自变量机器人1小时分拣1816件，为何工人压力反而更大？

自变量机器人1小时分拣1816件，为何工人压力反而更大？

打工人嘴替

深圳自变量机器人的那场直播，很多人应该都刷到了。两台机械臂，配着最普通的夹爪，在无人工干预的情况下，对着一堆大小、形状、材质完全随机的真实包裹连续干了一个小时，最终成绩是1816件，成功率超过98%，平均每2秒完成一次抓取、翻面、摆放的动作。

两台机械臂在工作站分拣各类快递包裹

这个速度，比美国明星机器人公司Figure AI此前创下的1248件/小时的纪录，快了将近一半。

这已经不是“机器能干活”的层面了，它开始处理那些原本被认为只有人才能应对的随机判断。但魔幻的事情就在这里：技术越强，效率越高，在一线干活的人，压力反而越大。这不是错觉，而是一个正在多个行业同时发生的现象。

中通武汉转运中心今年初完成智能化改造后，人力成本直接降了超过40%。陕西神木一个整合了本地快递品牌的智能物流园，自动化分拣线一上，整个园区的一线劳动力投入比改造前减少了70%。广州花都的大型快递转运中心，车间里传统的人工分拣岗位已经大幅收缩。

自动化分拣流水线传送带上摆放着各类包裹

这些来自不同地方、不同企业的案例，共同指向一个事实：机器换人，在物流分拣这个领域，已经从趋势变成了日常。单个节点的人力密度在急剧下降，但整个行业又在高速扩张，所以，岗位并没有一夜消失，但活法变了。

现在，自动化流水线边上剩下的那些供件、异常处理岗位，单小时的处理标准已经提到了600到1200件。而且，机器可以连续21小时运转，替代原来两班倒的重复劳动。人的体力负荷可能轻了，但新的压力源出现了：你得为机器兜底。

第一财经在近期的报道里点明了这个转变：绝大多数自动化场景下，效率提升的红利并没有传导到基层劳动者身上，一线员工的压力已经从体力负荷，转向了“为AI输出承担最终结果兜底责任”。这其实是一种“有责无权”的状态。

华东理工大学法学院副教授粟瑜在分析数据标注行业时，描述了一个几乎一模一样的困境：这些处于产业链底端的劳动者，高度原子化、可替代性极强，完全不具备议价能力。平台和发包方掌握了任务标准、考核、薪酬结算的全部规则制定权，劳动者只是被动执行者。

工作出错，要承担返修责任，但项目成功，利润和资源分配跟他们没关系。

数据标注员，就是那个“教AI认识世界”的群体，他们亲手训练出的模型，最终可能反过来替代掉他们自己。这种“有责无权”的错位，在分拣员、外卖骑手这些群体身上同样清晰可见。

国务院发展研究中心的一份调研也指出，随着人工智能、自动驾驶等技术的推广，依赖算法调度的基层岗位面临被替代的压力，如果劳动者缺乏持续的技能积累，就会被进一步锁定在“低收入陷阱”里。

这背后，其实是一个更根本的分配问题。腾讯网一篇专题研究把它说得很透：历史上的工业革命，机器始终是工具，人是生产体系的核心，生产率的提升最终会转化为就业扩张和工资增长。但这一轮智能技术，首次具备了替代认知劳动的能力，开始出现“企业利润增长、生产效率提高，但参与价值分配的劳动者规模持续收缩”的现象。

全链路智能物流分拣系统整体布局

简单说，就是蛋糕做大了，但分蛋糕的人变少了，做蛋糕的人压力更大了。

观察者网在一篇分析美国民众反对AI数据中心的文章里，也提到了一个跨越两百年的历史回响：19世纪初，英国爆发卢德运动，工人们砸毁织布机。

历史学者后来发现，卢德派并不反对机器本身，他们反对的是雇主利用机器，绕开传统的劳动规则，压低工资、雇佣廉价劳动力，让熟练工人的技能贬值、谈判能力消失。他们问的核心问题，跟今天一模一样：机器提高了生产率以后，谁得到了好处？

所以，回到最初的问题。机器人越来越能干，普通人的工作压力为什么反而更大？因为“效率收益错位分配”正在成为这场智能革命中，普通人最真实的体感。

技术进步带来的收益，绝大多数被资本方获取，而劳动者不仅要面对岗位被替代的直接竞争，失去了原本的议价能力，还要为机器越来越少的失误，承担最终兜底责任。这个过程，就像被一根无形的鞭子抽着跑，跑得比以前更快，但终点线一直在往前移。

接下来，这个现象会怎么走？有两个方向是可以预见的。

第一，岗位不会马上消失，但“人机协同”会成为常态，并且对人的要求会彻底改变。未来的工厂和仓库里，更可能形成“人定义目标、AI协同决策、机器执行任务”的模式。

这意味着，纯粹卖体力的岗位会越来越少，而需要同时具备现场操作、工艺理解和问题判断能力的“紫领”人才，需求会持续增长。有研究预测，到2035年，这类人才的需求将超过3100万人。

快递分拣仓库内工作人员正在处理包裹

第二，也是更关键的一步，如果效率提升的收益分配机制不进化，矛盾会越来越尖锐。第一财经的报道提到，目前已经有极少数企业开始探索“AI增益分成、Token福利化”，试图把提效的收益反哺到一线员工身上。但这个方向才刚刚开始，离成为普遍实践还有很长的路。

当AI省下来的时间和钱，最终都流向了报表和股东，而不是那些被机器和算法推着跑的人，这种压力只会继续累积，直到整个系统找到新的平衡点。