AI讓腦力勞動者焦慮？現在輪到體力勞動者了_風聞

1886年4月，美國芝加哥，為了反對每天10小時、12小時，甚至14小時的強制勞動，25萬人參與了那場由國際工人聯合會組織的大遊行。

隨着遊行繼續，當地政府和商業俱樂部急忙增加警力、加購槍支。進入5月摩擦升級，有人向警察羣中扔炸彈，當地警察向罷工人羣開火……

這場以多人流血死亡為代價的鬥爭，雖然最終被鎮壓，卻給世界留下深遠影響。畢竟，全天下的工人都想做人，而不是牛馬或者機器。從此，全球各地工人為了8小時工作而發起的運動，此起彼伏。

1889年7月，由恩格斯領導的“第二國際”在巴黎的代表大會上，通過了決議，從1890年開始，每年5月1日為國際勞動節。

又到了一年一度的勞動節了。這個來自於勞資鬥爭的節日，可以説從1890年直到今天，既讓人感覺治癒，又感覺致鬱。

尤其是在chatgpt這樣的AI“大腦”以天為單位快速進化的當下，雖然體力工人暫時還算安全，腦力工人的焦慮卻與日俱增。

而今天，酷玩想告訴所有腦力工作的家人們一個“好消息”，體力工人的焦慮馬上也要變大了！

因為，機器飛昇速度加快了。

這並非是chatgpt級別的機器人橫空出世，而是整個機器人產業進入到“量變引起質變”的關鍵期了。

不論你有沒有做好迎接未來的心理準備，暫且先放下人族的偏見，順着機器視角看一眼未來……

01

蹣跚稚子，長勢驚人

2021年12月，位於英國的Engineered Arts 公司發佈了人類有史以來最像人的機器人Ameca。其細微到略顯誇張的眼神、表情和豐富的肢體語言能力，讓其在推特和tiktok引起一陣轟動。

注意！這是現實中的機器人！不是演習！

在它的視頻下方甚至有網友評論説，它比扎克伯格的面部表情還多。由此，Ameca的擬人水平由此可見一斑。

去年11月，Ameca就將其語言系統接入了chatgpt-3，它甚至能很好的用沉默思考的表情來度過chatgpt為其提供答案的時間窗口，並且將chatgpt的答案與表情和肢體語言完美融合在一起。

他們團隊已經在4月將Ameca接入chatgpt-4，人類理想中的陪伴人形機器人似乎就在眼前。

機器人的突破還不止於此。

在2022年的特斯拉AI日上，科技狂人馬斯克首次公開展示了其最新的人形機器人產品“Optimus擎天柱”。

雖然很多人都嘲笑它行動遲緩，運動水平甚至不如2010年的波士頓動力，最後還要人裝在架子上推出來。

但是在今年3月的特斯拉投資者日上，“擎天柱”發生了驚人的進化。它不但行動穩健，甚至非常有惡趣味地去修理另一台“擎天柱”。

更為誇張的是，馬斯克在2022年的AI日上表示，未來特斯拉量產的機器人預計售價將少於2萬美元。這甚至不到降價前特斯拉model3的一半。

試想一下，如果馬斯克的“擎天柱”再升級一下，配合未來chatgpt和微軟的copilot，再配合上Ameca的“顏藝”。我們普通打工人不就完全沒有生存空間了嗎？科幻電影裏面的智械危機是不是就在眼前？

而當我們審視近十年來在機器人領域的主要技術跨越，會發現智能機器人的爆火主要驅動因素不完全來自於原理性的突破，反而很多來自於智能機器人在硬件和軟件在應用層面突破導致的進步。

以廣大果粉們最熟悉的iphone為例，2012年iphone5，僅僅搭載120萬像素的前置攝像頭和800萬像素的後置攝像頭，沒有面部識別功能也沒有光學變焦能力。

相比之下，2022年的iphone 14，集成了兩個1200萬像素後置攝像頭和一個1200萬像素前置攝像頭。前置攝像頭擁有面部識別和自動對焦能力，後置攝像頭有光學變焦能力。

雖然這樣對比有點揶揄iPhone，但依舊展現出了同一個廠商十年間，同等價位、相近重量下，可安裝的傳感器在性能、成本和重量控制上實現飛躍。

智能傳感器也有類似進步，十多年前，一個激光雷達價格是數十萬美元，所以即使有人想量產機器人完全不敢想象使用高級激光雷達。

但是2020年激光雷達鼻祖Velodyne公司發佈了Velabit的激光雷達，售價僅為100美元。2023年，覽沃公司發佈360°混合固態激光雷達Mid-360價格甚至可以低到3999元。

價格的雪崩讓機器人批量使用高等級激光雷達成為可能。而這還不算傳感器在性能、重量和散熱方面的進步。

回想一下，作為等等黨的你等了幾年終於等到了可以用官價買到最新顯卡時候的意氣風發。現在機器人產業也等到了可以用低價買到高精度傳感器的時代。

但是高精傳感器的升級僅僅是硬件升級的一部分，橫亙在機器人發展最難的部分長期以來還是落在對蒐集到信息的處理能力方向。而這方就要感謝機器人可用芯片升級了。

首先芯片的升級還是體現在算力的直觀提升上。我們還是回到iPhone5，2012年的A6芯片是一顆採用三星32 納米工藝製造，單核最大頻率1.3GHz的32位雙核芯片，並搭配有一個3核GPU。芯片適配1GB LPDDR2-1066 RAM，圖形運算速度是0.03萬億次浮點運算。

而最新iPhone14pro上採用的蘋果A16芯片則是一顆4納米芯片。其CPU採用64 位六核CPU，單大核最大頻率為3.46GHz；GPU則是5核。內存已升級為LPDDR5。芯片內置的16個內核的針對深度學習專門設計神經擬態芯片NPU每秒可進行17萬億次運算。

可以説當年的A6和現在的A16之間在信息處理能力方面差距簡直是小汽車和宇宙飛船的速度差距一樣。

機器人也是類似原理，雖然特斯拉等機器人廠商沒有具體公佈其核心芯片相關性能參數，但是參考手機等其他智能產品，以及對比十年前和現在機器人廠商放出的識別物品效果的視頻。我們就能很直觀的感受到，機器人硬件在無論是視頻信息處理還是對於物體識別方面信息處理效率的巨大提升。

廉價高算力芯片的普及是近十年來人工智能以及人工智能衍生物的爆發的一個重要原因，但是單純靠算力的提高不能完全解釋人工智能產品能夠快速融入我們生活的原因。

現在養育一個“機器小孩”的各項成本都大幅降低了。

不僅如此，“機器小孩”長大之後，不僅“腦子”更好使，“飯量”也變小了。

02

腦子變大，飯量變小

其實，機器人的“腦子”好使，“飯量”變小，是同步進行的——芯片架構的升級。

還是從我們觸手可及的手機入手，如果我們回想早期智能機時代，我們會發現，當年炒作最厲害的話題是CPU性能，之後是談論圖形處理能力尤其是GPU性能的提升。

首次將人工智能和手機高端芯片聯繫起來是2017年，當年華為餘承東發佈的華為麒麟970 首次在芯片上集成了NPU。同月蘋果也發佈了自己首款集成了NPU的高端芯片A11。

此後基於人工智能需求專門設計硬件架構的神經擬態芯片NPU成為了高端手機芯片以及人工智能芯片的重要組成部分。

那麼為什麼需要一個NPU呢？為什麼CPU和GPU不夠呢？

傳統CPU設計是基於通用設計理念，主要是專注功能處理的芯片，是為串行指令處理而設計。

簡單來説，CPU就像一個可以很快記住並解決一連串有邏輯聯繫問題的人。但是在由於設計的取捨，如果我們要給他在同時解決一大堆1+1=2的時候，他每次都要依次閲讀1+1這個題目，然後再計算出等於2，然後再閲讀下一道題目。

而GPU則是擅長並行計算，可以同時處理更多短鏈運算。

它雖然在解決長串首尾相連問題的時候不如CPU，但是它可以同時計算很多個1+1=2。這使得GPU比CPU更適合處理類似圖形計算之類的計算密集型任務。

2011年Google提出了利用大規模神經網絡進行圖像識別的技術路徑，標誌着深度學習技術的崛起。但是深度學習對於並行計算的要求是當時CPU和GPU都難以完全滿足的。

所以針對深度學習的計算需求，包括可編程門電路FPGA、專用集成電路ASIC、分擔CPU算力的中央處理器分散處理單元DPU以及一類設計參考人體神經突觸結構的ASIC的NPU走上了時代需求的前列。而NPU可能是其中最具顛覆性的一類芯片。

NPU相比於CPU和GPU，NPU並不參考經典的馮諾依曼架構，不將程序指令存儲器和數據存儲器合併在一起。而是參考人腦神經結構進行設計。在腦神經網絡中存儲和處理是一體化的，都是通過突觸權重來體現，而NPU模擬了這個過程。

可以説“腦子”更好使。

相比之下，採用傳統馮諾依曼架構的芯片，就不可避免地受到存儲和處理分離式結構的制約，效率更低。這也是專門設計人工智能芯片能夠對傳統芯片有一定先天優勢的物理原因。

那麼它還有什麼好處呢？那就是節省能耗，就是“飯量”變小。

近年來的生物實驗反覆證明，機器連接動物腦神經進行包括機器學習和自然語言分析效果極好，例如：ICLR 2021 上曾發佈過一篇論文“Can a Fruit Fly Learn Word Embeddings?”。

在實驗中，研究者們“黑”進了果蠅的神經網絡並測試了其自然語言分析能力。

結果發現果蠅大腦的自然語言分析表現略優於常見的GloVe 、word2vec模型，而僅僅落後BERT3.5%。而且測試結果顯示果蠅大腦只需要更短的訓練時間和更小的內存就能達到和上述模型類似的效果。

蒼蠅還是好用啊

這顯然顯示了生物大腦在自然語言分析在內的機器學習方向具有更高的效率。而這種對資源的更高效利用意味着，採用高等級智能的人工智能和智能機器人將會有更廣闊的使用圖景。

畢竟誰也不希望自己未來的機器人，100kg裏面有50kg是用在散熱系統，或者機器人隔五分鐘就要去充一次電，這豈不是一個純純的飯桶。

硬件的發展為智能機器人發展創造了一半的物質基礎，那另一半是什麼呢？軟件和數據。這可以視為機器人的“教育體系”。

理論上説，機器人，可以根據社會需要，出廠就設定為某領域的高級技工。

從某種意義上來説，限制機器人和人工智能在現階段大規模普及的限制有很大一部分是源於數據的限制。

以最近爆火的chatgpt來説，去年引發關注的gpt-3模型有1750 億個參數需要 800GB 來存儲，它還配備了一個570 GB 的大規模文本語料庫。雖然公司沒有公佈gpt-4模型細節，但我們可以想見，作為基於同一技術路徑的升級版，它不太可能比gpt-3小。

想象一下，一個機器人，光和你説話就要揹着1.4TB的數據包，然後每次説話還需要特別高等級硬件進行高速運算分析，從而找出合適的回答。然後它還要需要處理除了説話以外的事務。

那這個機器人軟硬件成本將會非常恐怖。

我們似乎只有聯網來進行雲處理？

但是看看我們雲服務的價格，再估計一下現在支持完全雲信息交換的網速對應的網費，似乎把機器人的數據都放在雲端也不是現階段一個可以接受的選項。

所以強化學習成為人工智能本地化最重要的基石之一。

強化學習這個概念提出時間非常早，1954年，著名科學家明斯基在其論文中就提出了首次提出“強化”和“強化學習”的概念和術語。但長期以來，強化學習的模式被監督學習所掩蓋。

2013年隨着DeepMind發表了利用強化學習翫Atari遊戲的論文，強化學習重新走上了正軌， 2015年DeepMind宣佈基於強化學習的AI攻克了人類智慧的堡壘——圍棋。

我們普通人第一次普遍接觸強化學習相關新聞就是DeepMind的阿爾法狗。當年基於“深度學習+強化學習”的阿爾法狗在2016年擊敗了李世石，之後在2017年擊敗了現b站知名up主“八冠王”柯潔。這件事是人類人工智能歷史的里程碑，也標誌着強化學習路徑實現階段性成熟。

強化學習的基本邏輯就像人訓練一隻猴子做事情一樣，進行強化學習的機器會基於環境給予的獎勵或懲罰的刺激進行總結，逐步形成對刺激的預期，從而產生能獲得最大利益的習慣性行為。

強化學習的本質是實現“自動決策”。機器會在沒有任何指導、標籤的情況下，自主嘗試行為，得到一個有明確對錯的結果，然後通過不斷地調整，實現算法持續優化。

這一點在阿爾法狗的進化上體現的十分明顯，經過一年自我對弈和強化學習，2017年對戰柯潔的阿爾法狗Master對弈所需要的計算量僅為對陣李世石時的1/10。對弈時從需要多機運行升級為只需要一台計算機。而到了阿爾法狗 Zero版本，僅僅40天的自我學習，通過單一神經網絡，實現了對打敗柯潔的Master版本實現100：0 的碾壓勝利。

現在強化學習已在包括汽車自動駕駛、機器人智能化以及其他方向的AI訓練上展現出了強大的實力。

但是強化學習並沒有解決一個事情，那就是當訓練需要和環境接觸的機器時候，我們需要復現物理場景。這在普通訓練的時候就還好，但當你需要復現發生小概率事故的時候，頭就大了。

很多小概率事件是天時地利人和的綜合結果，缺一不可。但是正常情況下我們訓練一萬小時也不一定遇得到一次。而且很多時候需要復現的場景比較特殊，很難低成本反覆出現。

但這種事件尤其是事故後果都很嚴重，比如汽車出現小概率事故是會要人命的，機器人出小概率事故可能會傷人乃至死人。我們需要怎麼處理呢？

客觀來説，這已經不單純是技術問題，其實是一個倫理問題。

03

倫理之枷，逐步打開

關注機器倫理，尤其關注智能駕駛的朋友，可能會想起一個概念叫數字孿生。

這個概念是由美國教授邁克爾·格里夫斯在2002年提出的，其核心理念就是通過重構鏡像現實世界到數字世界，通過仿真來模擬包括老化在內的產品全生命週期過程。

該理念首先被應用於NASA的航天器設計和實驗中，現在已經被廣泛應用於包括汽車設計、生產優化、航空航天等多個維度。

通過數字孿生，在有足夠數據的前提下，廠商可以基於數據模擬產品和周圍環境狀態。在理想狀態下，設計人員甚至可以通過一鍵調參的方式，顯著提高小概率事件在虛擬世界中的出現頻率。

這樣可以讓軟件在對抗性環境裏面高強度強化學習，以快速解決得到最優解，並且減少為此顯卡消耗和電費。同時，也減少倫理難題出現。

在這方面跟進最快的高科技企業還是特斯拉，2011年特斯拉就設立了“設計工作室”，賦予其產品“數字孿生”能力。

特斯拉公司宣稱，其每一輛車和未來的每一個機器人都會有數字孿生體。公司可以利用從汽車傳感器收集並上傳到雲端的數據，對其每輛汽車以及未來的機器人的狀態進行數字模擬。

當然理論上特斯拉也可以進一步通過收集到的環境數據還原一些場景進行專門的對抗性訓練。所以我們也就能理解一些敏感部門的人員不能買特斯拉的原因。

當然除了特斯拉，包括英偉達、IBM、微軟等國際巨頭，也在各自領域推進包括機器人數字孿生在內的各類數字孿生項目。

近幾年乘着智能駕駛的風潮包括國內機器人數字孿生項目在內的數字孿生產業有了一定發展，但是整體而言我國依舊慢於美國。

根據Market&Market估算美國2021年智能機器人市場規模達到了69億美元，到2026年預計會達到353億美元。年複合增長達到38.6%。

這是什麼概念呢？

上一個以這個速度騰飛的產業叫智能手機：2006-2011年的美國智能手機市場規模五年內從51.9擴大到275億美元。

而現在智能手機已經成為我們居家出門必不可少的隨身裝備了。

國內追趕勢頭也十分明顯。

根據艾瑞諮詢相關報告，2020年，中國智能機器人市場規模達到168億元。儘管受疫情等因素和整體經濟形勢相對低迷的影響，2021年國內市場規模依舊突破250億元。

2022年在國內疫情的反覆爆發客觀上也促進了多領域對無人化、自動化、智能化生產力及勞動力的旺盛需求。根據預測，2025年中國智能機器人市場規模接近千億元。

而且相比於前些年在工業機器人的大力投入，商用服務機器人為主營的企業已經成為國內市場最關注機器人投資方向。

在2018年至2022年第三季度的共有254家企業共計500起融資事件，融資總額達到840億元。這其中60%的企業主營業務是商用服務機器人，遠超工業機器人。

根據中國機器人網不完全統計，2023年一季度，中國機器人行業融資事件共50餘起，融資金額在近億元及以上級別的接近20起。

至於對智能機器人的追捧，首當其衝的是軍方。

由於現代戰爭偵察和精確火力打擊效率革命，密集部署的部隊在火力下生存能力反而能降低了，所以以更少的兵力控制更大範圍的分佈式戰爭正在成為作戰的剛需。

同時為了彌補感知能力和自身攜帶火力的不足，一方面軍隊需要更精準的應召火力支援；另一方面士兵們就需要更多的無人智能化裝備。

使用智能化裝備而非遙控裝備的理由很簡單，俄羅斯在敍利亞使用遙控無人戰鬥車的實踐證明，即使僅僅是在電磁相對乾淨但是地形複雜的環境下，其“天王星-9”型無人坦克遙控距離就300米左右。

即使換裝更先進的通信系統，考慮到成本問題，也不太可能讓遙控武器在戰場環境下獲得質變。何況遙控本身並不能顯著提高單個士兵對於周圍環境的感知能力，甚至反而會因為需要分心而降低自身的感知能力。

所以出發後不管，甚至能識別敵我，並自主決策打擊的智能化裝備，是軍用無人化裝備未來必然的需求。這樣士兵只需要處理關鍵信息，而同時可以實現用更少人感知更多空間的需求。

畢竟在現實世界裏面像打英雄連一樣打仗從來都是指揮員的夢想。而去年我國珠海航展的部分無人裝備已經開始實現這個夢了。

智能機器人需求的第二個方面來自於服務行業。

智能服務機器人在近幾年已經在包括酒店、餐廳、商場和銀行等場景鋪開使用。根據中美等國的市場報告，近年服務機器人的需求增長的主動力來源於人力成本上升和新冠疫情導致的無接觸服務需求增加。

以酒店快遞外賣運送機器人為例，由於外賣和快遞業務在國內大規模發展，為了處理快遞件一般大一點酒店的禮賓部需要至少平均至少會有一個白班和一個夜班的服務員處理外賣和快遞，甚至在高峯期會有更多的服務員服務於外賣到房間的配送。

我們假設以某星級酒店基礎員工的平均月工資在5000塊錢，2個人工資加社保、住宿、用餐等費用，每個月就需要13000-14000元。再考慮到酒店的相關培訓和離職成本，均攤下來可能要15000元左右一個月。

相比之下，網絡上一個酒店服務機器人的價格基本很少超過20萬元，甚至有些就六七萬元一台，也就是説酒店一年乃至半年節約的工資就能買一台服務機器人，回本週期極短。

現在隨着迎賓機器人、清潔機器人、以及極限環境機器人等產業發展，智能機器人正在以超乎想象的速度向下滲透。

第三個需求則是來自於工業方向。

4月中旬，有一個機器人過勞死的視頻爆火網絡，起因是在3月的一個美國機器人展上，一個智能搬運機器人在連續搬運貨物20多小時後突然倒地不起，似乎過勞死了一樣。但這恰恰是工業機器人最新的發展。

夭壽了，機器人過勞死了！

隨着智能機器人的發展，工業機器人不僅在生產線這種單調環境中展現出了強大的工業生產能力。同時隨着智能化水平的提高和電池容量的提高，智能機器人也在廠房、庫房等相對複雜環境中展現出了較高的適應能力。

現在我國雖然在人形工業智能機器人上有所落後，但是自動導向車（AGV）在工業倉儲物流的應用已經鋪開。相關網站上購買一台零售的無人搬運叉車AGV大約10到20萬，智能搬運平板車AGV甚至只要五六萬一台。低成本智能化的倉儲物流的物質條件已經逐步成熟。

在工業產線上，人機協同的協作機器人在焊接、裝配、噴塗、磨拋等機器人新產品低成本趨勢也非常明顯，部分小型協作工業機器人採購價格已經達到兩萬人民幣一台。

總的來説，智能機器人在多場景應用落地趨勢已經確定。並且，在如此多“早期”應用領域，基本都不會發生倫理問題。

尾聲

人口退潮，機器善後

1886年4月，美國芝加哥，為了反對每天10小時、12小時，甚至14小時的強制勞動，25萬人參與了那場由國際工人聯合會組織的大遊行。

處在當時的那一代美國工人是痛苦的，但是走出“摩登時代”之後的美國，又是幸運的。

全球公認的，論智商、論勤奮，美國人都遠遠不如中國人。那麼，為什麼美國人的生活水平、工作環境卻遠遠高於中國人？

拋開主義，不得不承認，美國這個國家，一直執着於先進生產力。因為，堅船利炮，可橫掃刀耕火種的土著。

美國的惡，不值一哂。但是，美國對生產力的追求，卻已經形成全球最大的“內卷”，我們除了全力角逐，別無二路。

機器，是用來取代人的。所以，機器人普及取代的工作，一定會對於機器人產業發展所帶來的新工作。這一點無論怎麼洗，也是洗不動的。

最近幾年大學生畢業人數增加，就業承壓，也是客觀事實。

但是，中國人口素質結構已經發生巨大變化。體力勞動人口正在快速退潮，腦力人口快速登場。然而，國家的產業迭代速度不能完全匹配勞動市場需求。

尤其是當下我們國內高端芯片製成依舊受限於美國，英偉達A100或者以上級別的通用GPU對華出口受到限制，5G產業鏈國產化尚未完成。國內14納米芯片製程量產剛剛起步。高端傳感器尤其是民用傳感器依舊對外國產品有較高依賴。去年11月30日，ChatGPT發佈，中國大陸是四個IP地址禁止訪問ChatGPT的地區之一。

這些都嚴重限制了我們高端產業獲取的速度。

因此，在高端產業取勝之前，依靠體力、勞動密集的中低端產業還必須有所保留。畢竟，蛋糕如何分的問題永遠沒有保住多大蛋糕重要。

如果從“產業公地”角度來看，中低端產業是中高端產業的土壤、根系，一旦流失，再難回來。

今年工業和信息化部、教育部、公安部等十七部門聯合發佈了《“機器人﹢”應用行動實施方案》。

該方案明確了未來智能機器人十大應用重點領域，分別是經濟發展領域的製造業、農業、建築、能源、商貿物流，社會民生領域的醫療健康、養老服務、教育、商業社區服務、安全應急和極限環境應用。

根據計劃，2025年，製造業機器人密度預計將較2020年實現翻番，服務機器人、特種機器人行業應用深度和廣度顯著提升。

中國需要機器人，善後、加固後方。

掙錢的方式明明有很多，除了靠體力和腦力，還能靠技術、金融、能源、礦產……當然，還可以靠軍工。

就像丁院士面對柴靜的經典反問：中國人，是不是人？

難道中國人就只能以最温良的姿態從事最繁重的體力和腦力勞動，就不能像美國人一樣手持先進生產力，成為全球各個領域資源、技術的擁有者和管理者？

所以，我們看到中國一方面發展機器人鞏固後方，一方面也在積極走向前方，比如調停沙特伊朗矛盾、人民幣結算大宗能源、法德加大在華投資、中國軍工出海……

這個時代，地球正在越來越小，留給守舊者的時間和空間，都越來越少了。

每次談到機器人，大家總是習慣調侃“血肉苦弱，機器飛昇”，恰恰説明我們前進的速度，還是不夠快。

我們需要更快地重構勞動的意義和形式，讓更多人能在勞動中找到快樂！

​參考資料：

Liang, Yuchen 等. “Can a fruit fly learn word embeddings?.” 發表於arXiv

“Artificial ntelligence Robots Market by Robot Type (Service, and lndustrial), Technology (Machine_earning, Computer Vision, Context Awareness, and NPL), Offering, Application, and Geography, 2026”，由M****arket&Market公司發表

“2022年中國智能機器人行業研究報告”，由艾瑞諮詢發表