第17章　论断：2018年前后（约 2018 年）

2018年春天的一个普通工作日，亚马逊位于加利福尼亚州特雷西的运营中心里，拣货员玛丽亚·埃尔南德斯站在她的工作站前，面前的显示屏闪烁着下一个货架即将到达的提示。在她脚下，一台橙色的驱动机器人正以每秒1.3米的速度滑过水泥地面，将一个四层高的货架举升到她的面前。货架上的商品——一包电池、一瓶洗发水、一本畅销小说——被算法排列在各自的位置上。埃尔南德斯抬起右手，从第三层左侧的货格中取出那瓶洗发水，用扫描枪读取条形码，转身放入身后的周转箱。整个动作耗时七秒。显示屏刷新，下一个货架已在途中。在她站立不动的八小时轮班中，这个动作将被重复超过两千次。这个场景并非孤例。在距离特雷西八千公里外的深圳龙华区，富士康科技集团的一座手机装配车间里，另一群人正在经历他们工作生涯中最深刻的变化。2018年，这两处空间的共同之处在于：机器人已经进入，人仍在场，但人的劳动正在被重新编排。

国际机器人联合会（IFR）在2018年10月发布的《世界机器人报告》中给出了一组令全球政策制定者反复审视的数字。报告显示，2017年全球制造业平均机器人密度为每万名工人85台。但这个平均值掩盖了巨大的国别差异。韩国以每万名工人710台的密度高居全球首位，新加坡以658台紧随其后，德国以322台位列第三。日本和美国分别为308台和200台。中国虽然总量庞大，但密度仅为97台，略高于全球平均水平。这些数字本身并不直接说明问题。真正引起经济学家警觉的是将这些密度数据与各国劳动力市场统计并置之后出现的错位。韩国统计厅的数据表明，在机器人密度从2010年的287台飙升至2017年的710台这一期间，韩国的总体失业率始终维持在3.5%至4%之间，并未出现大规模失业。但同一时期，韩国的劳动收入份额——即劳动者报酬占国民收入的比重——从2010年的约44.5%下降至2017年的43.1%以下。

看似微小的1.4个百分点降幅，在韩国数万亿韩元的经济总量中意味着劳动者每年少分得了数十万亿韩元的收入。德国联邦统计局的数据呈现了类似的轨迹。2000年至2017年间，德国的劳动收入份额从约72%下滑至约68%，尽管同期德国制造业就业人数保持稳定，甚至在某些年份略有增长。德国拥有欧洲最强大的工会体系和行业工资集体协商制度，这使得就业总量得以维持，但未能阻止劳动在国民收入分配中占比的持续萎缩。新加坡的情况更为复杂。作为城市国家，新加坡的制造业高度依赖外籍劳工，这使得劳动收入份额的统计口径与韩国、德国难以直接比较。但新加坡国立大学李光耀公共政策学院在2018年发布的一项研究追踪了本地中低技能工人的实际工资中位数变化。研究发现，2013年至2018年间，尽管新加坡的机器人密度从约400台攀升至658台，但本地制造业工人的实际工资中位数年增长率不足2%，远低于同期劳动生产率年均约3.5%的提升幅度。

换句话说，工人创造的产出增长中，只有一小部分以工资增长的形式回到了工人手中。这就是经济学家在2018年前后开始密集讨论的那个“生产力悖论”的新形态。传统的生产力悖论——或称索洛悖论——由诺贝尔经济学奖得主罗伯特·索洛在1987年提出，他观察到“计算机时代无处不在，唯独在生产率统计数据中看不到”。而在2018年的语境下，这个悖论被赋予了新的含义：机器人技术在微观层面极大地提升了单条产线、单个仓库、单个工人的产出效率，但这种效率提升并未自动转化为宏观层面劳动者整体福利的改善。相反，它伴随着劳动收入份额的下降、中低技能岗位议价能力的瓦解，以及区域经济的两极分化加剧。要理解这种宏观错位是如何发生的，必须进入具体的生产场所。因为机器人进入工厂和仓库，并非作为一个孤立的技术单元，而是作为一个重新组织劳动关系的变量。它们改变了谁做什么、以什么速度做、在什么条件下做，以及最终谁获得了劳动创造的收益。

富士康的人机混合产线改造为这种观察提供了一个结构性样本。2011年，富士康创始人郭台铭宣布了一项令全球媒体兴奋的计划：在未来三年内部署100万台机器人，以应对中国沿海地区劳动力成本上升和日益严峻的招工困难。这个数字——100万——在当时被反复引用，催生了大量关于“机器人取代中国工人”的预测性报道。然而到2018年，富士康实际部署的工业机器人和其他自动化设备总量约为数万台规模，远未达到当初宣布的目标。差距的根源在于2011年前后的工业机器人技术与消费电子产品装配工序之间的不匹配。一部智能手机内部包含数百个微小零部件，许多装配动作——例如将柔性排线以特定角度插入狭窄的连接器——需要手指般的灵巧度和基于触觉的实时调整。2010年代初期的工业机器人虽然能够以极高的速度和重复精度执行焊接、搬运、喷涂等标准化任务，但在面对公差波动、来料差异和柔性材料时，缺乏足够的力觉反馈精度和视觉引导能力。

富士康的工程师在推进自动化改造的初期发现，那些在实验室演示中流畅运行的机器人，在真实产线上面对不同批次的外壳、轻微变形的排线、以及供应商之间的细微差异时，故障率急剧攀升。经济账同样不乐观。2013年前后，一台适用于精密装配的六轴工业机器人售价约为20万至30万元人民币，加上末端夹具设计、系统集成、安全围栏和调试维护费用，单站改造成本往往超过50万元。而当时富士康深圳厂区一名普工的月基本工资约为2000至3000元，即使加上加班费、食宿补贴和社会保险支出，年用工成本不过5万元左右。简单的投资回报周期计算表明，用机器人替代一个工人需要十年以上才能收回成本。对于毛利率长期在个位数徘徊的代工企业而言，这样的投资回报率并不具有说服力。然而到了2018年前后，三个方向的变化使得局面发生了实质性改变。第一个变化来自机器人本身的成本下降和技术进步。

协作机器人的兴起——本书在前文已详细追溯其技术脉络——带来了更轻量化、更易部署、安全要求更低的机器人方案。一台协作机器人的售价在2016年前后已降至2万至3万美元区间，约为传统工业机器人的一半甚至更低。同时，深度学习在视觉检测领域的大规模部署，使得机器人能够以远高于2013年的准确率识别姿态各异的零部件，并实时调整抓取策略。基于力觉闭环的柔顺控制技术，让机器人能够在接触精密部件时感知阻力并自动调整力度，不再像早期那样只能执行“盲力”操作。这两项技术的结合攻克了消费电子装配中许多此前无法自动化处理的工序。第二个变化来自劳动力市场。2012年至2018年间，中国适龄劳动人口总量持续下降，制造业工人平均工资年均增长超过10%。富士康深圳厂区的一名普工月基本工资到2018年已升至约4000元，加上各类补贴和加班费，年用工成本接近8万元。机器人成本在下降，人工成本在上升，两条曲线在2016至2018年间开始交叉。

这使得许多此前“不划算”的自动化改造变得具有经济可行性。第三个变化来自客户端的压力。智能手机品牌商对产品品质一致性的要求不断提高，而人工装配在微观尺度上的波动性——今天这个工人贴的泡棉偏左0.2毫米，明天那个工人拧的螺丝扭矩略有差异——开始成为制约良品率提升的瓶颈。机器人虽然初始投资高昂，但一旦调试到位，其输出的稳定性远超人工。正是在这种多重力量交织的背景下，富士康的策略从“机器替代人”的宏大叙事转向了一种更务实的“人机混合产线”模式。这个转向的意义超越了富士康一家企业。它标志着全球制造业对自动化的理解从零和博弈——要么是人，要么是机器——转向了生态重组——让人和机器各自做自己擅长的事。人机混合产线的核心分工逻辑是：机器人负责高速重复动作、精确位置控制和持续稳定输出，人负责处理变异、做出判断、在模糊信息下决策。

在手机装配线上，这具体表现为机器人承担搬运、点胶、螺丝锁附、视觉检测等标准化程度高的工序，工人则负责柔性排线连接、外观检查、异常处理等需要触觉判断和认知灵活性的工序。这种分工模式对工人提出了与过去截然不同的要求。在传统流水线上，一名工人只需掌握一两道简单工序，经过三天培训即可上岗，工作中几乎不需要思考。在人机混合产线上，留下来的工人需要理解机器人的工作节奏，监控显示屏上的数据，在机器人出现异常时迅速判断问题来源并做出应对。他们的身体劳动强度可能降低了——不再需要每天重复数千次相同的腕部动作——但认知负荷显著增加。富士康为此建立了技能等级制度。完成协作机器人操作培训并通过考核的工人可以被评定为“自动化操作员”，基本工资比普通普工高出约15%至20%。但这个增幅与他们创造的生产力提升——单班产量通常增加30%至40%——相比显然不成比例。

多出来的价值流向了三个方向：一部分转化为企业利润，一部分通过价格竞争传导给了下游品牌客户，还有一部分以更高薪酬的形式流向那些能够设计、编程和维护机器人系统的高技能工程师。这些工程师通常拥有大专以上学历，在劳动力市场上属于稀缺资源，他们的薪资在2014年至2018年间上涨了约50%以上。而那些无法通过培训适应新岗位的工人——通常是年龄较大、教育程度较低的群体——则面临被边缘化的风险。他们被调往尚未自动化的产线，而那些产线往往生产的是利润微薄、随时可能被转移或淘汰的旧产品。在富士康数十个厂区之间，自动化改造的推进并非均匀展开。深圳、昆山等沿海厂区由于劳动力成本更高、工程师资源更丰富，自动化推进速度最快。内陆厂区由于工资水平相对较低、自动化投资回报周期更长，改造步伐明显滞后。这导致了一种区域分化：沿海厂区的工人数量在减少，但留下的工人技能水平和收入在提升；内陆厂区仍在大量吸纳从农村转移出来的低技能劳动力，工资增长缓慢，工作稳定性差。

国际机器人联合会的数据印证了这种分化并非富士康独有。2018年全球工业机器人新安装量约为42.2万台，其中中国一国就安装了约15.4万台，占全球总量的36%。但这些机器人高度集中在少数沿海省份——广东、江苏、浙江、上海四省市占中国机器人安装量的70%以上。机器人密度在省级行政单位之间的差距远大于国家之间的差距。在机器人密集的深圳宝安区，制造业工人的工资中位数在2014年至2018年间上涨了约25%，但同期就业岗位减少了约8%。而在机器人稀少的河南周口市，制造业就业仍在增长，但工资水平仅为深圳的三分之二。两个地方的人生活在同一个经济体，却经历着截然不同的自动化时代。如果说富士康的案例揭示了机器人如何重新编排制造业的劳动分工，那么亚马逊仓储机器人的故事则展示了物流领域另一种编排方式——机器人重新定义了身体劳动的节奏。

2012年，亚马逊以7.75亿美元收购了仓储机器人公司Kiva Systems，并将其更名为Amazon Robotics。Kiva机器人的核心创新在于它颠倒了传统仓储的作业逻辑：在传统仓库里，拣货员需要推着手推车在货架之间行走，寻找商品，弯腰取货。而在Kiva系统下，机器人将整个货架搬运到拣货员面前，拣货员只需站在原地，从被送到面前的货架上取下商品，扫描，放入周转箱。这就是所谓的“货到人”模式。到2018年，亚马逊在全球的运营中心部署了超过10万台驱动机器人。这些橙色的小型机器人外形如同一个巨大的冰壶，在仓库地板上按照算法规划的路径穿梭，将四层高的货架举升起来，运送到拣货工作站。在传统仓库中，一名拣货员每天要行走15至20公里。在Kiva仓库中，他们几乎不需要移动脚步。表面上看，这似乎是一种进步——工人不再需要承受长距离行走的身体消耗。但2019年由美国职业安全与健康管理局数据和媒体调查揭示了一幅更复杂的图景。

《大西洋月刊》记者在2019年11月发表的长篇报道中，详细描述了亚马逊机器人仓库拣货员的工作状态。报道援引的内部文件和工人访谈显示，在引入机器人后，拣货员的“提货率”——即每小时处理的商品件数——从约100件提升至300件甚至400件以上。管理者通过手持设备实时监控每个工人的速率，系统会自动生成警告，如果某个工人的速率持续低于目标值。工人不再需要行走，但他们的上肢动作被压缩到了极限：伸手、抓取、扫码、投放，每个动作都在倒计时的压力下完成，每小时重复数百次。这种工作模式导致了新的健康问题。华盛顿州劳工与工业部在2018年至2019年间对亚马逊位于杜邦的运营中心进行了调查，发现该仓库的工伤率显著高于行业平均水平。最常见的伤害类型是肌肉骨骼损伤——包括腕管综合征、肌腱炎和背部拉伤——这些损伤并非由单次事故造成，而是由长期重复动作累积所致。

机器人消除了行走的体力消耗，却将身体负担转移到了上肢和手部，同时通过算法管理将工作节奏推至人体生理极限附近。2018年，英国埃塞克斯大学和伦敦大学学院的研究人员发表了一项研究，通过分析欧洲工人调查数据发现，在那些工作节奏由机器或算法决定的岗位上，工人报告的焦虑水平和职业倦怠感显著高于那些可以自主控制工作节奏的岗位。研究还发现，这种负面效应在低技能岗位中更为明显——因为这些岗位的工人通常缺乏与管理者协商工作节奏的议价能力。这项研究为理解机器人时代的劳动异化提供了新的实证依据：核心问题不在于机器人是否取代了人，而在于那些仍被需要的人，在多大程度上被剥夺了对自身劳动过程的控制权。将富士康和亚马逊的案例并置观察，可以提炼出一个共同的模式。在这两种场景中，机器人进入工作场所后，并没有简单地消灭岗位，而是改变了劳动的三个维度：强度、技能要求和自主性。

就强度而言，机器人在某些方面降低了体力消耗——富士康工人不再需要重复拧螺丝，亚马逊拣货员不再需要长距离行走——但在另一些方面增加了新的负荷，无论是认知层面还是重复速率层面。就技能要求而言，部分岗位的技能门槛提高了——富士康的自动化操作员需要学会读懂显示屏上的数据——但另一部分岗位的技能要求反而降低了，因为机器人接管了需要经验和判断的工序，留给工人的是碎片化的简单动作。就自主性而言，机器人系统往往伴随着更精细的数字化监控，工人的每一个动作、每一秒耗时都被记录和分析，他们对自己工作节奏的控制权被算法所取代。这三个维度的变化，最终反映在薪酬上。那些技能门槛提高且短期内难以被替代的岗位——如机器人维护技师、自动化系统编程员——薪酬显著上涨。那些技能要求降低或可替代性增强的岗位——如传统普工、被压缩为简单重复动作的拣货员——薪酬增长停滞甚至下降。而那些被完全自动化取代的岗位——如某些焊接工位、搬运工位——工人被迫转岗或退出劳动力市场。

三种方向同时发生，使得总体就业数据保持平稳，但劳动收入份额下降，因为高薪岗位的增长不足以弥补中低薪岗位薪酬占比的萎缩。这种分化引发了经济学家之间的激烈争论。麻省理工学院教授达龙·阿西莫格鲁和波士顿大学教授帕斯卡尔·雷斯特雷波在2017年至2019年间发表的多篇论文中，利用美国劳动力市场数据论证，工业机器人的部署确实导致了就业和工资的净损失。他们估计，在美国，每千名工人中增加一台机器人，会导致就业人口比下降约0.2个百分点，工资下降约0.4%。按照这一估算，1990年至2007年间美国部署的工业机器人累计导致了约36万至67万个就业岗位的净损失。阿西莫格鲁和雷斯特雷波将这些损失称为“替代效应”，并指出尽管存在“生产率效应”——机器人提高效率后企业扩张可能创造新岗位——但替代效应在统计上显著超过了生产率效应。另一派观点则引用国际机器人联合会委托进行的研究。

IFR在2018年发布的一份报告中指出，机器人产业本身创造了大量就业——包括机器人制造、系统集成、软件开发和售后服务等岗位。报告还强调，机器人的应用提升了制造业竞争力，使得一些原本可能外迁到低成本国家的产线留在本地，从而间接保住了就业。IFR援引德国作为例证：德国拥有欧洲最高的机器人密度，但其制造业就业人数在2010年至2018年间保持稳定。两派观点看似矛盾，实则指向了同一个问题的不同侧面。阿西莫格鲁和雷斯特雷波的研究聚焦于净效应，即扣除所有正向和负向影响后的总体结果。IFR的研究则强调正向机制的存在。两者都不否认自动化会消灭某些岗位并创造另一些岗位，分歧在于对净效应的估算和对时间尺度的判断。阿西莫格鲁和雷斯特雷波关注的是短期至中期的调整成本，而IFR更倾向于强调长期的动态平衡。但对于那些正处在调整过程中的工人而言，长期动态平衡的说法并不能缓解眼前的焦虑。

2018年，经济合作与发展组织发布了一份题为《自动化、技能使用与培训》的工作报告，基于对32个成员国的调查数据指出，约14%的现有工作岗位面临高度自动化风险，另有32%的岗位将经历显著的任务内容变化。报告强调，关键变量不是自动化技术本身，而是各国能否建立有效的技能培训体系和劳动力市场调整机制，帮助工人完成从被淘汰岗位向新兴岗位的过渡。报告特别指出，那些拥有强大的工会组织、行业工资集体协商制度和完善的职业教育体系的国家——如德国、丹麦——在处理自动化带来的劳动力市场冲击方面表现更好。而那些劳动力市场灵活性高、社会保障体系薄弱、工人议价能力低的国家则出现了更严重的工资两极分化和劳动收入份额下降。这份报告将讨论的焦点从“机器人会消灭多少工作”转移到了“谁有能力适应工作内容的变化”。这个转移至关重要。它意味着，机器人时代的核心挑战不是技术性的，而是制度性的。技术决定了什么可以被自动化，但制度决定了自动化的收益如何分配。

2018年，这种分配问题开始进入公众视野和政治议程。在美国，多名总统候选人提出了“机器人税”或类似概念，提议对采用自动化技术替代人工的企业征收特别税，用于资助再就业培训和社会保障。在欧洲，欧盟委员会在2018年发布的《人工智能伦理指南》草案中提出了“人在回路中”的原则，要求涉及重大决策的算法系统必须保留人类监督和干预的可能性。在韩国，政府于2018年修订了《机器人产业促进法》，在鼓励机器人产业发展的同时，增加了对自动化可能引发的就业影响的评估条款。这些政策讨论在2018年仍处于早期阶段，远未形成共识或转化为具体立法。但它们标志着一个重要的转折：机器人不再仅仅被视为一个工程问题或经济效率问题，而是被纳入了分配正义和公共政策的讨论框架。

回顾本书前文所追溯的历程，从1980年代FANUC车间里那些被严格物理隔离的机械臂，到2000年代协作机器人开始与人共享工作空间，再到2010年代手术机器人在医生操控下延伸人手能力，机器人的发展始终伴随着对其安全性和伦理边界的讨论。但2018年前后的讨论进入了一个新的层面：不是问“机器人会不会伤害人”，而是问“机器人创造的价值应该归谁”。这个问题没有简单的答案。但它将“机器人进入人的世界”这一命题从物理空间扩展到了社会经济结构。当机器人进入工厂、仓库和配送中心，它们也同时进入了劳动关系、薪酬体系和职业尊严的复杂网络。这个网络中的每一个节点——工人的身体、主管的考核指标、企业的投资决策、政府的税收政策、全球供应链的价格压力——都在与机器人技术的扩散相互作用，产生出远非“取代还是创造”的二元框架所能捕捉的后果。2018年，全球新装工业机器人422,000台。

同年，国际劳工组织估计，全球约有1.7亿个制造业岗位面临不同程度的自动化风险，但其中大部分并非被消灭，而是经历任务内容的重组。同年，主要发达经济体的劳动收入份额较二十年前平均下降了约5个百分点，而企业利润占GDP的比重则相应上升。同年，全球最大的代工企业富士康在年报中不再提及百万机器人计划，转而强调“人机协作”和“智能制造人才培训”。同年，亚马逊宣布将投资7亿美元用于员工技能培训，帮助仓储工人转型为机器人技术员和数据分析师。同年，韩国政府开始向受自动化影响的中小企业工人发放“自动化适应培训券”。同年，1959年Unimation公司的第一台工业机器人在美国诞生六十年后，机器人产业站在了一个新的临界点上——不是技术的临界点，而是分配的临界点。这些数字并列在一起，构成了一幅冷峻的画面。它们不提供结论，只呈现压力。它们表明，在机器人重塑劳动却未显著增加总体福祉的背景下，全球社会经济体系正处在一个脆弱的平衡点上。

技术渗透的速度在加快，但分配机制的调整远未跟上。任何外部冲击——一场贸易战、一次金融危机、或一场大流行病——都可能打破这种脆弱平衡，将积累的压力释放为剧烈的社会震荡。