Legate-Yang 与 Massenkoff 构建机器人暴露指数：机器人已能完成美国 74% 的体力任务，但仅对 0.3% 的工作具备成本竞争力

作者提出按机器人所需工作环境受控程度划分的四级暴露量表（E0 无法完成、E1 专用机器人环境、E2 结构化人类工作场所、E3 非结构化环境），并据此构建职业层面的机器人暴露指数。 此前的 AI 暴露度研究多针对 LLM 可加速的认知任务，本文把测量对象扩展到必须由机器人完成的体力任务，并以环境受控程度而非单纯“能否完成”来刻画自动化难度。 基于 O*NET 约 900 个职业、约 19,000 条任务描述，由 Claude 检索具体机器人并引用来源打分；任务暴露按多数规则确定，即机器人能在其中完成至少一半示例（按时间加权）的最不受控环境；作者称剔除仅依赖演示的评分后结果相似。

机器人可完成 74% 的体力任务，占全部工作时间 34%；认知与人际工作占 54%，体力任务占 46%，其中 12% 为 E0、23% 为 E1、10% 为 E2、1% 为 E3。 该结果把“机器人能做什么”从个案演示转化为覆盖全美经济的任务级统计，并显示暴露集中在驾驶与仓储等岗位，而护理与一般维修岗位即使在高受控环境下暴露度也很低。 任务按从事该任务的工人数及其在该任务上花费的工作时间比例加权；暴露度最高的 10 个职业中有 9 个是车辆操作类，出租车司机指数最高为 2.2。

机器人把技术暴露面从 LLM 单独作用时的约一半工作扩大到 81%，且暴露的岗位画像与 LLM 相反：高暴露工人女性比例低 20 个百分点、西语裔比例高 16 个百分点、拥有本科及以上学历的比例低 55 个百分点、时薪低约 30 美元、失业率高一倍以上。 此前 LLM 暴露度研究主要指向认知型白领任务，本文显示机器人覆盖的是 LLM 无法触及的体力工作，因而两类技术的受影响人群并不重合。 工人特征来自 2020–2024 年美国社区调查；职业要求统计来自美国劳工统计局，显示暴露岗位更常要求搬运重物、在极端高温或危险污染物附近工作。

机器人虽能完成大部分体力任务，但仅对 0.3% 的工作具备成本竞争力；若机器人价格按过去约每年 3% 的降幅下降，该比例达到 10% 需约 40 年。 与只评估能力、不评估成本的 LLM 暴露度指标不同，本文对每个暴露任务估算机器人年度部署成本并与劳动成本比较，指出能力与可负担性之间存在巨大缺口。 成本估算涵盖机器人本体、配件、集成安装、维护、软件、能源、监督运营、保险与报废等；以包装工与包装工为例，机器人购置安装超过 200 万美元、替代约 14 名工人年工作量，按约 10 年寿命与 8% 资本成本折算后每年约 4.5 万美元，低于该职业约 4.9 万美元的年成本。

该指数面向希望判断体力自动化先在哪里出现的读者：政策制定者可据此监测驾驶、仓储等暴露职业的早期迹象，企业可据此评估自身岗位的成本竞争力，研究者可按作者建议定期更新以追踪机器人能力变化。结果适用于美国经济与当今机器人能力这一设定，作者也明确表示其前提是“今天的机器人已经能在某些场景完成的工作更可能先受冲击”。

作者指出，AI 驱动机器人可能跨越其量表，完成今天做不到的工作，例如爬梯子或更灵巧地使用手臂与夹爪；成本情景对每个任务施加相同的成本下降或能力提升，因而任务按当前成本与工资的相对排序变得可负担，而机器人公司可能出于其他原因优先攻克某些能力；成本平价也不必然意味着高失业或快速增长，因为仍由人工完成的任务可能成为瓶颈，且成本估算常包含人工监督、异常处理或维修；作者还表示未考虑 AI 在不使用机器人的情况下影响体力工作的方式，例如更好地预测工厂设备何时需要维护。