远程接管有多频繁？Robotaxi“沉默”暴露自动驾驶AI硬成本

2026-03-31，美国参议员 Ed Markey 公布了一份调查结果：多家在美国道路上运营或测试自动驾驶的公司，被问到同一个关键问题——它们的无人车到底多频繁需要“远程人工协助”——几乎全部拒绝给出明确数字。

这事看似是“监管问责”，本质却是商业竞争的照妖镜。远程协助（remote assistance / remote operator）不是边角料，它是自动驾驶规模化的隐性成本中心：需要人、需要流程、需要低时延网络、需要合规与数据安全，还会把“可复制的 AI 能力”变成“难复制的运营能力”。

在本系列《自动驾驶 AI：Tesla 与中国车企的发展路径对比》里，我一直强调一个判断：决定长期优势的，不是某次发布会上的功能演示，而是单位里程的成本结构与可扩展性。Markey 这份“问不出答案”的调查，恰好提供了一个切口：要比较 Tesla 与中国汽车品牌（以及其供应链伙伴）的路线，先得看清“AI 还没做到的部分”，到底是谁在兜底。

远程协助不透明：行业在回避什么指标？

最直接的答案：他们在回避一个能被外界量化对比的核心运营指标——每百英里/每千公里触发几次远程协助，以及其中多少次是“人给建议”，多少次是“人接管控制”。

Markey 办公室向 Aurora、May Mobility、Motional、Nuro、Tesla、Waymo、Zoox 等 7 家公司发函，提出 14 个问题，重点围绕远程协助的频率、团队规模、所在地、资质、响应时延、疲劳管理与数据安全。结果是：

• 没有任何一家正面回答“远程协助发生频率”。
• Waymo 与 May Mobility 直接称其为“商业机密”。
• Tesla 的回信里甚至没有包含该问题（原因不明）。
• Waymo 只笼统表示“每英里求助次数已实质下降”，并称多数请求在远程人员回复前就被系统自行解决，但没有给出可验证的数值。

可被资本市场、监管部门、消费者同时理解的指标，往往就是竞争真正发生的地方。企业不愿说，通常意味着“说了会吃亏”。

为什么“频率”比“是否支持远程”更重要？

因为“是否需要远程协助”几乎是必然：现实道路有无限长尾。真正拉开差距的是：

1. 触发频率：AI 是否足够稳定，能把长尾问题压到很低。
2. 干预强度：远程人员只是回答“建议路径”，还是能直接操控车辆。
3. 处理闭环：每次远程协助是否能反哺模型迭代，还是变成单纯的人工客服。

这些直接决定 Robotaxi 的单位经济模型：车越多、城市越多，远程协助团队就越可能成为“扩张税”。

远程协助的“隐性账本”：成本、规模化与监管三重压力

核心结论：远程协助一旦成为常态，就会像呼叫中心一样吞噬毛利；一旦跨城市/跨国扩张，就会变成合规与数据跨境难题。

成本结构：人力不是线性可扩展的

很多人以为自动驾驶的成本主要在车与传感器。其实在商业落地阶段，运营成本会迅速冒头：

• 远程操作员需要培训、轮班、质检与绩效体系
• 需要低时延网络与冗余链路
• 需要安全审计、访问控制与数据脱敏
• 需要与道路救援团队、城市管理部门、交警消防建立联动

当城市扩大、车队增长时，**“每辆车每天需要多少分钟人工关注”**会变成最敏感的成本变量。

一个简单的估算框架（企业内部通常会算得更细）：

• 若每车每天触发远程协助 1 次，每次平均占用 2 分钟
• 车队 1 万台，就是每天 2 万分钟 ≈ 333 小时的人力“占线”
• 再乘以并发系数、夜间班次、质检与培训冗余，团队规模会膨胀得很快

所以，“拒绝披露频率”往往意味着：这个数字还不够漂亮，至少不足以支撑“接近完全无人”的叙事。

规模化：远程协助会拖慢“跨城复制”

自动驾驶落地的难点不只是模型能力，还有城市差异：路权习惯、标线质量、施工频率、交互风格都不同。

当 AI 不足以覆盖长尾，企业会倾向用远程协助填坑。短期看，能让车跑起来；长期看，会产生两个副作用：

• 运营依赖：新城市上线速度取决于远程团队扩张速度，而不是模型泛化速度。
• 知识难沉淀：如果每次都是“人临场救火”，而不是系统性把问题转化为可学习的数据与策略，AI 进步会变慢。

监管：海外远程人员与“谁在驾驶”的边界

Markey 调查里一个细节很刺眼：Waymo 的安全负责人曾在听证会上提到其远程协助人员约一半在菲律宾。Markey 办公室也指出：海外驾照并不等于熟悉美国交规与道路情境。

这背后其实是两个监管难题：

• 数据与隐私：车内外视频、定位与乘客信息如何跨境处理
• 责任归属：当远程人员参与决策甚至控制时，事故责任如何界定

更关键的是，行业内部对“远程协助能做什么”并不一致。

Tesla 的“可远程控车”立场：效率与争议并存

最明确的分歧点：除 Tesla 外，其他公司普遍声称远程人员不能（或不允许）直接控制车辆；而 Tesla 在回复中表示，远程人员在最后升级手段下可临时直接控车。

Tesla 还给出边界条件：

• 仅限其试点车队
• 仅当车辆速度 ≤ 2 mph（约 3.2 km/h）
• 远程操作员最高只能把车开到 10 mph（约 16 km/h）

Tesla 的逻辑很“工程化”：车卡住了，快速挪到安全位置，减少等待现场人员或公共应急资源。

我对这一点的看法比较明确：

• 从运营效率看：这能显著降低“卡死车”对道路的影响，也减少对交警/消防的依赖。
• 从监管与信任看：一旦存在“远程驾驶”，公众会自然追问：那到底算不算无人驾驶？远程驾驶的网络安全如何保证？操作员资质如何审计？

这会把竞争焦点从“谁的 AI 更强”拉回到“谁的运营更透明、更合规”。

这对中国车企意味着什么：多传感器路线也逃不过“人工兜底”

直接结论：不管是 Tesla 的端到端视觉路线，还是中国车企常见的多传感器、多供应商协同方案，只要走向高等级自动驾驶商业化，远程协助都绕不过。

区别在于，谁能更快把“人工兜底”压缩成极少数场景，并把协助过程变成模型迭代的燃料。

中国路线的优势：工程落地快，但系统复杂度更高

很多中国品牌在城区 NOA、泊车、领航等能力上推进很快，常见组合是：

• 多传感器（摄像头 + 毫米波雷达 + 部分车型配激光雷达）
• 多供应商（感知、定位、地图、域控、算法栈可能来自不同伙伴）

优势是阶段性效果容易做出来；劣势是：当进入 Robotaxi 或更高自动化等级时，系统边界与责任划分会变难——尤其涉及远程协助：

• 谁定义远程接入权限与安全策略？主机厂还是方案商？
• 数据回流归属谁？能否形成统一闭环？
• 出了事故，远程协助记录由谁保存、谁可审计？

胜负手：把远程协助做成“可度量、可学习、可审计”的系统

我建议用三条指标，来判断一家车企/Robotaxi 公司是否真的具备长期优势（也更适合向监管披露）：

1. 干预率（Intervention Rate）：每 1000 公里触发远程协助次数（分城市、分天气、分昼夜）。
2. 解决强度（Resolution Level）：建议/确认/路径授权/直接控制各占比。
3. 闭环效率（Learning Loop Time）：一次典型协助场景，从发生到进入训练集、再到上线抑制该问题，平均需要多少天。

这三条指标能把“远程协助”从公关概念，变成工程与商业都能对齐的 KPI。

企业该怎么做：让 AI 把人工从“必需品”变成“稀缺资源”

最有效的路径不是“取消远程协助”，而是把远程协助产品化，并持续降低其发生频率与风险暴露。

1）把长尾场景分层：哪些必须人管，哪些必须交给 AI

建议建立清晰的场景分层，例如：

• 必须人介入：事故现场、警员手势指挥、突发封路且无可靠绕行
• 可 AI 自解：临时锥桶、轻微遮挡、低速会车的礼让博弈
• 必须策略升级：反复卡死的“同一类”路口/施工样式（要进入专项迭代）

分层的意义在于：远程协助团队不会沦为“全能背锅侠”，AI 团队也有清晰的攻坚清单。

2）把远程协助变成“训练数据的高质量入口”

远程协助的每一次交互，都应自动生成可训练样本：

• 触发原因标签（道路结构/交互不确定/感知失败/规则冲突）
• 操作员决策与替代方案
• 事后结果（是否安全通过、是否重复发生）

如果做不到这一点，远程协助就只是成本；做到这一点，它才会变成迭代速度。

3）提前按“监管披露”标准建设审计能力

Markey 的调查指向一个趋势：监管会越来越关心远程协助的流程、资质与数据安全。

企业至少要准备：

• 可导出的审计日志（谁在何时以何权限访问了什么）
• 延迟与可用性报告（含最坏情况响应时间）
• 操作员资质体系与疲劳管理机制
• 远程控制的技术边界（速度限制、地理围栏、双人复核等）

透明不是“道德选择”，而是商业扩张的通行证。

写在最后：自动驾驶竞赛，比的其实是“可披露的真实能力”

Markey 问到的“远程协助频率”之所以敏感，是因为它把自动驾驶从演示拉回现实：AI 还没覆盖的部分，需要人来补；人越多，规模化越慢，成本越高。这对 Tesla 与中国车企都一样残酷。

我更看好这样的竞争策略：把远程协助当作必要的过渡层，但持续压缩它的占比，并用严格审计与可量化指标去换取监管与市场的信任。谁能最先做到“少求助、少接管、快闭环”，谁就更可能在下一轮全球扩张中占据主动。

当行业开始被要求披露这些数字时，你更愿意看到哪家公司敢把“每千公里求助次数”摆到台面上？