汽车工厂里，同一个螺母需要被准确放到同一个位置，一天重复成百上千次。
过去，这种稳定来自熟练工的手感；现在，小米披露其机器人在一个具体工站的作业成功率已经达到98%。
这个数字很接近人工，却不能直接翻译成“流水线工人即将被替代”。
因为98%对应的是自攻螺母上件工站的双侧作业，并非整条汽车产线；企业披露的其他任务成功率约为90%。
单点动作成功，与连续生产、异常处理和最终质量之间，仍隔着一整套工厂系统。
真正值得讨论的不是机器人会不会打螺丝，而是当标准动作越来越便宜，工人多年积累的经验将以什么形式重新定价。
98%证明机器学会了动作，却没有证明整条线能无人运行
公开信息显示，机器人进厂约四个月后，自攻螺母上件双侧作业成功率从90.2%提高到98%，距离报道中约99%的人工合格水平只差一个百分点。
但工厂看重的不只是单次成功率。
还要看连续运行多久不故障，速度能否跟上生产节拍，换车型后是否需要重新训练，以及失败后会不会影响下一道工序。
即使每次操作只有2%的失败，一万个动作也对应约两百次异常。
它们是否能被自动识别、隔离和恢复，决定机器人是生产力，还是把工作转移给旁边的值守人员。
所以，单点98%是从实验走向量产的重要信号，却不是“整厂无人化”的毕业证。
最先被压缩的，是动作工资而不是全部岗位
机器人最擅长接手环境稳定、动作重复、结果容易验收的工序。
上件、搬运、折叠等任务一旦被标准化，企业购买的就不再是某位工人一天的手工动作，而是一套可以复制的设备、模型和流程。
这会压低重复动作的议价能力。
仅靠速度、耐力和熟练度形成的工资差距，可能越来越难维持。
但岗位不会按同样速度消失。
有人要换料、排除卡顿、检查质量、调整参数；新车型、新零件和临时订单也会不断打破原来的标准。
自动化往往先减少一个工位需要的人数，再改变剩余人员的工作内容。
真正危险的不是明天突然失业，而是岗位还在，技能却多年没有更新，工资逐渐失去上涨依据。
熟练工的经验不会消失，而是被拆成数据和规则
老工人拧一下就知道力度是否正常，听声音就能判断设备有没有偏差。
这些经验过去存在于个人身体里，很难复制；机器人进入工厂后，企业会尝试把它们变成动作轨迹、视觉样本、质量标准和异常标签。
经验一旦被数据化，企业就能反复训练机器，也降低了对单个熟练工的依赖。
但数据化并不自动发生。
哪些失败值得记录、什么偏差会影响质量、什么时候必须停线，仍需要懂工艺的人定义。
因此，经验的价值正在分化：只会重复标准动作的经验会贬值；能够解释异常、优化流程并教会机器的经验反而更贵。
未来更有议价能力的工人，不一定会写算法，但要能把现场问题说清楚，让工程师、设备和质量系统共同解决。
企业算的也不只是机器人的购买价格
自动化是否划算，需要把设备价格之外的账一起算进去：产线改造、夹具和安全设施、训练数据、软件维护、停机损失，以及设备故障时的人工兜底。
人可以临时换工位、处理变形零件，也能在信息不完整时做妥协。
机器人要达到同样的灵活性，往往需要更多传感器、更复杂的软件和更长的调试周期。
企业最终比较的不是“机器人月薪”和“工人月薪”，而是每个合格动作的综合成本。
只有当成功率、节拍、维护和折旧同时过关，自动化才会从示范工站扩散到更多产线。
与其和机器比耐力，不如占住机器最怕的异常
对一线工人来说，有三个更现实的准备方向。
第一，主动学习设备报警、基础参数和质量检查，不只负责“做”，还要知道为什么失败。
第二，记录现场异常和处理方法。
能把隐性经验变成清晰步骤的人，更容易进入调试、培训和班组管理岗位。
第三，关注所在工序是否具备“稳定环境、重复动作、容易验收”三个特征。
越符合，自动化越快，越需要提前向维护、质检和工艺协同转移。
机器人进厂不会让人的经验一夜归零。
它会先把经验拆开：可以标准化的部分交给机器，无法预料的部分继续依赖人。
下一轮工资差距，很可能不再取决于谁动作最快，而取决于谁能发现异常、解释问题并让机器恢复生产。
资料说明：文中98%仅指企业披露的特定自攻螺母上件工站双侧作业成功率，不代表整条产线、全部任务或长期无人运行水平。
热门跟贴