AI与工人：替代困境与赋能之路

近年来，AI将取代人类岗位的预言几乎成为科技讨论中的固定背景音。写字楼里的白领早已习惯借助大模型生成文案和代码，互联网平台依靠算法指挥着骑手与司机，智能工厂内也贴满了工业大脑与数字孪生的宣传标语。

然而，当我们将目光转向传统工业与公共基础设施——如钢铁、能源、化工、电网、供水、城市交通及轨道交通等领域，这些关乎国计民生与安全生产的行业，AI是否真能取代一线工人？

本文基于机器人、AI与劳动关系的现有实证研究，探讨以下三个核心议题：

1、在传统工业与公共基础设施领域，AI究竟能替代多少岗位，又会取代哪些工种？

2、为何在现实企业中，AI往往首先被用作管控与剥削工具，而非解放劳动力的手段？

3、在当前劳动力市场与监管框架下，如何推动AI减少压榨、更多发挥保护与赋能作用？

上世纪90年代末，一家老牌重工业企业拥有约两千名员工。当时企业不仅设有生产线，还自建幼儿园、俱乐部、修配车间及大规模维保队伍。人力配置基本参照战时与战后重建标准——即便全厂设备损毁，仅凭内部维保力量也能逐步恢复系统。

改革首轮砍掉了后勤福利（幼儿园、阅览室、俱乐部），企业凝聚力虽下滑，但生产暂未受显著冲击。

第二轮改革以减员增效为口号，将维保、修配等非核心业务外包，结果很快发现离开这些工人，企业无法正常运转。

第三轮改革将维保、修配部门重新整合，但仍执行“只出不进”，持续缩减基层人员。同时通过分流、买断等方式，大量中高级技工流失，车、铣、刨、焊、起重等关键工种的传承链条断裂。

最终，越来越多零部件必须外购，本厂已无人掌握制造能力；维保队伍萎缩，每个生产单元仅剩三四个维修钳工，虽能应付简单作业，却无力独立承担复杂分系统检修；关键设备一旦出现重大故障，只能依赖外部厂商；大量工艺与故障诊断经验连重建的“种子”都不复存在。

建厂初期，全厂设备近乎报废状态，但依靠维保与修配部门硬是把工厂一点点“修”活。如今情形截然相反——设备越新、自动化程度越高，人人只求“别在我当班时出事”，沦为裱糊匠。

这是典型的去工业化路径，以美式财务指标为模板的改革在报表上实现了减员增效，却牺牲了工艺能力与系统韧性。波音近年来因外包、削减质检、削弱一线专业人员而接连爆发安全与质量危机，正是极端却典型的反面案例。美国国家运输安全委员会与联邦航空局的调查反复指出，波音及其供应商Spirit AeroSystems存在系统性质量管理缺陷、审查缩减及成本导向决策，导致737 MAX系列从坠机到舱门塞板飞脱事故频发。

真正驱动工业体系运转的，是嵌入工人身体的一整套工艺知识与协作能力，而非PPT里的流程图或报表上的ROE。

前述企业从上世纪50年代苏联援建设备，到90年代国产半自动化，再到2000年后第二代自动化设备，第三代智能化设备已在建设中。其生产链条早已启动自动化升级，并非落后产能车间。

从全球范围看，自动化与工业机器人在制造业的普及已相当深入。以中国为例，国际机器人联合会（IFR）数据显示，2022年中国制造业机器人密度（每万名工人拥有量）已达约392台，超过世界平均水平并首次超越美国，跻身全球领先梯队。多项研究表明，工业机器人能显著提升企业劳动生产率与产品质量，部分中国上市制造企业数据也显示，机器人应用显著提高了单位劳动产出。

但这并不意味着不再需要工人。机器人/自动线更多集中于重复性强、节拍固定的工序，如焊接、喷涂、冲压、搬运及部分装配；而在维护、检修、工艺调整、系统联调、事故处置等环节，人的作用反而更加关键。

经济学研究也印证这一点。Acemoglu与Restrepo对美国制造业1990-2007年机器人引入进行系统分析，发现每增加一台机器人，长期内会减少约3-6个制造业岗位，压低相关行业工资，但同时也提升了劳动生产率及部分剩余工种的技能要求。结论是：机器人主要替代中低技能、标准化的体力劳动，对高技能、非结构化任务影响有限，甚至形成互补。

若将传统自动化理解为硬件+固定算法，那么近年兴起的AI则更多是：

用于预测性维护的故障预测模型：通过振动、温度、电流等传感数据预判轴承、泵、电机是否即将故障；

生产调度与供应链优化：通过强化学习或优化算法，在既定约束下实现最优排产与物流路径选择；

质量检测中的视觉识别：运用深度学习进行缺陷检测、焊缝识别、异物识别等；

设计环节的辅助：采用生成式设计、仿真优化结构参数。

换言之，AI主要强化的是“看”与“算”的能力，而非“干”与“修”的能力。真正涉及动手操作的领域，必须进入机器人与复杂机电系统的世界。在恶劣工业环境（高温高压、粉尘、易燃易爆、潮湿、复杂地形）中，当前通用机器人与AI组合距离可靠、安全地独立作业仍有很长距离，不仅是感知与控制问题，更涉及成本、可靠性与责任边界。

因此，在可见的未来数年内，在传统工业与基础设施领域，AI将大量进入数字层与调度层，但在维护、检修、应急处理这些“手艺”领域，工人不仅难以被替代，反而可能被算法管得更紧。

为何生产传承不能断？先看几个车间实例。

【案例：热泵对中】某大型热水泵与电机联轴安装的工艺标准写明“动轴中心高度误差不得超过0.05毫米”。负责安装的老维修钳工故意将电机轴心抬高0.2毫米。技术员按纸面标准判定不合格，要求返工。老钳工反问：这台是输送高温介质的热泵吗？热态时泵体是否膨胀？膨胀量多少？热态膨胀仅轴向0.1毫米，圆周方向误差就会缩小0.2毫米，即冷态故意不对中，是为热态自动对中。技术员若只看静态图纸，很难理解这种反直觉操作。

【案例：高压管道焊接】某类高温高压管道采用氩弧焊，因预处理不到位，焊缝内壁易留沉渣。经验丰富的高压焊工能凭肉眼判断管径、压力与焊缝质量，在不达标又不至于报废时，会用特定型号焊条在外圈加盖面加固，既满足强度又无需整段返工。焊工班解散后，临聘焊工既不了解这种处理方式，也不懂其背后的应力与冶金原理，遇到问题只能“喊人”。

【案例：氢气管道法兰泄漏】新员工负责氢气管道法兰连接，八颗螺栓已拧到扳不动，接头处却大量漏氢。问题不在拧不紧，而在于两段管道法兰平面存在喇叭口形变，他未意识到必须先进行机械修正或垫片处理，仅靠拧紧无法消除结构性间隙。

【案例：夜班远程故障排查】自动液压系统夜班启动时油泵无法建压，班长按操作规程多次排气未果，只能电话求助负责该设备的老维修工。老工人到场后并未直接拆泵换件，而是基于对这套系统“性格”的了解，先让运行人员继续按规程排气，再将一个极少被触碰且位置极隐蔽的调节阀关死，通过改变系统流路让真空更快建立。短短几十秒后，油泵恢复正常。

这些案例的共同点在于，解决问题的关键不在于某条公开的SOP，而在于长期与机器系统相处中沉淀下来的手艺与直觉。

从知识类型看，这是典型的默会知识（tacit knowledge）与实践知识（practical knowledge），很难完整写入教材或文档，也难以通过一次性培训传授给新人，只能在长期实操与反复试错中逐渐习得。

这一点不仅出现在发展中国家工厂，高端工业强国同样为工艺断代付出代价。一个常被忽视的案例是美国迟迟无法重返月球。阿波罗计划结束后，土星五号火箭、F-1发动机等关键系统的生产线被拆除，围绕其展开的大规模试验设施、特殊材料供应链及整代工程师、技工团队陆续解散。半个多世纪后，美国在纸面上仍保留设计图纸与试验数据，但新一轮登月工程不得不几乎从头重建体系：焊接工艺需重做验证，试验设施需重建，许多特殊工艺只能在试错中重新摸索。这不是忘了如何造火箭，而是当年工艺生态系统被整体摧毁后，任何重启都需要巨额时间与资金成本。

军工领域同样如此。F-22战斗机被视为美国空军拳头装备，但停产多年后，美国空军评估重启F-22生产线成本时发现，难度已非简单翻出老图纸。一方面，大量上游供应商已退出或转型，关键材料、隐身涂层、复杂钛合金件的生产工艺与检验体系不复存在；另一方面，当年参与首批研制与总装的骨干工程师与技师团队已退休或分散。最终官方结论是：与其复活旧机，不如直接上马新一代战机项目。某种意义上，F-22成了造得出、用得起却再难量产的典型。

这些例子表明：即便在全球最富裕、科研最发达的国家，一旦工业体系走上拆线、外包、只留设计不留车间的去工业化路径，真正难以复制与恢复的往往不是图纸与文档，而是散落于成千上万工人、工程师身体里的默会知识，以及围绕它们构建的组织与供应链。

这也正是当前大多数AI系统面临的三大盲区。第一，数据偏好问题：绝大多数工业AI模型基于结构化传感器数据、日志数据及有限历史故障记录构建，而这些临场决断与非标手艺往往不会以高质量、结构化形式记录，甚至在体制内属灰色经验，写入SOP还可能被审计合规挑刺。第二，责任与成本问题：即便有足够数据训练能“推荐盖面焊”或“建议预留对中量”的AI，在安全责任极刚性的工业领域，谁来为算法建议承担后果？工人照做出事，责任在工人还是算法供应商？管理者通常偏好看起来更保守、更标准的方案，如全部返工、全部更换，而非依赖少数人掌握的土办法，因那样对KPI更安全、对问责更有利。第三，环境复杂性问题：办公室员工可在结构化文本、表格世界里做端到端自动化；但在高温高压、强噪声、有粉尘、易燃易爆的工业现场，感知本身就是巨大难题，更遑论在复杂工况中做出高可靠决策。

因此，在可预见的未来，类似上述对系统“个性”的体感，很难被当前一代AI完整替代。AI能做的只是辅助诊断、给出候选方案、提醒潜在风险，但真正将设备拉回正常状态的手，还得靠工人。

若说在传统工业领域，AI暂难在干活上替代工人，那么在管人上，AI已在许多行业发挥巨大影响力。

中国的外卖、即时配送、网约车等平台是算法管理的典型战场。大量研究与报道显示：平台利用GPS、订单数据与历史绩效对骑手进行实时追踪与路径规划，自动分配订单，并根据送达时间、评价分数、投诉等指标进行打分与奖惩。

一篇关于中国外卖平台的调查指出，平台将传统管理者的监督职责部分转移给客户评分与算法考核，一次差评可能招致20元罚款，投诉则可能让骑手损失上百元收入，导致骑手不得不在巨大时间压力下闯红灯、逆行。

算法不仅被动执行规则，更通过不断调整预计送达时间、订单权重等参数，将骑手工作节奏锁定在接近极限压力的区间，使其累到刚好不会大规模退网。

国际劳工组织（ILO）在《数字劳工平台与世界就业前景2021》报告中将这种现象概括为算法管理（algorithmic management）：平台通过数据收集、持续监控、自动分配、评级与激励机制深度塑造劳动过程，同时又以合约工、个体户等名义规避雇主责任。

近年来，在监管压力与舆论批评下，中国监管机构与平台企业做出了一些调整。

2021年，市场监管总局、人社部等七部门发布《关于落实网络餐饮平台责任切实维护外卖送餐员权益的指导意见》，要求平台为骑手提供不低于当地最低工资的收入保障，合理设定送餐时间，保障休息权与社保权益。

2022年起生效的《互联网信息服务算法推荐管理规定》开始要求平台对算法进行备案与约束，禁止利用算法过度加班、侵害劳动者合法权益。

2024年以来，美团等平台宣布逐步取消超时罚款，将部分负向惩罚改为积分机制，并尝试引入骑手参与算法治理。

但整体而言，这些举措更多是在极端压榨模式上的修修补补，并未改变在平台经济中，AI与算法首先被设计为帮助资本方更精确榨取劳动、外包风险，而非帮助劳动者掌控劳动过程的本质。

类似逻辑正借工业互联网、智能工厂之名向制造业与公共基础设施领域延伸。在大量智能工厂解决方案中，你会看到如下功能清单：对每个工人的工位、操作时间、节拍进行实时监测统计；用机器视觉与定位系统判断工人是否按标准动作操作；自动生成个人与班组绩效排名，与工资、奖金、续签挂钩；将设备故障、质量问题与具体责任人绑定用于追责。

以上背后是一种可称为数字泰勒制（digital Taylorism）的管理逻辑：用AI将每个动作拆解为可度量的时间单元，并在此基础上无休止压缩操作时间、减少无效动作，从而挤压工人自主空间。花旗环球洞察报告表明，中国推动智能制造与机器人应用的重要驱动力之一，确是用机器替代人、用数据管人，以对冲人工成本上涨与劳动力短缺压力。

综上，在现实企业内部，AI更容易首先被管理层与资本方掌握，用于优化成本与加强控制，而非被一线工人掌握，用于提升自身安全、技能与议价能力。

如今，AI在传统工业与公共基础设施行业，究竟更像替代者，还是压榨者？

在设备运行控制层面，AI与自动化确实能削减部分看表抄数的低技能岗位；但在设备安装、维护、事故处理这些高度依赖默会知识的工序上，工人仍是不可或缺甚至更为关键的主体。无论从工程可靠性还是监管责任看，2030年前出现完全无人工厂或无人值守基础设施的概率都极低。

替代不了不意味着不会伤害工人。在现有就业环境下，劳动力总体仍相对充裕、议价能力较弱，尽管人口老龄化与部分行业缺工明显，但结构性失业与农村转移劳动力依然存在，制造业蓝领整体谈判力量有限；一些行业可通过少数骨干+大量外包与临时工组合实现低成本运营。并且，工人对AI与算法缺乏参与权与话语权，无论平台骑手还是工厂工人，鲜有机会参与算法设计与指标制定过程，只能被动接受系统设定的绩效规则、排班与考核机制。现有监管更多针对极端问题，对日常温水煮青蛙式压榨难以及时介入。即便在劳动保护方面有所动作，如四部门发文落实休假、要求摒弃不休假等于敬业奉献的片面认识，但这些政策多属隔靴搔痒，监管粗糙且缺乏强力落实。

在此环境下，AI极有可能先成为提升管理颗粒度、压缩工人碎片时间、将责任精准转嫁到个人的工具，而非帮助工人减少危险、提升技能的工具。若将前述企业故事置于这一背景下，可见一条清晰路径：先以降本增效为名削减人员；再以现代企业制度、国际先进管理为名引入成本导向考核；随着自动化程度提高，现场留守人员越来越少却越来越忙，既要对设备负责又要对指标负责；在此压力下，谁还有心思慢慢带徒弟、系统沉淀工艺知识？

AI一旦入场，若维持这种考核与治理逻辑，很容易只是将压力进一步数据化、自动化，从而演变为更隐蔽、更精细的压榨。

有无可能让AI在传统工业与基础设施领域更多成为保护工人、增强工人能力的工具，而非仅仅替代与压榨？

若劳动保护和社会保障健全，工人保底心理与社会导向得到满足，以往那些未被写入教科书、传承断裂后难以弥补的经验，在今天的大模型与多模态技术条件下，完全可由工人主导，将这些经验系统记录并训练成面向一线的车间AI。

这类工具若设计得当，可帮助年轻工人调用老工人经验、减少低级失误；老工人在退休前能系统“输出”自己记在脑中和手上的诀窍，将这些经验转化为企业乃至全行业的公共资产，而非随个人离岗彻底消失；将高风险操作的最佳实践以可视化、交互式方式呈现，降低“带徒弟”的边际成本。

此事关键在于所有权与治理权。若此类系统完全由管理层掌控，很容易变成用AI监视工人是否按标准操作，而非帮工人解决现场问题；若能在真工会、职工代表、工程技术人员间建立共同治理机制，让一线工人对知识库与AI助手内容拥有实质参与权甚至部分所有权，这类系统才更可能站在工人一边。

在高危行业，AI与机器人最正当也最迫切的用途是：将人从最危险岗位移开，而非在安全保障不足时单纯顶替人力。例如，用机器人与远程操控替代极端高温、高辐射、高毒性环境中的检修工作；用AI视觉识别危化品泄漏、明火、烟雾以提前预警，而非事后追责；用数字孪生模拟复杂工况下的联锁逻辑与人机协同，将最危险的试错留在虚拟环境中。

俄乌战场上的“幽灵MK-1”机器人便是极端版本。2026年2月，美国公司向乌克兰战场投入Phantom MK-1幽灵人形机器人，用于前线侦察、物资搬运，甚至演示了持握步枪、手枪等武器的能力。厂商在宣传中强调一种道德责任叙事：既然战争不可避免，就应先让机器人替人类承担枪林弹雨风险。从优先替代危险岗位的角度看，这似乎极具说服力——泥泞战壕、坍塌建筑、布满未爆弹的废墟，确实更适合让一台180公分高、不知疲倦与恐惧的金属士兵去闯。

因此，在高危行业推动AI优先替代危险岗位，需从一开始就将安全指标写入技术与制度设计的底层合同，而非仅写节约人力成本。这类应用要求企业明确：引入AI/机器人是为降低工伤率、减少职业病与灾难事故，而非在不改造工艺前提下压缩人手以节约成本。监管层面可强化这一导向，例如将“危险岗位AI/机器人替代率、工伤率与职业病发病率下降”作为智能化改造的重要衡量指标；对用AI降低安全投入、削减关键岗位人手而导致事故的企业，加重法律与经济责任。

中国已有《互联网信息服务算法推荐管理规定》等基础法规，开始对推荐算法、个性化推送等领域进行规制，明确禁止利用算法实施歧视、诱导过度沉迷等。下一步在工业与劳动关系领域，完全可进一步明确几条红线：禁止利用AI系统直接或变相剥夺法定休息与休假权；禁止单纯以算法评分、KPI排名作为解雇、降薪的唯一依据；要求涉及工作强度与健康安全的算法指标必须经过工会或职工代表大会审议；对重要算法决策（如排班、绩效评定）建立申诉与复核机制，并确保有人类最终责任人。国际劳工组织在关于数字劳工与算法管理的研究中也一再强调：算法治理必须纳入劳动法与集体协商框架，不能让黑箱AI成为规避雇主义务的新工具。

后发国家想实现（或重建）工业化，离不开一定程度的计划性与长期积累。从AI与自动化角度看，这一判断有现实延伸：若企业完全受短期利润最大化逻辑驱动，AI与自动化极有可能被用于短平快的财务优化，而非长期工艺积累与人才培养。

例如，中国在智能制造与机器人产业发展规划中，已通过产业政策、补贴与标准制定等方式，引导企业在关键领域长期投入，缓解了单个企业仅看短期利润的倾向。

在企业内部，可通过设立面向工艺传承与人才培养的长期专项；将关键工种人才梯队建设情况、工艺知识库完备程度纳入高层考核；对过度外包核心工艺、削弱维护能力设置制度性约束；以此避免重蹈波音那种被短期财务指标绑架、最终反噬自身的覆辙。

AI并非自然降临的“神”，而是一套由人设计、由资本投资、由制度约束的技术系统。它替代谁、压榨谁、保护谁，最终是社会选择的结果。若继续沿用那种将财务报表利润率作为唯一指标、将工人视为成本项的公司治理逻辑，AI注定会成为新一代数字鞭子；若能在政策设计、企业治理与工人组织层面，将工艺传承、安全生产、劳动尊严置于与利润同等甚至更高的位置，AI也完全可成为记录并放大小工艺智慧的工具；

帮工人远离高危岗位的机器人伙伴；让系统更透明、风险更可预见的“第二双眼睛”。

在这条路上，我们更需要警惕的，或许不是AI将工人全部替代，而是AI将工人压榨到再无人愿学工艺、无人愿守关键岗位。

真正的再工业化，不只是增几台机器人、添几个工业大脑应用，而是要回答一个根本问题：在一个充斥AI与自动化的工业体系中，全社会如何让工人仍愿且有尊严地站在那根丝杠、那台水泵、那段管道前？只要这个问题未被认真回答，我们就很难说AI风口真正助力了工业化，而非加速新一轮去工业化与工人队伍流失。