军用无人机总结的安全教训——自动驾驶汽车却在视而不见

Waymo 和 Tesla 正在把自动驾驶汽车的关键安全远程监控交给菲律宾的操作员，这一决定完全违背了美军在 35 年无人机操作中用惨痛代价换来的核心原则。这种相似绝非纸上谈兵：军用无人机项目曾因同样问题导致事故率居高不下，直到军方花了数十年时间逐一修正，而现在的商用自动驾驶公司却在原样复制这些错误。

目录

• 为什么自动驾驶汽车的远程监控是一个已知风险
• 自动驾驶汽车正在忽略的五条军用无人机教训
• 菲律宾争议：外包决策的真正含义
• 操作员工作负载与“一对多”监控陷阱
• 这对自动驾驶车辆机器人技术意味着什么
• 常见问题解答

为什么自动驾驶汽车的远程监控是一个已知风险

自动驾驶车辆至今仍无法可靠应对施工区域、反应异常的行人或城市大规模停电这类边缘场景，而这些在人类驾驶中不过是日常。所以 Waymo 等公司不得不依赖远程人工操作员实时监控车队，并在 AI 卡住时出手干预。

这种“人类从远处监督自动车辆”的架构并非什么创新技术，而是美国军方从 20 世纪 80 年代就开始反复研究的老难题。根据 IEEE Spectrum 的报道，前海军战斗机飞行员、无人机研究员 Missy Cummings 博士指出，当前的商用自动驾驶操作员正在重蹈军方早年的致命覆辙。

军事领域的后果有明确数据支撑。早期的 Predator 和 Global Hawk 无人机项目事故率是执行同类任务的有人驾驶战斗机的 16 倍，主因正是通信延迟、界面设计糟糕、培训不足以及对操作员工作负载的错误预估。军方投入数十年时间和大量资源才逐步解决这些问题，而自动驾驶公司却似乎把它们当成了无关紧要的细节。

自动驾驶汽车正在忽略的五条军用无人机教训

军方 35 年的无人机操作记录揭示了五种反复出现的失败模式，每一种都与当下自动驾驶远程监控的做法高度吻合。

1. 延迟是唯一最危险的变量

延迟——从发出指令到车辆响应的时间差——绝不是小麻烦，而是关乎生死的安全参数。单纯的人类神经肌肉反应在理想状态下已有 200–500 毫秒 的延迟，再叠加网络延迟，实时遥操作就变得极不可靠。

军方是用残骸换来这个教训的。在拉斯维加斯遥控中东无人机的美国空军飞行员面临至少两秒的指令响应延迟，坠毁率达到有人驾驶飞机的 16 倍。最终解决方案是采用本地视距操作员，并逐步实现起飞着陆的全自动化。

Waymo 曾记录过一个几乎一模一样的案例：远程操作员在视频画面中看到黄灯时下达左转指令，等指令抵达车辆时，信号灯早已变红。这不是软件故障，而是物理定律。把远程操作进一步外包到菲律宾，只会让这一延迟鸿沟变得更加危险。

2. 工作站设计直接决定错误率

来源：FAA 对美国陆军和空军无人机坠毁事件的分析，1986–2004

在某些无人机平台中，100% 的人为错误坠毁都可归因于界面设计缺陷，而非操作员能力不足。一个经典案例是：按钮布局不合理，导致操作员本想发射导弹却误关了引擎。

自动驾驶行业已出现类似危险信号。一些自动驾驶穿梭车使用现成的游戏手柄来执行安全干预，这种硬件原本只为娱乐设计。至少一起记录在案的穿梭车事故中，模式混淆就被认定为重要诱因。

3. 培训缺口直接酿成事故

早期无人机项目由飞行员主导设计，却忽略了监督无人机其实更接近空中交通管制而非亲自驾驶。操作员未经充分准备就被推上岗位。自动驾驶行业面临结构性的同样问题：至今没有统一的认证标准、没有明确的模拟训练时长要求，也没有公认的操作员能力基准。

4. 距离越远情境意识越差

军用无人机研究反复证实，远离实际运行环境的操作员会迅速丧失关键的上下文感知，包括当地交通规律、天气变化和紧急响应流程。一名身在马尼拉的操作员监控旧金山的 Waymo 车辆，对这座城市的路网特点、驾驶习惯和应急机制毫无切身感受。

5. 距离越远安全漏洞越大

将关键车辆控制指令通过跨洋网络传输，会引入本地监控完全不存在的网络攻击面。军方始终将指挥链路安全视为无人机行动的头等大事，而商用自动驾驶的远程操作框架至今未能展现出同等严谨程度。

菲律宾争议：外包决策的真正含义

美国参议院近期听证会证实，Waymo 和 Tesla 均已将远程操作员团队设在菲律宾，以监控在美国道路行驶的自动驾驶车队。商业逻辑很简单——劳动力套利能大幅压低运营成本。但从安全角度却难以自圆其说。

军方用血的教训总结出的一条铁律是：控制距离必须最小化而非最大化。转向海外监控同时放大了三重风险：延迟增加、对运行环境的陌生感加深，以及更长的网络链路带来的网络安全暴露。

这绝不是质疑海外操作员的能力，问题是结构性的。再优秀的操作员也无法违抗物理定律：信号传播延迟真实存在，在需要紧急干预的时刻，后果可能致命。

操作员工作负载与“一对多”监控陷阱

军方曾多年尝试让一名操作员同时监控多架无人机，从经济角度看极具吸引力，但实际效果很差。认知切换成本——即在不同车辆间切换注意力并重建情境意识所需的时间——会导致危险的工作负载峰值。监控的车辆越多，这种复合效应就越严重。

自动驾驶公司面临完全相同的经济压力和认知极限。如果每辆车在边缘场景下都需要专人关注，而密集城市环境中的边缘场景并不罕见，那么远程监控的成本模型就会彻底崩盘。

反之，在需求低谷期，操作员又容易产生厌倦、自满，反应速度下降。无人机研究已充分记录这一规律，但自动驾驶行业至今没有公开说明他们如何评估和维持低活动期操作员的警觉性。

这对自动驾驶车辆机器人技术意味着什么

自动驾驶行业处于机器人技术、人工智能与物理安全系统的交汇点，而其远程监控架构可能是整个系统中被审视最少的一环。对评估自动驾驶平台的工程师和采购方而言：

延迟预算比自主性指标重要得多。 一辆能自主处理 99.9% 场景、却依赖 300 毫秒以上延迟远程干预来应对剩余 0.1% 的车辆并不安全——它只是在等待那个错误的 0.1% 让延迟酿成事故。

界面设计本身就是安全基础设施。 军方数据表明，即使微小的 UI 缺陷也会导致事故率大幅上升。用消费级硬件执行生命安全级操作不是成本优化，而是潜在的责任隐患。

监管正在路上。 揭露菲律宾外包事件的参议院听证会表明，美国立法者已开始追问行业尚未给出答案的问题。正在构建远程监控系统的公司应该预见到，这些架构在下一轮监管周期中将面临正式标准。

对于长期关注二手工业机器人和自主地面车辆平台发展的从业者来说，远程监控问题将在未来多年内决定物理部署的 AI 系统如何通过安全认证。今天就把军事级监控纪律融入运营的企业，将在标准落地时获得显著的监管优势和口碑优势。

常见问题解答

为什么自动驾驶汽车公司还需要远程人工操作员？ 当前自动驾驶车辆仍无法可靠应对一系列明确定义的边缘场景，包括施工区域、异常行人行为、基础设施故障以及陌生交通状况。远程操作员作为监督后备，可通过直接遥操作（实时转向和速度控制）或远程协助（路径选择等高层指令）进行干预。目前大多数商用自动驾驶部署都离不开这一人工层。

海外自动驾驶远程操作员的延迟问题到底有多严重？ 从菲律宾到美国城市的信号传播会为指令响应增加可测量的毫秒延迟，进一步叠加人类 200–500 毫秒 的神经肌肉反应基线。在已记录的 Waymo 红灯事件中，操作员看到黄灯发出左转指令，但网络延迟导致指令抵达时灯已变红。地理距离越远，这一风险就越突出。

美国军方是如何解决无人机操作中的延迟问题的？ 军方主要做法是取消对最延迟敏感任务（起飞和着陆）的长距离遥操作，转而交给本地视距操作员，最终实现全自动化。对于常规监督任务，则从实时遥操作转向更高层的远程协助，以容忍更大延迟，同时大力缩短操作员与车辆的实际距离。

军用无人机坠毁事故中有多大比例由界面设计导致？ FAA 对 1986–2004 年美军和空军无人机坠毁事件的分析显示，界面设计在20% 至 100% 的人为错误事故中是重要因素，其中空军 Global Hawk 平台 100% 归因于界面设计，陆军 Shadow 则为 80%。这些数据针对的是已判定人为失误为主要原因的事故。

目前是否有针对自动驾驶远程操作员培训的监管标准？ 截至 2025 年，美国尚未出台联邦统一的认证要求、最低训练时长或能力基准。这与军方在早期事故调查后建立的无人机操作员培训体系，以及 FAA 对空中交通管制员的严格标准形成鲜明对比。

自动驾驶监控中的“一人多车”问题是什么？ 出于成本考虑，自动驾驶公司倾向于让一名远程操作员同时监控多辆车。军用无人机研究发现，这会产生严重的认知切换成本——切换注意力时重建情境意识需要额外时间。多车事件中易引发工作负载峰值，平静期则易导致注意力下降。军方已在高风险任务中基本放弃这一模式，而自动驾驶公司尚未公开说明如何平衡这一矛盾。

如果商用自动驾驶操作员正在重复军方多年前就记录在案的延迟和工作负载问题，为什么监管部门现在才开始追问？

军方那套来之不易的无人机安全体系并非来自纸面研究，而是从一次次事故残骸中提炼而成。自动驾驶行业可能正沿着相似轨迹前进，只是车辆不同、公众监督速度更快。监管机构能否在重大远程监控事故发生前采取行动，将决定下一阶段自动驾驶安全政策的走向。

2025 年更新