2026 年 9 月 10 日，智元在官方英文发布中介绍了 GE-Act 2.0：一款将未来状态预测与动作生成结合的世界—动作模型。在其公布的实验中，随着操作数据增加，机器人开始完成小数据规模下未能完成的叠毛巾、套纸杯、开合笔帽等任务。来源：智元官方发布

这些动作看起来不如后空翻震撼，却更接近日常工作：识别物体，调整姿态，接触、抓取，然后完成操作。如果这类能力能够变得可靠、便宜、容易部署，它影响的就可能是具体工序中的人力需求。

不过，更加让人吃惊的是：在国内，机器人现已经开始在落地了，可能比我们想象中的还要快一些。

一、从仓库到工厂，机器人已经进入工作流程

仓储：让货物来到人面前

京东集团在 2026 年 3 月发布的业绩公告中披露，截至 2025 年底，京东物流已在全国近 20 个城市投入运营超过 20 个“智狼”自动化仓库，采用货到人模式。来源：京东集团业绩公告，PDF 第 6 页

“货到人”改变的是拣货流程：将货物送到工作站，减少人员在存储区反复行走、寻找和搬运。人员仍可参与拣选与异常处理，但原来由人完成的部分移动工作，已经进入自动化系统。

对仓储岗位来说，变化不必等到一台机器人能独立处理所有订单才会发生。工作站、人员路线和任务分工，已经可以围绕机器重新设计。

快递分拣：机器人把包裹送往不同去向

极智嘉公开的中国邮政案例介绍，其在武汉处理中心实施了智能分拣系统，部署 320 台机器人，承担包裹分拣与流转任务。来源：极智嘉中国邮政案例

这里的机器人不需要长成人的样子，也不需要理解所有生活常识。它需要在明确的作业范围内，把包裹送到指定位置，并与其他机器人协调运行。

从分拣岗位看，部分重复转运已经能够交给设备；人工如何供件、处理异常、维护系统，则要根据具体流程安排。案例能证明任务部署，不能直接证明减少了多少员工。

工厂物流：总装车间的小件配送与拣选

极智嘉的华晨宝马案例介绍，P800R 机器人被用于总装车间 F-koli 小件物流区域，采用货到人方案，并与仓库管理系统集成。来源：极智嘉华晨宝马案例

这里接手的是制造现场的一段物流工作，而不是让机器人独立制造整辆汽车。物料如何到达人员面前、库存如何对应订单，已经可以由设备和软件共同组织。

仓储拣货、包裹分拣、工厂物料流转——这些岗位中的部分任务，已经有机器人参与。

必须分清：上述部署采用的是各自的专用自动化系统，不是 GE-Act 2.0 的落地成绩。它们说明机器人已经能在受限场景工作；智元的新模型，则在探索能否应对更多操作变化。

这两件事放在一起，才构成值得关注的行业变化：一边在交付具体任务，一边在研究如何扩展机器能够处理的任务范围。

二、那么，智元的新模型离“稳定上岗”还有多远？

看到叠毛巾和开笔帽，很容易联想到家务、包装与装配。但研究演示与持续交付之间，还隔着可靠性。

智元披露，在其零样本评估中，训练数据从 300 小时扩大到 30,000 小时，两种机器人配置的总体任务成功率分别从 17.1% 提高到 44.1%、从 13.4% 提高到 31.1%。这些是厂商在特定测试条件下报告的结果，本文没有独立复现。来源：智元官方评估说明

一方面，能力随数据规模改善值得继续研究；另一方面，当前数字不能被描述为成熟工位的可靠性，更不能换算成就业替代比例。

客户不会只看机器人成功放好一次杯子。失败后谁来收拾、多久需要人工介入、换一种物料是否重新调试，以及成本是否低于现有方案，都会影响是否采用。

所以，今天宣告通用机器人即将全面上岗，为时过早。

但因为通用能力还不成熟，就认为自己的工作暂时不会变化，同样跳过了现实：专用机器人已经可以先接手那些容易定义的部分。

三、这才是程序员熟悉的焦虑：它不必先学会我的全部工作

程序员对这个逻辑并不陌生。

AI 不需要独立负责一个大型系统，才能帮助生成常规代码、补全函数、解释报错。人仍然需要审查、测试、处理业务细节，但完成部分任务所需的时间已经可能改变。

如果一个团队借助工具完成了更多工作，接下来会发生什么？接更多项目，减少加班，还是放缓招聘？

这些都是可能的选择。技术能力本身，并不决定企业选哪一个。

机器人也一样。它不必先成为一名无所不能的熟练工，企业就可以把标准搬运交给设备，再由人负责补料、维修与异常。

这意味着，一个岗位可能保留，岗位里的任务、所需人数和能力要求却发生变化。也可能因为业务扩大，总用工需求反而增加。判断结果，需要看实际采用方式和业务需求，而不能只看演示视频。

可是，对具体的人来说，有一种安慰仍然不够：

“行业会创造新岗位。”

新岗位在哪里？需要什么经验？原来的员工能不能转过去？转岗期间有没有收入？

行业出现新机会，与一个普通人能够接住机会，中间还有培训、时间和生活成本。

四、哪些工作值得持续关注？看任务，也看账本

前面的案例有一个共同点：任务边界比较明确。

货物从哪里来、去哪里，结果如何确认，都可以写进流程。这让标准转运、重复分拣和固定工位物流更容易被评估和部署。

接下来值得观察的，是自动化能否覆盖更多物料和环境变化。例如，软包装如何抓取、混杂物品如何区分、临时障碍如何处理。这些问题一旦更容易解决，原来定制成本过高的工序，就可能重新进入企业的改造清单。

但技术上能做，还要经济上划算。采购、集成、维护、停机和人工介入都要计入成本，不能只拿机器人售价与一个人的工资比较。

对劳动者而言，更具体的风险判断是：自己的工作有多大比例属于重复、标准、容易验收的任务？剩下的职责是否足够支撑原来的用工安排？

对程序员而言也是如此。负责复杂系统，与主要完成常规实现，面对工具进步时的影响不会完全相同。

这还不是职业的淘汰名单，却已经足够成为重新观察工作的理由。

五、如果脑力和体力都可以部分自动化，人靠什么获得收入？

这是这篇文章真正想问的问题。

技术讨论习惯计算生产率：同样时间完成更多工作，或者同样工作需要更少投入。

但对普通人来说，工资不只是生产系统里的成本，也是房租、生活和家庭支出的来源。企业节省的人力成本，与员工失去的收入，可能是同一笔钱的两个视角。

所以，“机器人能够创造更多产出”并没有自动回答：新增收益如何分配？受到影响的人如何过渡？工作时间是否可以缩短？生产率提高会带来更高收入，还是更少岗位？

这些问题不由模型参数决定。

技术能否完成任务是一层，企业如何采用技术是一层，收益如何分配又是一层。把它们混在一起，就容易得出两种过头的结论：要么技术进步必然让所有人受益，要么机器进步必然意味着所有人失业。

目前都没有这样的必然性。

国际劳工组织在 2025 年关于生成式 AI 的研究中指出，许多岗位更可能发生任务转变，而非整份职业被完全替代。该研究不是机器人就业预测，但提醒我们，应该关注工作如何重新组织。来源：ILO，Generative AI and jobs: A 2025 update

任务转变也不等于没有压力。转岗需要时间，培训需要资源，新工作可能要求不同经验。对已经承担家庭开支的人来说，过渡期间的收入同样重要。

六、“去学习”有用，但它不是完整答案

对程序员而言，学习使用 AI、理解业务、掌握系统设计和验证方法，都有实际价值。

但如果每一次技术变化，都只告诉劳动者“你应该继续升级自己”，就回避了另外一些问题。

岗位是否提供学习时间？企业是否愿意培训现有员工？转型期间的收入如何安排？一线人员是否有机会参与设备维护和异常处理，而不是在设备上线之后才得知岗位调整？

这些都需要组织作出具体选择。

个人也并非只能等待。最实际的做法，是看清自己工作中哪些部分正在被工具覆盖，并争取接触相邻职责。

写常规代码的人，可以进一步负责测试、上线与运行问题；做重复设备操作的人，可以争取学习质量判断、设备维护与故障处理。能否实现，还取决于培训条件和岗位机会。

这些行动可以扩大选择空间，但不应被包装成“保证不被替代”的秘诀。

七、真正值得警惕的，是工作变化快于人的转型机会

智元 GE-Act 2.0 没有证明机器人即将替代人类。它提供了一组关于数据与操作能力的实验结果，让我们继续观察机器可以学会什么。

但程序员对这种进展敏感，是有原因的：当自己熟悉的部分工作开始由 AI 完成，再看到机器人能力向现实操作扩展，就很难只把它当成一条热闹的科技新闻。

这种焦虑不一定是反对技术。

一个人完全可以希望机器人承担危险、辛苦的劳动，同时担心自己的收入来源；也可以喜欢 AI 带来的效率，同时想知道企业会怎样重新安排人员。

这两种心情可以同时存在。

下一次讨论机器人“又学会了什么”，除了看成功率、成本和可靠性，我也希望看到另一个问题得到认真回答：

当机器能够接手更多工作时，原来做这些工作的人，将获得什么样的下一步？