江蘇
汽車工廠里，同一個螺母需要被準確放到同一個位置，一天重復成百上千次。
過去，這種穩定來自熟練工的手感；現在，小米披露其機器人在一個具體工站的作業成功率已經達到98%。
這個數字很接近人工，卻不能直接翻譯成“流水線工人即將被替代”。
因為98%對應的是自攻螺母上件工站的雙側作業，并非整條汽車產線；企業披露的其他任務成功率約為90%。
單點動作成功，與連續生產、異常處理和最終質量之間，仍隔著一整套工廠系統。
真正值得討論的不是機器人會不會打螺絲，而是當標準動作越來越便宜，工人多年積累的經驗將以什么形式重新定價。
汽車工廠里，機器人與工人正在完成同一個裝配任務
98%證明機器學會了動作，卻沒有證明整條線能無人運行
公開信息顯示，機器人進廠約四個月后，自攻螺母上件雙側作業成功率從90.2%提高到98%，距離報道中約99%的人工合格水平只差一個百分點。
但工廠看重的不只是單次成功率。
還要看連續運行多久不故障，速度能否跟上生產節拍，換車型后是否需要重新訓練，以及失敗后會不會影響下一道工序。
即使每次操作只有2%的失敗，一萬個動作也對應約兩百次異常。
它們是否能被自動識別、隔離和恢復，決定機器人是生產力，還是把工作轉移給旁邊的值守人員。
所以，單點98%是從實驗走向量產的重要信號，卻不是“整廠無人化”的畢業證。
最先被壓縮的，是動作工資而不是全部崗位
機器人最擅長接手環境穩定、動作重復、結果容易驗收的工序。
上件、搬運、折疊等任務一旦被標準化，企業購買的就不再是某位工人一天的手工動作，而是一套可以復制的設備、模型和流程。
這會壓低重復動作的議價能力。
僅靠速度、耐力和熟練度形成的工資差距，可能越來越難維持。
但崗位不會按同樣速度消失。
有人要換料、排除卡頓、檢查質量、調整參數；新車型、新零件和臨時訂單也會不斷打破原來的標準。
自動化往往先減少一個工位需要的人數，再改變剩余人員的工作內容。
真正危險的不是明天突然失業，而是崗位還在，技能卻多年沒有更新，工資逐漸失去上漲依據。
工人的工作正在從重復操作轉向監控、質檢和異常處理
熟練工的經驗不會消失，而是被拆成數據和規則
老工人擰一下就知道力度是否正常，聽聲音就能判斷設備有沒有偏差。
這些經驗過去存在于個人身體里，很難復制；機器人進入工廠后，企業會嘗試把它們變成動作軌跡、視覺樣本、質量標準和異常標簽。
經驗一旦被數據化，企業就能反復訓練機器，也降低了對單個熟練工的依賴。
但數據化并不自動發生。
哪些失敗值得記錄、什么偏差會影響質量、什么時候必須停線，仍需要懂工藝的人定義。
因此，經驗的價值正在分化：只會重復標準動作的經驗會貶值；能夠解釋異常、優化流程并教會機器的經驗反而更貴。
未來更有議價能力的工人，不一定會寫算法，但要能把現場問題說清楚，讓工程師、設備和質量系統共同解決。
企業算的也不只是機器人的購買價格
自動化是否劃算，需要把設備價格之外的賬一起算進去：產線改造、夾具和安全設施、訓練數據、軟件維護、停機損失，以及設備故障時的人工兜底。
人可以臨時換工位、處理變形零件，也能在信息不完整時做妥協。
機器人要達到同樣的靈活性，往往需要更多傳感器、更復雜的軟件和更長的調試周期。
企業最終比較的不是“機器人月薪”和“工人月薪”，而是每個合格動作的綜合成本。
只有當成功率、節拍、維護和折舊同時過關，自動化才會從示范工站擴散到更多產線。
工程人員正在核算機器人設備、維護和停線的綜合成本
與其和機器比耐力，不如占住機器最怕的異常
對一線工人來說，有三個更現實的準備方向。
第一，主動學習設備報警、基礎參數和質量檢查，不只負責“做”，還要知道為什么失敗。
第二，記錄現場異常和處理方法。
能把隱性經驗變成清晰步驟的人，更容易進入調試、培訓和班組管理崗位。
第三，關注所在工序是否具備“穩定環境、重復動作、容易驗收”三個特征。
越符合，自動化越快，越需要提前向維護、質檢和工藝協同轉移。
機器人進廠不會讓人的經驗一夜歸零。
它會先把經驗拆開：可以標準化的部分交給機器，無法預料的部分繼續依賴人。
下一輪工資差距，很可能不再取決于誰動作最快，而取決于誰能發現異常、解釋問題并讓機器恢復生產。
資料說明：文中98%僅指企業披露的特定自攻螺母上件工站雙側作業成功率，不代表整條產線、全部任務或長期無人運行水平。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
