更常從事重物搬運、極端高溫或接觸有害污染物的工作。
這些模式與 LLM 暴露工作形成鮮明對比，後者通常為高技能、高薪且性別較為平衡的工作。
廣泛採用的主要障礙
| 障礙 | 受限實體任務比例 | 典型範例 |
|---|---|---|
| 能力（操作、規劃、移動、感知） | ~70 % | 細微動作任務，如「漂白、染髮或燙髮」或「搭建腳手架」。 |
| 成本 | –（上述成本競爭力分析） | |
| 法規 | 14 % | 自主醫療運輸、保護性服務職務。 |
| 人類偏好 | 25 % | 涉及信任的任務（如為兒童穿衣）或社交互動（如迎接賓客）。 |
若能力差距的縮小速度超過成本下降，剩餘30 %的任務可能實現廣泛自動化，但目前的成本障礙仍將主導近中期的採用速度。
未來展望與情境模擬
- 歷史趨勢：自1977年起，機器人每年增加約2 %的實體任務覆蓋率。
- 成本下降情境：以每年3 %的價格下降速度計算，機器人僅在 2085年 才能對一半的實體工作具成本競爭力。若採用「快速採用」情境（成本下降速度加快四倍，能力成長加倍），此時間點可提前至 2050年。
- 政策意涵：早期監測應聚焦於暴露指數最高的職業（車輛操作員、倉儲包裝員）。法規、安全標準與勞動市場政策將決定採用速度。
- 與 LLM 的互補性：隨著機器人操作靈活性提升，可能與 LLM 結合，自動化目前需兼具物理與認知技能的任務（如輔助建築、現場診斷）。
結論
- 目前機器人技術上已能執行大多數實體工作，但經濟與能力障礙仍限制廣泛自動化的發展。
- 暴露程度預測勞動市場結果：歷史上，機器人暴露程度越高，薪資與就業下降越明顯。
- 成本是近中期的主要障礙；要讓機器人對10 %的工作具成本效益，需降低70 %的成本，以目前價格趨勢計算，約需四十年。
- 政策與研究應優先推動：（1）透過規模化與模組化設計降低機器人成本，（2）提升操作與感知能力，（3）解決高影響職業的法規與偏好障礙。
Anthropic 的機器人暴露指數為追蹤具身人工智慧的經濟影響提供了具體、數據驅動的基礎，並可作為企業投資與公共政策制定的指引。
參考文獻（選錄）
- 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
機器人暴露指數的資料與程式碼可在原始 Anthropic 帖文連結的附屬資料發布中取得。
Sources
- OriginalWhat work can robots do?