2026-06-18 — views
Physical AI 車隊管理——Waymo 遠端操控成本、操作員比例與人機協作規模化挑戰
Waymo 目前每位遠端操作員負責 10-25 輛車、成本約 $0.20-0.40/英里（估計），提升至 1:100+ 是車隊經濟的關鍵槓桿。
實體 AI 基準系列第 131 篇——Physical AI 車隊管理：Waymo 遠端操控成本、操作員比例與人機協作規模化挑戰
當 Waymo 無人計程車遭遇無法解析的施工區、異常行人穿越模式，或超出訓練分佈的感測器讀數時，它不會猜測。它會安全地靠邊停車，發出遠端協助請求，然後等待。在幾秒到幾分鐘內，Waymo 操控中心的一名受過訓練的操作員會從車輛的即時攝影機畫面評估狀況，並提供高層次指導——不是直接控制方向盤，而是人類對 AI 尚無法處理的情境所做的判斷。這就是自動駕駛車輛部署的「人機協作」層：架橋於今日不完美的 AI 與每家 AV 公司都在建構的全自動未來之間。
這個遠端操控層的經濟效益與規模化能力，是 Physical AI 車隊管理中最重要、卻也最少被討論的面向之一。Waymo 聘用多少操作員？每位操作員每小時的成本相當於多少車隊英里成本？更關鍵的是：隨著 AI 持續進步，成本曲線是否能次線性改善，還是遠端操控始終是限制自動運輸獲利能力的固定負擔？
所有標有「（估計）」的數字均來自公開揭露資訊、產業分析師估算，以及合理推斷，而非經過驗證的第一手資料。
第一節——Waymo 遠端操控如何運作
Waymo 操控 24/7 全天候遠端協助中心，受訓操作員在此監控車隊並回應協助請求。系統圍繞明確的分工設計：AI 處理 99% 以上的正常駕駛，而人類負責 AI 尚無法以足夠信心解決的邊際案例。
| 元件 | 說明 | 目前規模（估計） | 成本驅動因素 |
|---|---|---|---|
| 遠端協助（RA）中心 | 24/7 操控中心，受訓操作員監控車隊；車輛請求協助並安全等待操作員回應 | 多個中心（估計）；主要站點位於加州 Mountain View 和亞利桑那州 Phoenix（估計） | 勞工：操作員輪班制；薪資約 $5-7 萬/年（估計） |
| 操作員對車輛比例 | 1 名操作員同時處理多輛車；目前比例約 1:10-25 車輛主動監控；1:50-100 車輛被動監控 | 受限於請求頻率和回應時間 SLA | 關鍵指標：AI 改善後，每英里請求次數下降 → 比例提升 → 成本降低 |
| 遠端協助觸發事件 | 異常路況（施工、洪水）；邊際行人行為；具挑戰性光線下的感測器混淆；臨時地圖環境不匹配；乘客請求 | 目前約每 100-200 英里 1 次 RA 請求（估計） | 隨模型改善：目標頻率約每 1,000+ 英里 1 次（估計） |
| 回應時間 | 操作員須在幾秒到幾分鐘內回應；車輛安全等待（靠邊或保持位置） | SLA 未公開；非緊急情況估計 30-120 秒（估計） | 更快回應 = 更佳乘客體驗；佇列管理至關重要 |
| 操作員訓練 | 需要專業訓練；操作員學習 Waymo 軟體介面、邊際案例協議、與乘客溝通 | 初始訓練約 2-4 週（估計） | 勞工成本加離職率 = 持續運營費用 |
| 技術堆疊 | Waymo 專有遠端協助平台：即時攝影機畫面、車輛狀態、地圖疊加層、傳送高層次指導能力（非直接方向盤控制） | 未公開；內部建置 | 軟體成本由整個車隊分攤 |
Waymo 遠端協助架構的關鍵設計洞察是：操作員不遠端駕駛車輛。他們提供指導——「通過交叉路口」或「等待施工工人離開」——由 AI 執行。這種區別既是安全功能，也是規模化功能：一名操作員可以同時處理多輛排隊等待的車輛，因為每次互動的認知負荷是指導而非持續駕駛。系統的規模化程度完全取決於車輛進入協助佇列的頻率——而這又完全取決於 AI 的能力水準。
第二節——遠端操控成本曲線：線性還是次線性？
AV 車隊經濟的核心問題是：遠端操控成本是隨車隊規模線性擴展，還是隨 AI 成熟度次線性改善？答案決定了自動運輸在大規模情況下是否能達到使其商業可行的單位經濟效益。
| 情境 | 操作員比例 | 遠端操控成本/英里（估計） | 可實現的車隊規模 | 意義 |
|---|---|---|---|---|
| 今日（現況） | 約 1:10-25 輛（估計） | 約 $0.20-0.40/英里（估計） | 1,000-3,000 輛車隊 | 顯著成本負擔；限制經濟效益 |
| 近期目標 | 1:50-100 輛（估計） | 約 $0.08-0.15/英里（估計） | 5,000-15,000 輛車隊 | 模型成熟後可實現；RA 頻率下降 |
| 中期目標 | 1:100-500 輛（估計） | 約 $0.02-0.05/英里（估計） | 2 萬-10 萬輛車隊 | 模型處理 99%+ 情境；RA 僅用於真正邊際案例 |
| 長期願景 | 1:1,000+ 輛（估計） | 約 $0.005-0.01/英里（估計） | 10 萬+ 輛車隊 | 遠端操控成為可忽略成本；完全自動化例外處理 |
| 改善的關鍵驅動因素 | 每次 FSD/AI 模型更新降低每英里 RA 請求頻率；相同操作員處理更多車輛；比例提升；成本下降 | — | — | 遠端操控成本是 AI 能力改善的落後指標 |
| 對比：Tesla 監督模式 | 監督式 FSD 無需遠端操控中心（車內人類安全駕駛處理所有邊際案例） | $0 遠端操控（但人類安全駕駛成本約 $4-6 萬/年/輛，估計） | — | Tesla 奧斯汀無人計程車將需要遠端操控基礎設施進行無人駕駛操作 |
成本曲線在理論上是次線性的，但需要持續的 AI 改善才能實現。機制很直接：每英里 RA 請求頻率每降低一個百分點，相同數量的操作員就能覆蓋比例更大的車隊。每 1,000 英里才需要一次協助（相較於每 100 英里）的 AI 可以用相同的運營人員支持 10 倍規模的車隊。這就是為什麼遠端操控成本正確地被理解為 AI 品質的落後指標——它衡量的是 AI 無法處理情況的頻率，即能力的補數。
第三節——大規模車隊管理：超越遠端操控
遠端操控是最常被討論的車隊管理挑戰，但它只是決定大規模 AV 計劃是否能盈利的六個不同運營維度之一。每個維度都有不同的成本結構，以及 Waymo 和 Tesla 不同的競爭優勢特徵。
| 車隊管理挑戰 | Waymo 的做法 | Tesla 的做法（新興） | 規模複雜性 |
|---|---|---|---|
| 車輛重新定位 | 演算法全天候將車隊重新平衡至需求熱點；尖峰時段將車輛集中在高需求區域 | 相同的演算法重新定位（估計）；類 Uber 需求預測 | 重新定位閒置車輛消耗 EV 里程；平衡重新定位成本與收入機會 |
| 充電後勤 | 車隊必須在離峰時段充電；充電站管理在大規模情況下複雜；Waymo 在站點使用管理式充電站 | Tesla 超充網路加站點充電（Tesla 有基礎設施優勢） | 隨車隊增長：充電瓶頸可能限制每日使用率 |
| 維護排程 | 透過遙測進行預測性維護；複雜感測器陣列（雷達、攝影機、毫米波雷達）需要專業技術員；計劃停機 | 維護更簡單（無光學雷達）；OTA 軟體更新處理大多數問題 | Tesla 結構優勢：無光學雷達維護 = 更低維護複雜性和成本 |
| 事故管理 | 車輛發生事故時：自動文件記錄，遠端操控團隊協調拖車、啟動保險理賠、進行調查 | 奧斯汀發布時相同（估計） | 事故率乘以車隊規模 = 每日事故數；Phoenix/SF Waymo 車隊現已有相當的事故管理能力 |
| 軟體部署 | OTA 更新推送至車隊；部分更新需要在大規模推出前進行驗證測試 | OTA 原生（Tesla 率先推出車用 OTA） | 全車隊 OTA 更新 = 最大的單一運營事件；一次糟糕的更新 = 整個車隊受影響 |
| 乘客溝通 | 車內平板供乘客使用；自動語音；遠端操控可介入乘客溝通 | Tesla 無人計程車預計有類似介面 | 對 NPS 和安全感知至關重要 |
Waymo 和 Tesla 之間的維護複雜性差距是最被低估的車隊管理差異之一。Waymo 的第六代車輛——及其前代第五代車輛——搭載的光學雷達感測器陣列需要專業技術員，平均故障間隔時間比純攝影機系統更長，且損壞時更換費用更高。Tesla 的純攝影機 FSD 方法（無光學雷達）從根本上消除了整個維護類別。在 5 萬+ 輛車隊規模下，這在維護人員和站點基礎設施方面轉化為顯著差異。Waymo 卓越的感知覆蓋（光學雷達在攝影機困難的情境下仍能看到）是以 Tesla 從結構上避免的真實運營成本換來的。
第四節——遠端操控作為擴張瓶頸
遠端操控基礎設施不僅是成本項目——它是 Waymo 和 Tesla 能以多快速度擴大無人車隊的硬性限制。每個新城市、每次車隊規模翻倍，以及每一類新的邊際案例，都需要在 AI 比例改善能消化之前進行相應的運營容量投資。
| 瓶頸類型 | 說明 | 解決時間（估計） | Waymo vs Tesla |
|---|---|---|---|
| 操作員招募流程 | 從 1,500 輛擴展到 15,000 輛需要相應的操作員增長（直到比例改善）；招募加培訓需要 3-6 個月 | 持續進行；與車隊擴張步伐掛鉤 | Waymo 現在面臨此挑戰；Tesla 在奧斯汀無人駕駛發布時將面臨 |
| 地理操控中心擴張 | 每個新城市初始需要當地遠端操控支援（時區、當地道路知識、語言） | 新城市發布 = 6-12 個月運營建設（估計） | Waymo 在那裡發布車隊前必須建設亞特蘭大運營中心 |
| 比例改善依賴性 | 無法在不改善 AI 模型的情況下提升操作員:車輛比例；模型改善需要訓練資料；訓練資料需要更多英里數 | 2026-2028：比例預計隨模型成熟大幅改善（估計） | Tesla 的比例從 0 開始（尚無無人駕駛）；奧斯汀無人駕駛發布時需要快速建設 |
| 認證和合規 | 遠端操作員在某些州可能需要認證；加州要求詳細的 RA 事故報告 | 各州不同；合規增加成本 | AZ/TX 合規負擔較低；CA 最高 |
地理擴張限制特別嚴峻，因為運營知識無法完全轉移。熟悉舊金山施工模式、行人行為和已知邊際案例的操作員，不會自動了解奧斯汀或亞特蘭大的情況。每個新城市對運營團隊來說是一個新的訓練語料庫，就像對 AI 模型一樣。這就是為什麼 Waymo 的城市擴張時間表歷來以年而非月衡量——運營建設是與軟體驗證時間表並行的制約因素。
Tesla 在奧斯汀無人駕駛發布時面臨結構上相似的挑戰，另加沒有現有遠端操控基礎設施可依托的複雜性。從零開始比從成熟基礎擴張更慢；Tesla 可能需要在奧斯汀無人駕駛發布前 12-18 個月進行遠端操控建設，或在 AI 能夠驅動比例下降之前以極度保守的覆蓋範圍和非常高的操作員比例軟發布。
第五節——遠端操控基準評分卡
| 維度 | Waymo | Tesla（預測） | 優勢方 |
|---|---|---|---|
| 目前遠端操控基礎設施 | 運行中：24/7 中心、受訓操作員、成熟協議 | 無人駕駛尚無（監督模式 = 無需遠端操控） | Waymo——運營領先 |
| 操作員:車輛比例（估計） | 今日約 1:10-25；中期目標 1:100+ | 奧斯汀無人駕駛發布時約從 1:5-10 開始（估計） | Waymo——憑經驗取得更佳比例 |
| 遠端操控成本/英里（估計） | 今日約 $0.20-0.40；中期目標約 $0.05 | 今日不適用；無人駕駛發布時約 $0.20-0.40（估計） | 在同等車隊階段相近 |
| 維護複雜性 | 高——光學雷達加複雜感測器陣列需要專業技術員 | 低——無光學雷達；OTA 軟體處理大多數更新 | Tesla 結構優勢 |
| 車隊充電基礎設施 | Waymo 站點充電；無公共超充等效網路 | Tesla 超充網路加站點 = 顯著基礎設施優勢 | Tesla——充電網路護城河 |
| OTA 更新成熟度 | 具備 OTA；Waymo 率先推出 AV 車隊規模軟體更新 | OTA 原生且成熟（Tesla 發明消費級車用 OTA） | Tesla——業界最成熟的 OTA |
| 車隊規模可管理性 | 4 個城市約 2,500-2,700 輛：目前運營可管理 | 奧斯汀約 10-50 輛：輕易可管理 | Waymo——已在有意義的規模下證明運營能力 |
評分卡揭示 Waymo 和 Tesla 在車隊管理方面具有互補的優勢特徵。Waymo 在遠端操控成熟度、操作員比例和已驗證規模方面領先。Tesla 在維護簡單性、充電基礎設施和 OTA 成熟度方面領先。這些優勢並不對稱：Waymo 的遠端操控領先是暫時的（隨著 Tesla 建設奧斯汀運營而侵蝕），而 Tesla 的維護和充電優勢是結構性的（消除光學雷達是永久性設計選擇，超充網路花了十年建設）。如果 FSD 達到與 Waymo 相當的安全性，長期車隊管理的贏家很可能是 Tesla——不是因為 Tesla 的遠端操控會更好，而是因為其維護和充電成本結構本質上更低。
注意： 所有標有「（估計）」的數字均來自截至 2026 年中的公開市場資訊、公司揭露、分析師估算和產業報告。本文不構成投資建議。
來源
- Waymo 遠端協助與營運——Waymo 安全報告 ↗
- AV 車隊管理最佳實踐——蘭德公司 ↗
- Tesla 遠端無線更新——Tesla ↗
- Waymo 事故報告——加州 DMV 自動駕駛車輛報告 ↗
- AV 遠端操控產業概覽——TechCrunch ↗