生成式AI機器人：何處上崗，如何站崗

如果你曾有機會乘坐無人駕駛汽車Waymo，下車時很可能會對其展現出的能力感到驚嘆。

自谷歌母公司Alphabet于2009年啟動該項目以來，Waymo已打造出一支由2 500輛無人駕駛出租車（robotaxis）組成的車隊，目前在舊金山、邁阿密、鳳凰城等城市運行，累計完成了超過2 000萬次的行程。這些車輛能夠做到的，遠不止以最高105公里/小時的速度將乘客送往目的地，它們還能響應語音指令（例如“在Spotify上播放一些80年代的說唱音樂”），或者回答問題（例如“舊金山巨人隊的比賽幾點開始？”），同時還能通過靈活并線，避開路面上違規停放的貨車。早期的客服數據以及Waymo One應用程序中的用戶評論顯示，這種體驗令乘客興奮異常。

生成式AI機器人，是一項正在迅速成熟并即將大規模部署的技術，Waymo只是其中的一個具體案例。許多公司已經在使用生成式AI聊天機器人、智能體（Agents）以及相關技術來實現客戶服務的自動化和規模化，但在大多數情況下，客戶仍然是通過屏幕與這些技術互動。將生成式AI嵌入機器人，使企業有機會在長期依賴人類的實體服務場景（如餐廳、酒店、醫院、零售門店以及其他線下場所）中重新設計與客戶的互動方式。借助大語言模型（LLMs）、大行為模型（LBMs）以及代理式AI（agentic AI），新一代機器人能夠更好地理解語境、進行推理并提供個性化的體驗。它們可以像稱職的員工一樣交流——在多輪對話中保持邏輯連貫、澄清模糊之處，并以簡單易懂的方式解釋復雜概念。

過去，當一名患者問機器人“這項檢查會疼嗎？要持續多長時間？如果我感到頭暈怎么辦？”時，這些問題往往超出了機器人預設腳本的范圍。但如今，由大語言模型驅動的服務機器人可以逐一拆解這些顧慮，并給出通俗易懂的回答。一個名叫Robin的機器人已經在做類似的事情，目前它在全美30個兒科病房和養老院中提供情感支持。它能夠自主移動，與孩子們打招呼并回答問題。護士還可以向Robin下達口頭指令，例如：“去517號病房待20分鐘，然后去516號病房待10分鐘。”它還內置了多種游戲，孩子們可以通過語音參與互動。

這可能并不是你第一次讀到宣稱機器人將改變服務行業的文章。誠然，它們的發展步伐比許多支持者預想得要慢。

2024年，全球專業服務機器人市場（包括物流、醫療、清潔等領域在內）增長了約9%，銷量接近20萬臺。但許多試點項目停滯不前或未能達到預期效果。麥肯錫的研究顯示，71%的公司表示高昂的前期成本是采用機器人的主要挑戰之一，61%的公司則將缺乏自動化經驗列為另一項關鍵障礙。

機器人的維護與可靠性問題依舊是持續存在的挑戰，客戶與員工的接受度也有待提升，許多人仍然更傾向于與人類互動，尤其是在情境復雜或情緒色彩濃烈的情況下。當企業部署面向客戶的機器人時，大多數應用仍局限于一些高度腳本化的狹窄任務，例如在酒店中運送行李或客房服務用品。這些服務機器人充其量就是一些精密的移動售貨機而已，它們能夠沿預設路線運行、讀取條形碼并回答常見問題，但總體而言，仍未能實現早期采用者所期待的規模效應或投資回報。

盡管如此，幾乎所有主要的機器人制造商都在將生成式AI整合進其產品中，且一些早期成果已經展現出相當的潛力。我從事先進機器人研究已有10余年，在過去的18個月里，我走訪了歐洲、亞洲和北美的14家機構，實地考察了它們部署的生成式AI服務機器人。這些機構分布在金融服務、醫療、教育、酒店等多個領域。在本文中，我將概述企業如何利用生成式AI機器人創造價值、降低風險，并打造推動其成功所需的組織能力。

生成式AI機器人是什么？

由生成式AI賦能的機器人依賴于多種技術的融合，其中有些已經為人所熟知，有些則尚不常見。

到目前為止，大多數高管已經對大語言模型和代理式AI有了一定的了解。在機器人身上，大語言模型賦予了其對話能力，而代理式AI則增加了記憶、規劃、執行和反思的能力。借助這些技術，機器人可以記住再次光臨的熟客，在權衡利弊后做出推理（例如，如果保潔員說房間快打掃好了，那可以提前辦理入住嗎？），規劃一系列任務，在數字系統與物理空間中執行具體步驟，然后反思哪些做法有效、哪些無效。依賴腳本的傳統機器人與受代理式AI驅動的機器人之間，差異可謂天壤之別。一個依賴腳本的系統也許能夠識別出某項配送任務需要優先處理，但仍然會按照預設路線執行；而一個代理系統則可以將任務分配給人類，重新規劃配送路線，并通過調配資源確保任務完成。盡管機器人通常具有特定領域的智能（例如，酒店機器人的訓練方式與醫院機器人截然不同），但在其所在領域，它們仍然能夠依據高層級的指令做出復雜決策，例如“盡快為客人辦理入住”或“在值班結束前補足靜脈注射液的庫存”。

大行為模型則是一項較為陌生的技術。正如大語言模型在海量文本上進行訓練，大行為模型則是在大規模的行為數據集上訓練。大行為模型幫助機器人適應現實環境中服務場景的“混亂不堪”：托盤會傾斜、地面會變得濕滑、顧客可能會遞來易碎品。在這樣的背景下，為機器人預先編寫應對所有突發情況的程序是不現實的。因此，開發人員轉而利用大行為模型，讓機器人在各種情境中自主學習應對方式。大行為模型正是讓Waymo車輛能夠繞過違規停放的貨車靈活行駛的關鍵。

生成式AI機器人利用攝像頭、麥克風和各類傳感器進行學習，它們可以通過觀察人類、提問，以及反復試錯來不斷優化。這種訓練最初可以在現實世界中進行，機器人根據少量示范動作學習某種行為（例如如何小心地拿起一杯紅酒），然后借助元宇宙或數字孿生技術，對速度、抓取力度和動作軌跡進行數百萬次的微調實驗，完善其操作方式。這些行為還可以跨場景遷移。如果一個機器人在咖啡館學會了如何處理易碎玻璃杯，那么其中的部分技能也可以遷移到在診所里處理玻璃藥瓶上，或在精品店中搬運商品上。

還有一些技術進一步提升了生成式AI機器人的學習能力。例如，無代碼編程（no-code programming）和群體學習（fleet learning，一組機器人之間共享指令）使部署和改進機器人變得比10年前容易得多。過去，對機器人的任何調整都需要向IT部門提交工單或等待供應商上門處理，而現在，無代碼訓練（由生成式AI實現）讓一線員工只需要詢問機器人為何采取某種方式、描述更好的方案并進行肢體示范，就可以直接調整其行為。這種改進的便捷性，將運營優化的周期從幾個月壓縮至幾天。這些能力使機器人變成了集對話、認知和物理行動于一體的自適應系統——既能大規模運行，又能針對每位客戶實現個性化的服務。

以寶馬位于南卡羅來納州帕斯坦堡的汽車裝配工廠為例。汽車行業是最早采用機器人技術的行業之一，自20世紀80年代，工廠就開始使用簡單的機械臂來執行重復性任務（例如點焊）。但到2024年，寶馬開始試點部署Figure 02——這是一款人形機器人，代表了對傳統工業自動化的一次重大突破。

與傳統工廠機器人不同，Figure 02借助機身上的六個攝像頭實現了工廠中的自主移動，理解所見之物，并結合深厚的汽車知識及通用知識庫，推理出物體應如何使用。Figure 02在OpenAI模型的驅動下，能夠聆聽并處理人類語言，甚至能從模糊的指令中推斷意圖，在必要時主動追問來明確需求，并能隨著時間的推移從錯誤中吸取教訓。

在為期11個月的部署過程中，Figure 02參與了大約3萬輛寶馬汽車的生產。在車身車間，它相當于一雙高精度的“機械手”，負責搬運并放置易損的鈑金零件，并將組件對齊，使焊接機器人能夠順利組裝汽車框架。目前，寶馬正規劃使用Figure 03，這是一款更輕也更高的繼任型號，旨在將這些能力擴展到工廠之外的更多場景。在一段宣傳視頻中，Figure 03展示了多種任務能力，例如洗碗、疊衣服、端送飲料以及玩拋接游戲，凸顯出生成式AI正幫助機器人獲得日益多樣化的能力。

如何部署生成式AI機器人

我與多家企業的合作研究表明，生成式AI機器人最令人興奮的應用場景，往往集中在一線崗位，以及面向客戶和員工的任務中。將機器人引入工作場所絕非“拆箱即用”那么簡單，因為許多工作環境本身具有高度的不確定性。例如服務員需要端著托盤穿梭，醫生和護士則會在不同病房之間忙碌奔走，等等。為了將潛力轉化為實際效能，企業領導者必須仔細挑選應用案例，向客戶及員工溝通使用機器人的原因和方式，并設立保障機制。根據我的實地觀察，以下四個關鍵步驟可以為管理者提供指導。

1、從勞動力瓶頸處著手

當機器人被應用于那些具有重復性、經濟價值高且能夠帶來可量化回報的任務時，其效果最為顯著。我所觀察到的許多早期實驗，涉及的崗位大多來自長期面臨“用工荒”的行業，這合乎邏輯，機器人不僅降低了成本，還緩解了招聘難的問題。目標崗位一旦確定，首先就要審視這些工作涉及的具體任務：它們的重復性是否足夠多，便于機器人的快速學習？將這些任務交給機器人后，是否能在速度、效率、一致性方面獲得立竿見影的回報，或者能釋放員工，讓他們專注于價值更高的工作？

理想的試點場景包括：酒店的入住與退房辦理、快餐店的訂單修改與送餐，以及醫院病區的物流配送。在這些情境中，一線的服務能力始終不足，并且也存在機器人可以獨立承擔的清晰操作環節。

一旦確定了應用場景，就要對試點項目進行精心設計，確保一線員工能夠在實際工作過程中參與機器人表現的改進。如果員工發現機器人采用的操作步驟并不理想，應當能夠及時解釋并示范更好的方法，而不必等待數周后的軟件更新。

如果執行得當，隨著時間的推移，這種方法能持續拓展機器人的能力邊界，增強其在特定領域的表現，并提升整體部署的效果。與此同時，它還能推動一線崗位向技能要求更高的工作崗位轉型，并在勞動力最緊缺的崗位有效緩解用工壓力。

2、設計客戶接受的機器人交互

大多數針對機器人的抵觸情緒，往往始于客戶觸點，而非技術本身。傳統的自助終端、自助服務技術以及依賴腳本的機器人，常常迫使客戶進入刻板、不自然的交互流程。這本質上是一個設計缺陷，而由大語言模型驅動的機器人正在消解這一負擔。客戶和員工可以用自然語言與它們交談，并且至關重要的一點是，這些機器人可以在真實環境中真正執行相應操作。

以酒店入住辦理為例。人類員工通常需要在多個系統間切換，到預訂記錄、會員信息、客房狀態、支付系統以及客戶偏好的不同界面進行處理。而生成式AI機器人則可以同時連接多個系統，在后臺處理信息、協調沖突，并在與客人互動、致歡迎詞的同時，在數秒內交付房卡。對客戶而言，這種體驗表現為一場親切且高效的交談，并且在高峰時段，其服務的穩定性往往優于人類。

早期的部署案例既展示了這一技術的潛力，也暴露出其局限。在東京的海茵娜酒店（Henn na Hotel），機器人前臺能幫助賓客完成身份驗證、房間分配以及支付環節的所有流程。這一舉措確實降低了勞動力成本并緩解了人手短缺的問題，但并非所有環節都如預期般順利。有時，機器人在處理口音、背景噪聲和突發請求時顯得力不從心，反而增加了員工的工作負擔。

針對客戶接受度進行設計，意味著必須要在真實環境、面對真實客戶的過程中測試這些交互方式。找出摩擦產生的環節，并確保機器人的溝通能力與其物理執行的可靠性相匹配。

3、定位為服務增效工具，而非人力替代品

機器人如何被引入組織，以及其角色如何被解釋，會深刻影響人們對它們的認知。人們對AI的接受程度會因人口特征和具體情境而有所不同，而在當前，許多客戶在需要溫度、同理心或判斷力的互動場景中，仍然更傾向于與人類交流。與此同時，員工也擔心這項技術會取代他們的工作。

為了應對這些偏好與擔憂，企業應將生成式AI機器人定位為一線員工的輔助工具，而不是替代品。生成式AI機器人的作用是提升服務的可及性、速度和可靠性，同時釋放人類員工的時間，使他們能夠專注于那些情緒負荷較高、情境模糊或風險較大的互動任務。根據我的觀察，最成功的部署案例通常發生在以“便捷性”為客戶首要訴求且自動化價值一目了然的場景中。

企業還應清晰地說明機器人能夠完成哪些工作，以及當客戶需要時，他們如何能獲得人工支持。例如在醫院，機器人可以向患者解釋，它們的作用是讓簡單的互動變得更順暢、更便捷，在達到能力極限后，它們會主動呼叫人類工作人員協助。在零售場景中，讓一線賣場導購與后臺的自動化機器人協同工作，有助于讓購物體驗始終保持人類在場的感覺。

如實設定預期至關重要。企業應與客戶和員工坦誠溝通，說明機器人目前擅長的領域——速度、穩定性以及對長尾需求的持續可靠響應，同時也應指明人類仍然明顯優于機器人的地方，尤其是在需要共情、創造力或解決全新問題的場景中。要用事實而非夸張表達強化以上信息，以具體數據說服人，例如“我們的等待時間從6分鐘縮短至90秒”，或者“我們的護士每個班次少走了3 000步，所以能多花一個小時陪伴患者”。這類數據清楚地表明，機器人如何為客戶和員工創造“雙贏”。

4、持續優化“負責任使用”的指導原則

當企業部署生成式AI機器人時，與倫理、公平和隱私有關的風險也隨之提升。許多機器人配備了攝像頭和麥克風，這意味著它們幾乎可以將面對面互動中發生的所有事情數字化（除非法律另有規定）。再加上先進語言模型的助力，機器人突然間就具備“說服”人類的能力。這在銷售和追加銷售中固然有用，但如果客戶被以公司意圖之外的方式分析、誘導或操縱，就可能會越界。當機器人參與資源分配或定價決策（例如升房、提前入住或個性化優惠）時，情況會變得尤為敏感，因為這些決策可能引發偏見或不公平的感知。

好的部署方式是將生成式AI機器人視為一個可持續優化的系統，而不是一個完善的產品。組織需要建立機制，觀察人們與機器人的真實互動，識別互動失敗或卡頓的環節，并持續系統性地改進性能。這一過程始于對一系列信號的捕捉（例如用戶在哪些地方出現猶豫、重復表達，或推翻機器人的操作），并將這些洞察轉化為清晰、可執行的改進建議，提供給督導員和一線管理者。

此外還存在一定的學習風險。由于生成式AI機器人是通過人機交互進行學習的，這也為員工和客戶提供了利用它們的漏洞。如果缺乏防護機制，機器人可能會學到不當行為。我曾聽說機器人會在酒店里重復不當用語，也見過博物館的訪客出于娛樂目的故意干擾機器人。無代碼工具和群體學習同樣帶來了新的挑戰。員工可能在無意中引入了錯誤或帶有偏見的邏輯，而惡意攻擊者還可能蓄意破壞，導致不良行為迅速在機器人群體中蔓延。

改進應當是審慎、可迭代的：測試變更、衡量結果、保留有效做法，然后不斷重復這一過程。在實踐中，沒有任何一個機器人在一開始就能運行良好，細致的持續調優至關重要。一線員工在這一學習閉環中扮演著核心角色，應當被支持成為“全民開發者”（citizen developers）。通過適當的微學習流程、認證機制以及無代碼工具，一線員工作為某個領域的專家，可以用自然語言直接向機器人指出故障點并解釋更優的做法。隨著時間的推移，管理崗位的職責也會發生轉變：從單純監督具體任務，轉向協調系統運行——包括評估改進建議、執行安全與授權協議，并確保激勵機制與質量、可靠性以及客戶成果相掛鉤，而不僅僅關注速度。

與此同時，學習過程必須受到嚴格治理機制和企業數字責任的約束。由于機器人會收集敏感數據，隱私保護必不可少。又因為它們會在實體環境中移動，可能與人員或物體發生碰撞，安全同樣也是首要考量。謹慎的運動控制、作業環境的有序性以及系統的可靠性，應被視為不可妥協的底線，并輔以風險分析、地理圍欄（限制機器人在特定區域內移動）、緊急制動（允許人工立即停止機器人行動），以及與供應商簽訂的維護和事故響應的明確服務等級協議。

這些并不意味著企業應當對生成式AI機器人望而卻步。但它確實意味著，安全性、保障和負責任的設計必須成為首要優先事項。錯誤總會發生，但如果系統架構、政策和測試機制足夠穩健，這些錯誤演變為實際傷害的可能性將大大降低。這些規范化的做法能夠確保在機器人能力不斷提升的同時，組織仍然對其行為承擔責任——在推進創新規模化的過程中，不以犧牲客戶與員工的信任為代價。

由生成式AI驅動的機器人，為在現實世界中實現高性價比的服務提供了一條切實可行的路徑。它們能夠成規模地提供穩定性與個性化兼具的服務，而這長期以來一直是實體服務領域的“阿喀琉斯之踵”。但生成式AI機器人的部署過程復雜且周期較長，而且由于必須在真實環境中運行，其風險更高、失敗更容易被公眾看到，安全問題也因此成為一項重大關切。

盡管這項技術仍處于起步階段，但早期試點的初步結果表明，生成式AI機器人能夠同時為企業、員工和客戶創造價值。通過遵循本文所概述的步驟，企業可以以一種結構化且安全的方式，逐步部署這些機器人。

武耀恒（Jochen Wirtz）| 文

武耀恒是新加坡國立大學商學院副院長、市場營銷系教授。

廖琦菁 | 編校

聯系方式

投稿、廣告、內容和商務合作

newmedia@hbrchina.org