人-AI协作下的薪酬分配挑战 - AI技术通过人机协作显著提升生产力和组织效率，例如金融领域智能机器人处理常规问题、制造业协作机器人承担重复性任务[1] - 好莱坞2023年7月全行业罢工事件显示AI引入导致垂直薪酬差距扩大，员工抵制可能阻碍技术推广[2] - 麦肯锡2024年报告指出生成式AI使知识生产类岗位自动化率从25%升至59%，远高于人际社交类岗位，加剧水平薪酬差距[2] - 同岗位内AI使用差异导致薪酬分化，如年轻医生借助AI提升诊断效率，年长医生适应速度慢导致绩效落后[2] 薪酬分配不均的根源 - 绩效归属模糊性：Access Holdings Plc案例显示AI使代码编写时间从8小时缩短至2小时，但员工可能因提效被质疑"走捷径"[5] - 中国上市公司数据显示AI引入后管理者薪酬显著增长而员工薪酬停滞，利润分配向管理层倾斜[7] - AI使用机会不均：生成式AI对专业岗位增强效应显著，但强社交岗位(如并购专家)替代率低[8] - 年长员工因感知易用性低、信任度不足导致AI接受度仅为年轻员工的1/3[8][9] 解决方案框架 - 薪酬包机制设计：总薪酬=(预期绩效+AI预期绩效)×(历史薪酬/存量绩效)+AI绩效×共享系数，解决收益分配问题[21][25] - 360度评估新增"AI使用"、"AI贡献"、"基于AI的创新"指标，量化员工AI应用价值[26] - 战略性薪酬包补偿早期探索者沉没成本，如三星工人罢工案例显示补偿机制缺失的后果[25] - 知识共享体系包含企业培训(系统性技能提升)和员工间经验交流(任务协同增效)[18][19] 行业实践启示 - 金融业通过智能客服分层处理问题，制造业用协作机器人优化流程，显示AI增强而非替代人力[1] - 好莱坞罢工和韩国三星事件警示未合理分配AI收益将导致双输局面[21] - 医疗行业年轻医生AI应用效率比传统方法高3倍，但需平衡技术代际差异[2][8] - 供应链领域AI预测使信用评级准确率提升40%，工业AI实现全流程智能管理[8]

核心观点 - 大语言模型（LLM）在主动投资领域具有变革性潜力，能够解决信息过载问题，提升投研效率和深度 [1][8] - LLM在信息获取与处理、深度分析与挖掘、策略生成与验证三个核心环节展现出强大应用价值 [3][4][5] - 人机协作是LLM在主动投资领域最现实且最具价值的应用模式，需要投研人员掌握Prompt Engineering等新技能 [9][10] 信息获取与处理 - LLM能够自动化市场信息跟踪，实时抓取多源数据并生成结构化摘要，提升信息处理效率 [3][13] - 在分析师报告聚合与对比方面，LLM可自动解析不同格式研报，提取关键信息并识别市场共识与分歧点 [3][29][30] - 对于上市公司业绩电话会纪要，LLM能快速处理会议内容，提取财务更新、战略重点等关键信息 [3][31][32] 深度分析与挖掘 - LLM能够量化文本情绪，识别细微情感变化，并绘制情绪变化曲线，为投资决策提供独特视角 [4][38] - 在组合分析与风险识别方面，LLM可提供基于实时事件和非结构化信息的风险分析，增强风险管理前瞻性 [4][39] - LLM能够分析组合持仓相关的重大新闻、行业动态等文本信息，为传统量化归因模型提供补充解释 [4] 策略生成与验证 - LLM在基本面因子挖掘方面具有思路广度、逻辑自洽和高度可定制化三大优势 [5][45] - LLM能显著降低策略回测门槛，将自然语言描述的投资策略自动转化为可执行代码 [5][46] - 通过自然语言到代码的转换，LLM加速了投资方法的验证与优化过程 [5] 应用前景 - LLM适合执行大规模数据处理和初步分析，而人类在目标设定、逻辑构建等方面具有优势 [6] - 构建高效的人机协作模式是LLM大规模成功应用的前提 [6] - 投研人员需要发展Prompt Engineering等新能力来充分利用LLM的潜力 [9][10]

医疗机器人行业现状 - 医疗机器人从实验室概念加速走向临床一线，成为医护人员不可或缺的智能伙伴，在许多医疗场景中发挥作用[1] - 现有技术虽突破传统医疗物理边界，但机器人从辅助工具迈向自主执行仍面临多重挑战，主流产品处于辅助向自动化过渡阶段[1] 当前医疗机器人的局限性 - **现实定位精度和作业灵活性不足**：定位精准性和作业稳定性易受患者情况和外部环境影响，可能造成重大隐患[4][5] - **操作复杂**：医护人员需花费较长时间培训学习机器人的操作和应急处理，增加时间成本和心理压力[6] - **综合成本高**：例如进口达芬奇手术机器人售价约2500万，设备通用性不足导致医疗机构自动化改革成本难降低[7] - **安全性顾虑**：机器人替代医生操作可能增加患者紧张感，确保人机协作安全性是重要挑战[8] 技术突破方向 - **安全性能**：双通道冗余架构搭配力矩控制框架满足国际安全标准（CE、ET、IEC 60601），保障接触环境中的作业和人员安全[10] - **实时力反馈与精细力控**：通过力/力矩传感技术、力控算法等模拟人类手感，复现复杂操作手法（如超声检查中动态调整接触力度）[14] - **易用性设计**：柔顺拖拽功能允许医务人员直接轻力拖拽机器人末端，降低学习门槛[16] - **多样化功能开发**：提供开发工具包Flexiv RDK支持个性化医疗应用构建[16] 自适应机器人医疗应用案例 - **超声诊疗**：实时贴合人体轮廓并复现医生手法，确保最佳压力，辅助完成诊察[20] - **按摩理疗**：模拟专业医师手法进行中医推拿、疼痛管理等[22] - **手术场景**：支持脑卒中、骨科等手术，部分进入临床阶段，验证技术可靠性[24] - **Rizon Med专用机型**：高刚性设计（10,000N/m）、电磁抱闸配置，提升安全性和通用性[26] 行业前景 - 2030年全球手术机器人市场规模或突破400亿美元，中国本土化创新有望占据30%份额[30] - 技术发展目标为拓展医疗可能性，通过机器人提升医生决策与创新能力，实现人机协同效率优势[24][30]

王兴兴， 宇树科技有限公司创始人兼CEO、CTO AI，开启机器人新时代的钥匙 在科技飞速发展的当下，人工智能（AI）正以前所未有的速度重塑各个领域，而机器人领域无疑是其中备受瞩目 的焦点。我坚信，AI与机器人的融合，是未来十几年甚至几十年里最具价值的发展方向，如今这一领域不过是初 起的火苗，未来必将越烧越旺 。 AI还需具备情境理解能力。就拿做饭来说，机器人不仅要识别食材，还得理解食谱和烹饪技巧，并能根据实际情 况调整烹饪方法。面对不同新鲜程度的食材和用户的口味偏好，机器人要能灵活调整烹饪时间和火候，这对AI的 情境理解和决策能力提出了很高的要求。 此外，机器人还需要具备更高的灵活性与适应性，能够在不同环境中自主学习和适应。以洗衣为例，机器人要根 据衣物的材质、颜色和污渍程度选择合适的洗涤程序。这种灵活性要求机器人具备强大的机器学习能力，能够从 不断的试错和反馈中优化自身行为。 人机协作也是未来机器人的重要发展方向。机器人需要理解人类的指令、情感和需求，并能与人进行有效协作。 在厨房中，机器人可以主动为人类提供帮助；洗衣时，能根据用户反馈调整洗涤方式。这种人机协作模式不仅能 提升家务效率，还能增强家庭成员之 ...

图片来源： 松延动力 上周六，北京亦庄科技园区上演了一场别开生面的科技马拉松——全球首场人形机器人半程马拉松比 赛。这场由中国顶尖机器人研发机构参与的赛事，在展现人工智能前沿技术的同时，也因机器人选手 们"状况百出"的表演而充满趣味性。 比赛现场，21台形态各异的人形机器人同场竞技。起跑阶段就出现了令人忍俊不禁的场景：一台机器 人在发令枪响后应声倒地；另一台则在行进中突然"身首异处"，头部组件滚落赛道；更有甚者，一台 机器人在中途突然解体，零件散落一地。最终，仅有4台机器人在规定的4小时内完成了21公里的赛 程。 来自 北京人形机器人创新中心的"天工"以2小时40分钟的成绩夺冠，虽然比人类马拉松冠军慢了整整 一小时，但其表现已属惊艳。该公司首席技术官唐健表示："这次比赛是对机器人极限性能的全面检 验，结果完全符合预期。" 值得注意的是，比赛采用了独特的"人机协同"模式。" 天工"在比赛中由人类教练佩戴信号装置领跑， 通过动作模仿完成比赛。其他机器人则采用了操作员遥控或牵引绳辅助等不同方式。现场观众热情高 涨，不少家庭专程带孩子前来观赛，在人类选手与机器人选手之间拍照留念。 参赛机器人造型各异：有酷似动漫高达的 ...

文章核心观点 举办“人机共跑”半程马拉松赛事旨在测试人形机器人极限性能，推动产业发展、赋能生产生活，展示科技成果并引发人机协作思考 [2] 赛事结果 - “天工队”以2小时40分42秒成绩获冠军，“松延动力小顽童队”和“行者二号队”分获亚军、季军 [1] - 两名埃塞俄比亚选手分别以1小时2分36秒和1小时11分7秒获男子组和女子组冠军 [1] 赛事情况 - 人形机器人与人类同时起跑共跑21.0975公里，赛道中间作物理划分 [1] - 20支机器人队伍参赛，6支成功完赛，后续将根据大众评选得出最佳人气、步态、形态创新奖 [1] 赛事规则 - 主办方借鉴赛车比赛形式创新设计赛制规则，起跑时机器人按Z型布阵排成两列，同一列前后垂直间距3米，依次发枪起跑，出发间隔1分钟，原则上不超过2分钟 [1] - 每支赛队最多安排3名保障人员进入赛道，赛道设补给站，允许换电池或机器人，换电时间计入总成绩，更换机器人会被罚时 [1]

科技对未来就业的影响 - 科技是塑造劳动力市场最具颠覆性的力量，超过所有其他宏观就业创造和替代趋势 [3] - 到2030年，全球就业前景预计将净增加7800万个工作岗位，其中新兴行业和科技领域将新增1.7亿个工作岗位，同时有9200万个现有岗位将转型或消失 [3] - 增长最快的三项技能是AI驱动的数据分析、网络与网络安全以及技术素养，成为必备能力 [3] - 企业需优先招募拥有强大分析能力、系统思维及编程技能的核心技术人才，以应对数据驱动的挑战并实现人机无缝协作 [4] 人与机器关系的演变 - 自动化与增强化之间的平衡是重新定义企业人才结构的关键，目前47%的任务由人类完成，22%依赖技术，30%为人机协同 [6] - 到2030年，人类、机器和混合模式的任务分配将趋于均衡，企业需重新思考劳动力策略以融合技术灵活性与人类创造力 [6] - 增强化侧重于利用技术补充人类能力，到2030年各行业完全由人类完成的任务比例均将下降，企业可将技术进步与劳动力优势结合以提升效率 [8] 技能变革趋势 - 到2030年，员工核心技能的变化比例将从2023年的44%下降至39%，反映出企业通过持续学习、技能提升和再培训主动应对未来需求 [9] - 大规模员工技能提升和再培训是必然趋势，企业为提升生产力和竞争力愿意投资培训项目，并将人才留存列为第三大优先事项 [11] 2025年热门核心技能 - 企业期待员工兼备硬技能和软技能，专业技术能力、人际交往能力、情商及终身学习意愿是关键软技能 [12] - 与2023年相比，领导力与社会影响力、AI与大数据、人才管理及服务导向等技能需求显著增长 [12] - 未来五年科技相关技能重要性将超越其他类型，AI和大数据需求增长最迅猛，其次是网络技术、网络安全和技术素养，创造性思维及社会情感技能也获重视 [12] 生成式AI对就业的影响 - 生成式AI降低了技术使用门槛，减少许多岗位对技术技能的需求，但其相关技能变得抢手，信息技术行业采用率最高 [15] - 生成式AI尚处早期阶段，长期收益未可知，它通过人机协作增强人类能力而非简单替代，提高岗位产出数量或质量 [15] - 在技术驱动环境中，以人为本的技能依然至关重要，企业需将技能再培训和提升视为长期战略以应对新兴技能缺口 [15] 数字化转型及其障碍 - 2025年至2030年，扩大数字接入是第一大变革性趋势，旨在缩小数字鸿沟，推动社会发展 [16] - AI和信息处理（86%）、机器人和自动化（58%）以及能源生产、储存和分配（41%）等技术进步将引发深远影响 [16] - 63%的企业将劳动力市场技能缺口视为数字化转型头号难题，例如制造业仅30%员工能操作智能工厂系统，导致自动化设备利用率不足40% [16] - 46%的企业指出组织文化和变革阻力是主要问题，仅29%的企业认为2025年至2030年间人才供应会改善 [16] 企业人才战略转变 - 到2030年，77%的企业计划将员工再培训和技能提升列为优先事项，以加强与AI系统协作，这已成为全球企业的首要任务 [17] - 73%的企业计划加快自动化技术应用，其中63%将引入新技术辅助现有员工，显示对AI驱动流程的依赖加深 [17] - 基于技能的招聘正在兴起，企业越来越看重求职者的工作经验和可量化成就，以契合劳动力市场趋势 [17] 变革时代的领导力 - 新时代有效领导力需兼具技术洞察力和以人为本的管理策略，包括应对复杂性、营造创新环境、建立信任及平衡短期与长期需求 [18] - 组织需调整评估指标，除传统绩效指标外，应纳入技能学习与应用速度、劳动力转型可持续性、员工敬业度与身心健康及创新适应能力 [18][22] - 企业应构建技术与人力相融合的系统，让科技放大人的潜力，以增强企业韧性和适应能力，在复杂未来中蓬勃发展 [19]