当前机器人产业存在一个巨大的认知反差：
理论上，机器人已能完成美国 3/4 的体力任务；但在经济账上，仅有 0.3% 的任务由机器人执行比雇佣人类更便宜。
这一结论源自 Anthropic 于 2026 年 9 月 30 日发布的研究报告《What work can robots do?》。经济学家 Russell Legate-Yang 和 Maxim Massenkoff 利用 Claude 模型对美国职业数据库中的每一项体力任务进行了逐条评估，从“技术可行性”与“经济成本”两个维度进行分析。
核心结论概括为：能力不是瓶颈，价格才是闸门。
一、评估标准：以环境不确定性为尺
机器人的定义：指能感知、能自主行动的物理机器。例如自动洗车机属于机器人，而完全由医生遥控的手术机器人则视为人手的延伸，不在此列。
报告依据工作环境的结构化程度，将任务分为四个等级：
E0：机器人无法完成；
E1：需在专门建造的机器人环境中进行（如工厂流水线）；
E2：可在结构化的人类工作场所进行（如物流仓库）；
E3：可在非结构化环境中进行（如开放的城市道路）。
选择环境作为衡量标准，是因为机器人的短板在于应对不确定性。以“挖沟”为例，虽然部分直线挖掘可由自动化设备完成（E3），但涉及地下管线处理的复杂环节机器人无法胜任（E0）。这揭示了一个事实：看似可自动化的任务，拆解后往往包含机器人难以攻克的硬骨头。
基于此标准，Claude 共评估了 7594 项体力任务，所有评级理由及引用来源均公开可查。
二、发现一：四分之三体力活具备技术可行性
结构分析显示，这 34% 的工作绝大多数属于 E1 级别（占 23%），即需要为机器人专门改造环境。真正能在开放环境中独立作业的 E3 级别任务仅占全部工作的 1%。目前，机器人的主场仍局限于工厂和仓库等专为机器设计的空间，尚未真正进入人类的通用世界。
三、发现二：驾驶类岗位处于冲击前线
在暴露指数最高的十个职业中，九个涉及驾驶车辆、拖拉机或工程设备。出租车司机以 2.2 分（满分 3 分）居首，这与 Waymo 无人出租车的商业化进程相符。仓库打包、分拣回收等职业紧随其后。
相对安全的职业包括护士和通用维修工。即使在高度受控环境下，机器人也难以替代其核心工作内容。
值得注意的是，高暴露人群具有鲜明画像：男性占比高出 20 个百分点，本科以上学历占比低 55 个百分点，时薪低约 30 美元，失业率翻倍，且多从事负重、高温或接触危险物的工作。
这与大语言模型（LLM）的冲击面形成鲜明对比：LLM 主要影响高学历高薪白领，而机器人主要冲击低学历低薪蓝领。
四、发现三：机器人填补 LLM 的技术空白
两项技术叠加显著扩大了自动化冲击面。仅考虑 LLM，约一半任务面临暴露风险；加入机器人后，这一比例升至 81%。
运输搬运类工作最为典型：LLM 仅能触及不到 15% 的任务，加上机器人后覆盖率达 90%。办公室行政类接近 100%——电脑前的工作由 LLM 处理，跑腿打杂由机器人承担。
剩余约两成未被覆盖的工作具有共同特征：高度人际化或需要精细身体操作。如个人护理、医疗辅助、社区服务等。以给病人用药并监测反应为例，涉及动手操作、面对面交流及严格监管，构成三重防线。
即便如此，没有任何一个职业大类的暴露率低于 40%，差别仅在于时间早晚。
五、发现四：成本是决定替代速度的关键闸门
报告指出，“能干”不等于“划算”。通过计算机器人全口径年成本（购置、安装、维护、能耗、监督、报废等）并与人工成本对比，结果显示：机器人仅在 0.3% 的任务上具有成本优势。
历史上机器人价格年均降幅约为 3%。据此推算，要使 10% 的工作实现“机器人更便宜”，需成本累计下降 70%，耗时约 40 年。
两个典型案例揭示了这一闸门效应：
1. 仓库打包工已跨越门槛。全套机器人方案年成本约 4.54 万美元，低于打包工年综合薪酬（约 4.9 万美元），节省约 2500 美元。美国现有 56 万打包工，自 2015 年以来就业已下降 22%，劳工统计局预测至 2035 年减员规模将排第 11 位。纸面上的技术暴露正转化为真实的就业收缩。
2. 焊工被拦在门外。虽然机器人能完成焊工 90% 的任务，但考虑到爬梯、搬运、质检、打磨等环节，机器人方案成本是人工的五倍。
报告模型显示，若成本再降 20%，将有 280 万从业者的工作变得“机器人更划算”，按当前降幅仅需约 7 年。
经济学研究提醒：成本打平仅是入场券。只有当机器比人便宜得多时，自动化才能真正推高生产率。
六、其他阻碍因素：能力、监管与偏好
除成本外，报告还识别了以下障碍：
能力限制：约 70% 的体力任务受限于此。最突出的是手部灵巧操作（如解开缠绕电线），占体力任务的一半。规划与推理仅卡住 8%，而这正是 AI 进步最快的领域。
监管限制：约 14% 的任务因法规禁止而无法自动化，主要集中在医疗、安保和教育领域。
社会偏好：约四分之一的任务，公众不接受机器人服务。例如家长不放心机器人给孩子换尿布，或消费者偏好真人侍者。
监管与偏好合计影响约 30% 的任务。这部分工作即便机器人能干且便宜，也难以推广，可能成为制约整体生产率的薄弱环节。
七、历史回测验证：50年数据支撑
为验证评估体系的预测力作者对 1977 年以来的职业数据进行回测。结果显示：暴露指数越高的职业，随后几十年的工资增长和就业表现越差，即便控制行业趋势后结论依然成立。
回测量化了能力扩张速度：机器人每年能多做约 2% 此前无法完成的任务。
基于此推演未来情景：
基准情景（能力年增 2%、成本年降 3%）：机器人需至 2085 年才能在一半体力工作上实现成本打平；
快速情景（成本降幅快 4 倍、能力扩张快 2 倍）：提前至 2050 年；但实现 90% 体力工作自动化仍需 53 年。
即使是最乐观的推演，体力工作的全面自动化也是一个以十年计的慢变量，而非三五年内的突变。
八、五点深度解读
1. 莫拉维克悖论的首次大规模量化。报告证实：机器觉得容易的事（如计算），人最先被替代；人毫不费力的事（如灵巧操作），恰是机器的护城河。目前，人类的“毫不费力”在劳动力市场上享有约五倍的溢价。
2. 机器人替代人是“三合一”问题。能否做（能力）、划不划算（成本）、允不允许（监管与偏好）是三道独立闸门。舆论焦虑集中在能力，但决定时间表往往是后两者。例如无人出租车仅在成本上差 7000 美元即可打平，却受制于监管。
3. 分配效应被低估。LLM 冲击白领，机器人冲击蓝领，合计覆盖 81% 的工作。传统的转岗再培训政策面临挑战：当办公室和仓库同时收缩，蓝领工人的转型路径尚不明确。
4. 方法论本身即是信号。利用 AI 评估 AI 对劳动市场的影响，且评级理由公开、经 50 年历史数据回测验证，使“暴露指数”从观点转变为可复核的测量工具。但也需注意其局限性：依赖模型判断可能存在偏差，成本估算较为粗略，且数据仅来自美国。
5. 为人形机器人热潮降温。尽管车企已将人形机器人引入工厂，但按历史降价速度，大规模普及仍需数十年。相比关注发布会，更应关注打包工和出租车司机的就业与工资变化，它们是早期预警信号。
结语
74% 的技术可行性与 0.3% 的经济可行性之间的巨大落差，构成了本报告的核心骨架。
机器人能干多少活，是技术问题；用不用得起、让不让用，则是成本和制度问题。后两条曲线的变化更缓慢，也更真实地决定了自动化的未来进程。
报告原文：
Anthropic, "What work can robots do?" (2026.9.30)