Hexagon最新发布的全球"机器人世代"研究报告显示,无论是成年人还是儿童,都对工作场所中的机器人持开放态度,但对于机器人应在哪里使用、以何种方式使用,双方均设定了明确的边界。
当被问及是否希望由人类还是机器人来承担特定工作任务时,成年人在涉及体力劳动、重复性操作和危险作业方面,始终倾向于选择机器人。其中,68%的受访者希望由机器人完成重物搬运与转移,54%希望机器人负责物品搬运与配送,52%希望机器人承担危险监控任务。
儿童群体呈现出相似的偏好,且接受度更高:69%倾向于让机器人完成重物搬运,59%支持机器人负责运输与配送。
然而,一旦涉及需要情感投入或责任担当的任务,两个群体都会明显倾向于人类。差距最大的领域是护理工作:67%的儿童和71%的成年人希望由人类来照护病患、老人和孩子。相比之下,选择机器人的比例分别仅为16%和12%,是所有测试任务中机器人偏好度最低的选项。
道德心理学副教授Jim Everett博士表示:"机器人在老年护理或课堂等领域确实有潜力,但应作为辅助工具,而非取代人类不可替代的核心角色。"
技术伦理学家Blay Whitby博士补充道:"问人们是否愿意由机器人来照顾自己,大多数人会说不。但问他们技术是否应该帮助自己在家里更长时间地保持独立生活,大多数人又会说愿意。其实是同一种技术,只是表述方式不同。"
关于人们真正希望机器人能做什么,成年人和儿童给出的答案都指向实际帮助。成年人优先关注的任务包括:采集测量数据或进行简单调研(53%)、处理行政事务(38%)以及保障工作场所安全(34%)。
儿童则希望机器人能帮助理解课堂内容(60%)和激发创意(48%)。但两个群体在接受程度上存在分歧:仅21%的成年人认为机器人可以被视为正式同事,只有14%愿意让机器人担任管理职位;而儿童认为机器人可成为全职同事的比例比成年人高出50%,这一代际差异已初现端倪。
不过,整体情绪仍较为复杂。40%的成年人表示拥有机器人同事会令他们感到兴奋,但38%的人表示会感到恐惧,这与研究第一阶段所呈现的"好奇而审慎"的态度相呼应。
机器人执行上述任务的环境同样至关重要。成年人对机器人参与工厂和仓库作业的接受度最高,达63%,远高于医院和诊所(45%)以及课堂(39%)。
这一规律在不同市场中均有所体现:在中国,75%的成年人曾在现实生活中接触过机器人,63%表示可以接受机器人进入家庭;而在英国,这一比例仅为32%,是所有受访市场中接触机器人比例最低的。正如研究第一阶段所发现的,机器人曝光度越低的地方,公众焦虑情绪往往越高。
在外形偏好上,受访者更倾向于机械形态的机器人(28%),而非仿人形态(22%),这表明信任感的建立更多依赖功能表现,而非外观设计。
然而,机器人的大规模应用仍存在前提条件:86%的成年人认为,明确规定机器人可以做什么、不可以做什么是必不可少的。此外,围绕安全(51%)、可靠性(21%)和信任(26%)的顾虑,也说明相关治理机制必须与部署进程同步推进。
Hexagon首席技术官Burkhard Boeckem表示:"人们正在清楚地告诉我们机器人该在哪里、不该在哪里,而且这些直觉在不同市场之间出奇地一致。工业环境中机器人的任务定义最为明确,安全体系已较为成熟,监管也处于公众视野之内。人们在这里与类人机器人协同工作的接受度最高,而这恰恰正是我们的技术已经在运作的领域。这份数据证实,机器人普及之路要通过工业,而不是绕开它。"
Q&A
Q1:Hexagon"机器人世代"研究主要调查了哪些内容?
A:Hexagon"机器人世代"研究是一项全球性调查,主要探讨成年人和儿童对机器人在不同场景下使用的接受程度与偏好。调查涵盖了机器人适合承担的任务类型、适合工作的环境,以及公众对机器人作为同事的态度。研究发现,人们普遍接受机器人从事体力和重复性工作,但在需要情感投入的护理类任务上,仍强烈倾向于人类。
Q2:为什么人们不愿意让机器人进入医院或学校承担护理和教育工作?
A:根据调查结果,71%的成年人和67%的儿童希望由人类来照护病患、老人和孩子,机器人在护理任务中的偏好度是所有测试任务中最低的。专家指出,这是因为护理工作涉及情感连接与责任担当,而非单纯的功能执行。人们接受机器人作为辅助工具帮助老人保持独立生活,但拒绝机器人取代人类扮演核心照护角色。
Q3:影响公众接受机器人的主要因素有哪些?
A:调查显示,影响公众接受机器人的主要因素包括:接触经历(曝光度越高,接受度越高,如中国63%的人接受家用机器人,而英国仅32%)、外形设计(更倾向于机械形态而非仿人形态)、以及治理保障(86%的人认为必须有明确规则约束机器人行为)。此外,安全、可靠性和信任方面的顾虑,也是制约机器人大规模应用的关键条件。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。