人在監督

3 秒看懂

人在監督不是披著科技外衣的“遠端監控”，而是一套目標導向的動態權限分配系統。在這個架構中，自主系統（如L4級自動駕駛、工業機器人叢集、AI決策引擎）在其被嚴格定義的“執行設計域”內獨立完成感知、規劃與執行的全部迴圈，人類操作員退居為目標設定者、異常仲裁者和安全兜底者。關鍵區別在於：人類不再參與每一個微觀決策，而是監控系統是否執行在預設邊界之內，並在邊界即將被突破的瞬間介入，提供系統尚不具備的常識推論與倫理判斷。

核心價值在於在不犧牲效率的前提下保留人類的終極控制權。一個訓練有素的操作員可以同時監督數十個甚至上百個自主單元，只在系統發出高置信度異常警報時才切換進入決策迴路。這不僅是工程選擇，更是面對當前AI系統性缺陷——缺乏因果推論、泛化能力有限、可解釋性不足——時，監管合規與商業落地之間唯一可行的折中路徑。

需要注意的是，“人在監督”不是過渡方案，而是長期存在的人機協同架構。即便未來AI能力大幅提升，只要系統執行環境中存在不可預見的尾部風險，人類監督者就將以更高層次的“價值對齊監督”形式持續存在。

3 分鐘產業解釋

“人在監督”是自動化控制譜系中承上啟下的關鍵範式，其產業價值在於將人類稀缺的認知資源（判斷力、常識、倫理推論）從重複性監控勞動中解放出來，集中配置在最需要它們的邊緣場景上。它介於“人在迴路內”——人類直接操控每一個指令——與“完全自主”——系統包攬全部決策——之間，是當前AI技術能力與產業安全需求博弈後的均衡點。

在產業實踐中，這一架構同時解決三重矛盾：

其一，效率與成本的矛盾。 傳統“人在迴路內”模式下，一個人管一臺機器，人力成本隨規模線性增長。在HotL架構下，一個人監督一個機群（如無人礦區卡車編隊、倉儲AGV叢集、巡檢無人機蜂群），人效獲得數量級提升。據高盛2024年釋出的重卡自動駕駛行業分析，一個遠端監督員管理編隊模式下10-20輛L4級幹線物流卡車，可使單公里人力成本從傳統人工駕駛的約1.5-2.0元降至0.2-0.3元區間（來源：Goldman Sachs Equity Research，2024年，中國幹線物流場景估算，口徑含司機薪酬、社保及管理成本分攤；此為分析師預測資料，非已實現商業運營資料）。

其二，安全與責任的矛盾。 純AI系統在面對訓練資料中未曾出現的“尾部事件”時，其行為不可預測且難以追責。HotL通過保留人類作為“最終決策責任人”，為自動駕駛、醫療AI輔助診斷、金融演算法交易等高風險場景提供了一個法律與倫理上可接受的責任歸屬錨點。這並非說人類必須參與每一次決策，而是說當系統行為可能引發重大損害時，必須存在一個能夠理解態勢、做出判斷併為之負責的人類實體。

其三，監管合規與創新速度的矛盾。 全球主要經濟體的監管架構——如歐盟《人工智慧法案》、中國《汽車駕駛自動化分級》國家標準、美國加州車管所的自動駕駛部署許可——均將“人類監督者能夠隨時接管控制權”作為L3/L4級自動化系統商業部署的前置條件。因此，HotL不是錦上添花，而是市場準入的硬性門檻。

產業對HotL的需求正從“被動合規”轉向“主動增效”。早期階段，企業部署HotL主要出於滿足法規要求；而現在，頭部玩家越來越多地將其視為建置運營效率護城河的工具。誰能在保障安全的前提下最大化單人監督系統的數量，誰就能在單位經濟模型上碾壓對手。這催生了一條完整的技術供應鏈：高效能人機介面、異常檢測演算法、低延遲遠端通訊、接管決策輔助系統，以及專門針對監督任務的人類因素工程研究。

技術原理

人在監督的技術實現是多層次系統整合工程，其核心在於精確界定“感知—判斷—行動”迴圈中人類與機器的職責邊界，並建置高效、可靠、低認知負荷的人機接力通道。

整個系統可抽象為三層架構：

第一層：自主執行層。 這是AI系統獨立作業的領地。它包含環境感知（感測器融合、目標檢測、場景理解）、路徑或方案規劃（軌跡生成、任務排程）以及執行控制（車輛操控、機器人運動控制）。在這一層，系統在其“執行設計域”內全權負責，人類監督者不接受底層感測器原始資料或中間規劃過程，只接收高度抽象的狀態摘要。

第二層：監督與仲裁層。 這是HotL區別於完全自主的關鍵。該層由若干並行執行的子系統組成：

• 健康與狀態監控：通過嵌入式診斷探針持續檢測硬體（感測器、執行器、計算單元）和軟體（作業系統、中介軟體、AI推論引擎）的健康度，以心跳訊號、錯誤日誌、資源使用率等形式上報。一旦檢測到降級，立即觸發相應等級的告警。
• 不確定性估計：這是當前的技術前沿。AI模型不只是輸出“決策是什麼”，還要輸出“對此決策有多大的把握”。技術手段包括貝葉斯神經網路、模型整合預測方差、基於距離的分佈外檢測等。當模型置信度跌破預設閾值，或輸入特徵偏離訓練分佈時，主動將控制權標記為“有待人類確認”。
• 執行設計域邊界監測：系統持續評估當前環境條件是否仍在預設邊界內。例如，自動駕駛系統即時監測道路型別、天氣、交通參與者密度與行為複雜度，一旦逼近或超出邊界（如從高速公路駛入混亂的集市），立即預警並請求人類介入。
• 異常檢測引擎：獨立於主AI模型的“哨兵”模組，專注於發現偏離預期模式的行為——無論是外部環境突變（其他交通參與者異常行為）還是內部系統故障——並決定是否需要人類仲裁。
• 通訊與同步匯流排：承載系統狀態流（上行）和人類指令流（下行）的傳輸層。上行資料是高度壓縮、語義化的態勢摘要，如“前方120米檢測到未識別障礙物，置信度62%，建議制動或向右變道”；下行指令則是結構化、可執行的控制意圖，如“批准變道”或“立即制動並開啟雙閃”。頻寬要求不高，但對延遲和可靠性的要求極端苛刻，通常需滿足100ms以內的端到端指令送達。

第三層：人類監督介面。 這一層負責將第二層產出的結構化態勢資訊，轉化為人類直覺可快速理解的互動形式，並將人類的決策轉化為機器可執行的控制指令。這不是簡單的“大屏監控”，而是需要深刻的人因工程設計：

• 情境化資訊呈現：不是列出所有異常，而是突出當前最關鍵的威脅並提供上下文。例如，用增強現實方式在即時影片流上疊加碰撞風險區域，而非彈出文字警告框。
• 接管輔助決策：在緊急干預場景中，系統應預計算若干可行方案並排序推薦，將人類的認知任務從“分析+創造方案”降低為“評估+選擇方案”，在毫秒級到秒級的時間視窗中完成有效干預。
• 主動參與機制：為對抗“自動化自滿”，介面需要設計間歇性的、需要人類主動解讀或確認的互動點。研究表明，完全被動的監控任務會導致注意力迅速衰減；“人在監督”中的最優狀態是維持一個低但非零的認知參與水平。

三者協同執行形成持續的資料閉環：監督者的每一次干預——無論是批准、糾正還是中止——都是一次高質量的標註訊號，被記錄並用於後期分析、模擬環境建置以及AI模型的迭代訓練。這是HotL系統能夠隨時間演進、逐步擴充套件自主邊界的底層引擎。

關鍵引數

評估一個HotL系統的成熟度與效能，需從自治系統性能、人因工程、安全可靠性與經濟效率四個維度綜合度量。以下列出公開文獻與行業實踐中常用的關鍵引數，但需注意，由於HotL散見於各垂直行業，目前尚無統一的跨行業基準。

一、自治系統維度

• 執行設計域覆蓋率：系統在設計邊界內可獨立處理的場景佔總場景的比例。該指標由製造商基於路測、模擬與統計分析宣告，需經過獨立第三方或監管機構驗證。公開資料未見跨廠商統一標準。
• 平均自主執行里程/時長：在典型運營條件下，兩次人類干預之間的間隔里程或時長。Waymo在2024年提交給加州車管所的報告顯示，其Robotaxi服務在鳳凰城與舊金山的平均每千英里干預次數已降至極低（具體數字因統計口徑不同而有差異，需查閱Waymo Safety Report最新版本）。
• 預測不確定性校準度：模型輸出的置信度與真實準確率之間的一致性。理想狀態下，當模型說“90%把握”時，應有90%的真實準確率。此為學術評估常用指標，商業化部署中通常不公開揭露。

二、人因工程維度

• 態勢感知水平：監督者對當前系統內外環境關鍵要素的感知、理解與預測能力，可通過SAGAT等方法在模擬環境中量化評估。
• 接管時間：從系統發出接管請求到人類操作員完成態勢重建並開始有效介入所需時間。該指標高度依賴於具體場景、介面設計與監督員負荷狀態。自動駕駛文獻中常引用約6-10秒為典型時間視窗，但公開資料未見強制性標準。該指標由車輛與監督中心之間通訊延遲、介面資訊呈現效率以及人類認知加工速度共同決定。
• 認知負荷：監督員在多工並行情況下的心理資源佔用率，可通過NASA-TLX量表、眼動追蹤或功能性近紅外光譜等神經工效學手段測量。

三、安全與可靠性維度

• 非預期干預率：因系統不必要的保守而觸發人為接管的比例。過高的非預期干預將侵蝕運營效率並引發監督員“報警疲勞”。
• 關鍵干預成功率：在真實或模擬尾部事件中，監督員在給定時間窗內成功採取恰當措施以避免或減輕事故的比例。這是衡量HotL最終安全兜底能力的核心指標。
• 系統韌性指數：在部分元件失效或通訊降級後，系統仍能維持最低安全執行能力的程度及其恢復時間。

四、經濟效率維度

• 人機比：一個全職等效監督員同時管理的自主單元數量。該指標是平衡安全性與經濟性的核心槓桿。倉儲物流領域有資料提及AGV人機比可達1:20或更高（來源：行業白皮書及物流自動化解決方案商宣傳資料，具體數字因倉庫型別、流程複雜度而異，無統一口徑）。2024年礦山無人駕駛公開報道中提及，部分示範專案已實現1:10以上的常態化編隊監督人機比（來源：行業媒體報道，非上市公司揭露的經審計資料）。
• 單位運營成本降幅：與純人工模式相比，部署HotL後單位任務（如每噸公里運輸、每單倉儲履約）的成本下降百分比。該指標需註明年份、成本構成假設及對比基線，具體數字屬公司商業機密，公開資料少有詳盡揭露。

技術路線

“人在監督”並非單一技術路徑，而是一個在不同自動化級別、不同任務屬性、不同人機信任關係下呈現多種形態的控制哲學。據業界實踐與學術研究，可歸納出以下主要技術路線及演進方向。

路線一：基於規則的漸進式監督 這是當前工業界部署最廣泛的路線。系統被預先劃分為若干執行域，在每個域內明確定義“機器自主處理”與“須人類確認”的邊界規則。規則來源於專家知識、安全分析和歷史事故經驗。優點是行為可預測、可審計、易於獲得安全認證；缺點是規則庫覆蓋範圍有限，面對未知場景時傾向於過度請求人類干預，人機比提升天花板較低。

• 典型應用：工業機器人單元、自動倉儲系統、核電站巡檢。
• 代表思維：將人類視為“規則引擎的補丁”。

路線二：基於AI置信度的自適應監督 針對規則路線泛化能力不足的痛點，該路線讓AI模型輸出每個決策的置信度評分，並依據動態閾值決定是否將控制權呈交人類。閾值本身可變：在高風險場景下，即便較高的置信度也觸發確認；在低風險場景下，可容忍更低的置信度以換取效率。

• 關鍵技術：貝葉斯深度學習的不確定性量化、模型整合方差、分佈外檢測。
• 典型應用：L3/L4級自動駕駛、AI醫學影像診斷複核、金融反欺詐模型報警稽核。
• 挑戰：模型校準難度高，置信度評分可能產生系統性偏差（過度自信或過度保守）；人類監督者對機率資訊的直覺解讀可能存在偏差。

路線三：基於數字孿生的模擬監督 針對某些真實環境成本極高或危險性極大的場景（深海作業、太空任務、化工事故處理），HotL進化出“先模擬、後執行”的變體。自主系統在數字孿生環境中推演多個行動方案的後果，人類監督者在模擬環境中評估各方案並做出選擇，最後授權最有把握的方案在物理世界中執行。

• 技術與原語：高保真物理引擎、即時3D渲染、高效能運算。
• 風險提示：模擬與真實世界的“現實鴻溝”是致命短板；若模擬模型未準確反映物理世界的關鍵特性，人類在模擬中做出的“正確”決策可能在現實中引發災難。

路線四：目標級與價值對齊監督 這是面向未來的技術方向，目前主要在學術實驗室與少數前沿專案中探索。核心理念是：隨著AI能力增強，人類不必監督AI的每一個具體動作，而只需監督AI是否正朝著正確的大方向前進。人類設定高層目標與價值觀邊界，AI自行分解子任務、規劃路徑並執行，僅當體系檢測到AI的行為可能偏離人類核心意圖或價值觀時方發出警示。

• 推動技術：大語言模型、基礎世界模型、逆強化學習、基於人類反饋的強化學習。
• 現狀：該路線仍處早期研究階段，尚不具備在安全攸關領域商用的條件，但指明瞭一個趨勢：監督負荷將隨AI成熟度提升而逐漸從戰術層面向戰略層面遷移。

路線選擇的核心權衡 公開資料未見適用於所有行業的路線選擇公式。實踐中需平衡：

• 安全性與效率：規則路線更安全但效率天花板低；置信度路線效率更高但對AI可解釋性與校準度要求苛刻。
• 人力成本與研發成本：監督員人力成本越高的行業，越有動力投資AI以提升人機比。
• 可審計性與監管要求：強監管行業天然偏好可解釋、可追溯的規則路線或人可理解的置信度路線。

上游

“人在監督”的產業落地依賴多條上游技術供應鏈的成熟與協同。這些上游環節的進展，從底層決定了HotL系統的效能上限與部署成本。

AI模型與演算法 自主系統的一切能力都源於其內建的AI模型。上游包括：感知模型（計算機視覺、雷射雷達點雲端處理、語音識別）、預測模型（行為預測、軌跡生成）、規劃與決策模型（路徑規劃、強化學習策略）、生成式模型（大語言模型、擴散模型用於場景生成與輔助決策）。關鍵制約因素在於模型的泛化性、魯棒性與不確定性量化能力。2024年，OpenAI、Google DeepMind、Anthropic等基礎模型提供商在前沿模型的能力上持續突破，但在安全攸關的具身智慧場景中，模型的幻覺、不可解釋性與分佈外脆弱性仍是未解決的工程難題。尚無公開證據表明任一基礎模型已滿足無監督地在物理世界關鍵決策中執行的條件。

感測器與計算硬體 HotL的上行鏈路依賴高質量、低延遲的感測資料。雷射雷達、4D毫米波雷達、高解析度攝像頭、慣性測量單元等感測器的成本曲線、可靠性、環境適應性直接影響系統部署的可行性與規模。邊緣計算晶片（如NVIDIA Orin、高通Snapdragon Ride、地平線征程系列）的算力、功耗與即時性，決定了本地的感知推論能否在毫秒級完成並生成可供監督者理解的結構化摘要。市場現狀：2024年，車規級大算力晶片仍以國際廠商為主導，中國廠商在價效比與特定場景最佳化方面進展較快（來源：公開財報及行業分析報告；具體份額資料參見各半導體市場研究機構季報）。

通訊基礎設施 監督通道對通訊的要求是低延遲、高可靠、安全加密。在自動駕駛與無人機叢集等移動場景中，5G蜂窩網路（尤其是URLLC超可靠低延遲通訊切片）和衛星通訊是關鍵技術。延遲抖動和盲區是致命缺陷。2024年，全球5G獨立組網覆蓋率仍在提升中，礦區、遠洋、空域等特種作業場景的專用網路部署存在較高成本門檻。公開資料未見全球統一的“監督用通訊網路可用性”基準資料。

人機互動技術 這是最容易被低估的上游環節。增強現實/混合現實頭顯（Apple Vision Pro、Meta Quest、微軟HoloLens及工業AR裝置）、空間計算、眼動追蹤、手勢識別、高保真觸覺反饋等技術，決定了人類監督者能否以最符合直覺的方式接收態勢資訊並下達指令。2024年，Apple Vision Pro的釋出將空間計算的產業關注度推至新高，但其在工業監督場景中的實用價值（重量、續航、生態、價格）仍有待驗證。

模擬與數字孿生平台 訓練監督員、測試極端場景離不開高保真模擬。上游模擬引擎（如NVIDIA Omniverse、Carla自動駕駛模擬器、AirSim及各類自研平台）提供虛擬環境，對物理世界關鍵特性進行復刻。模擬對現實差距是永恆的難題。上游模擬平台發展的趨勢是從“人類手工搭建場景”轉向“生成式AI自動生成多樣化的尾部事件場景”，以提高覆蓋度和降低場景建置成本。

資料標註與測試服務 監督過程中產生的干預資料需要回流標註並用於模型迭代。上游的規模化資料標註服務商、場景庫建置商、獨立測試驗證機構構成基礎支援層。代表公司包括Scale AI，以及各自動駕駛公司自建或外包的標註團隊。

下游

“人在監督”架構的下游應用場景廣泛，任何要求自主系統在複雜、開放、高風險環境中執行並必須接受人類終極管轄的領域，都是其潛在落地點。以下是幾個需求最迫切的垂直賽道。

自動駕駛 這是HotL最受關注、也最具商業前景的下游。根據SAE J3016分級，L3級（有條件自動駕駛）和L4級（高度自動駕駛）的標準架構均要求系統在超出執行設計域時向人類發出接管請求，若人類未及時響應則由系統執行最小風險策略。2024年，業界動態分兩路：一路是以Waymo、百度Apollo、小馬智行等為代表的Robotaxi玩家，在城市限定區域內逐步去掉安全員，將遠端監督員集中部署在監控中心；另一路是以特斯拉FSD為代表的漸進式路線，強調量產車上的駕駛員監控系統與系統能力同步升級。中國2024年以來已向多家企業發放L4級公開道路商業化試點許可（來源：各地方交通運輸主管部門公告），此類許可均要求建立遠端監控與干預能力，從而直接創造HotL基礎設施與運營服務的需求。市場規模方面，公開資料未見專門針對“自動駕駛遠端監控服務”的獨立統計，可作為自動駕駛運營服務市場的組成部分予以估算，部分諮詢機構對全球Robotaxi市場規模的預測可作為參考上界（參見下文“市場規模”一節）。

倉儲物流與工業移動機器人 電商履約中心、製造業工廠內部物流是HotL實現“一人管一群”效應的理想環境——環境半封閉、任務標準化、參與者行為相對規範。亞馬遜Kiva系統及中國極智嘉、海柔創新等廠商，均將“單操作員管理倉庫內數百臺AGV”作為核心價值主張。2024年，中國倉儲移動機器人市場出貨量持續增長，熱錢湧入的同時價格競爭也日趨激烈（來源：行業媒體公開報道；具體財務數字參見相關上市公司招股書及年報）。這是一個進入壁壘中等、但規模化盈利能力突出的賽道。

農業無人機與精準農業 農用植保無人機叢集已在中國、日本、東南亞等地大規模應用，從早期一人遙控一架，演進至一人監督多機編隊協同作業。大疆農業等龍頭企業的技術方案已支援航線規劃自主、障礙物自動避讓，操作員通過行動端或PC端監督作業狀態，僅在電量不足、異常停機或闖入禁飛區時介入。

國防與安防 無人機偵察叢集、排爆機器人、無人值守邊境巡邏系統，是政府對HotL最核心的需求方。出於國家安全考慮，此類系統對通訊安全、抗干擾、脫離監督後行為可預測性的要求遠高於商業場景，且供應鏈審查嚴格。相關部署規模、技術規格和預算屬於非公開資訊。

能源與關鍵基礎設施 核電站巡檢、海上石油平台作業、高壓輸電線巡檢、深海採礦等環境，因高溫、高壓、輻射、有毒氣體或極端地理位置而對人工極不友好，遠端監督下的自主特種機器人成為剛需。該領域往往要求系統通過極其嚴苛的安全認證，技術迭代速度慢於消費級或商用車市場。

醫療健康 AI輔助診斷系統在放射科、病理科的滲透率持續上升。當前主流應用可歸入“人在迴路上”或“人在監督”譜系：AI預篩出可疑病灶並標註，人類醫生作為診斷結果的責任人進行復核。遠端手術的監督與控制，受限於通訊延遲與倫理法規，仍在極早期探索階段（截至2024年，公開資料中遠端手術仍以“點對點人工遙控”為主，嚴格意義上的“人在監督”範式未見成熟的商用案例）。

受益公司

本節梳理在“人在監督”產業鏈上佔據關鍵位置或已展現差異化競爭力的代表性公司，涵蓋上市公司與非上市公司，不構成任何投資建議，僅作產業格局索引使用。

說明：所有公司列舉僅基於公開資訊整理，公司入選基於其在HotL相關的技術棧或商業模式中的可見度，排序不分先後。

自動駕駛與移動出行運營商

• Waymo（Alphabet Inc.旗下）：作為全球L4 Robotaxi技術標杆，Waymo擁有自研的遠端協助與車隊監控系統，已在鳳凰城與舊金山開展無安全員的付費運營。其遠端監督實踐代表了行業最成熟水平之一。母公司Alphabet財報中將Waymo歸入“Other Bets”板塊，未單獨拆分營收。
• 特斯拉：其FSD系統雖被歸為L2+級（需駕駛員持續監控），但其駕駛員監控系統、資料閉環架構和龐大的車隊規模，使其成為HotL技術演進中不可忽視的力量。特斯拉在2024年三季報中揭露了FSD累計里程與接管率等指標（參見特斯拉官方釋出的安全報告，此為自身釋出資料，非第三方審計）。
• 百度Apollo：在中國運營著規模最大的開放道路Robotaxi車隊之一（蘿蔔快跑），2024年已獲准在北京、武漢、重慶等城市開展車內無安全員的商業化試點。遠端監控中心是其合規運營的基石。百度財報中將自動駕駛業務營收與智慧雲端、小度等合併於非線上營銷營收板塊，公開資料未見單獨拆分營收。

汽車Tier 1與自動駕駛解決方案商

• Mobileye（英特爾旗下，已分拆上市）：提供從晶片、感知系統到駕駛策略的全棧解決方案，其RSS（責任敏感安全）模型本質上是一套形式化的安全規則架構，為HotL的接管決策提供可驗證的數學基礎。
• 地平線（港交所上市）：中國智慧駕駛計算方案頭部提供商，征程系列晶片被大量OEM用於L2+系統，為支撐駕駛員監控與部分自動駕駛功能提供算力基礎。

物流與倉儲自動化整合商

• 海柔創新、極智嘉：分別代表箱式倉儲機器人與貨架到人AGV領域，其系統架構天然支援HotL模式下的叢集排程與異常干預。海柔創新為未上市企業，融資資訊參見公開揭露；極智嘉於2024年提交港交所上市申請，具體財務資料以招股書為準。
• 亞馬遜：亞馬遜機器人部門（原Kiva Systems）是倉儲大規模機器人協同與監督的先驅，其內部部署的機器人數量與管理模式未對外完整揭露，可視為HotL在該領域的未上市參考標杆。

人機互動平台與硬體

• Apple：Apple Vision Pro釋出後，空間計算在工業遠端監督與協同中的應用潛力被廣泛討論。目前（截至2024年末）尚處於生態建設初期，未有量產工業案例。
• Meta：Quest系列VR/MR頭顯在企業和培訓市場有一定滲透，部分國防與工業整合商已基於此進行遠端監督原型方案開發。

國防工業整合商

• Anduril Industries（美國防務科技獨角獸）：專注軟體定義防務系統，其Lattice指揮平台將多源感測器、無人機和自主系統統一監控，是“人在監督”在國防領域的典型架構。該公司未上市，融資估值資訊參見公開財經報道。
• 中國軍工集團下屬院所：相關技術和產品資訊均涉及國家秘密，公開資料未見。

AI資料與測試基礎設施

• Scale AI：為眾多自動駕駛和AI公司提供訓練資料標註、模型測試與評估服務。其服務直接支撐監督過程產生的干預資料迴流。公司未上市，主營業務與估值參見公開財經媒體。

免責重申：以上僅為產業格局示例，不作為任何形式的投資推薦或價值判斷。公司業務發展具有不確定性，請讀者依據自身情況獨立研究判斷。

市場規模

“人在監督”作為一個覆蓋多個垂直行業的系統架構與運營模式，全球範圍內尚無專門組織的獨立市場規模統計。其市場可理解為若干相關市場的交集或部分加總，包括：AI安全與治理軟體、遠端操作與監控服務、人機介面、自動駕駛運營服務，以及各垂直領域自主系統部署中與監督相關的軟硬體投入。

以下從幾個可觸及的維度提供參考架構與資料錨點。所有資料均需嚴格註明年份、統計口徑及來源，缺口處如實說明。

自動駕駛運營服務市場（可作為HotL服務市場重要上界參考） 多家諮詢機構對全球Robotaxi市場規模做出了遠期預測。例如，麥肯錫在2023年釋出的研究中預測，全球Robotaxi市場營收至2030年可達數百億美元量級（來源：McKinsey & Company, 2023年；具體數值因引用版本和情景假設不同而各異，請以最新報告為準）。需注意，此類預測覆蓋整個出行服務營收，HotL相關的遠端監控軟體、通訊與人力成本僅為其中一小部分，且行業內尚未形成獨立的成本核算與市場報告體系。中國方面，中國信通院及相關行業協會對車聯網和智慧網聯汽車產業規模有定期估算，但未專門拆分遠端監控市場。

工業機器人與倉儲自動化市場 據國際機器人聯合會資料，2023年全球專業服務機器人（含物流、巡檢、農業等）銷售額保持增長，其中倉儲物流機器人是增長最快板塊之一（來源：IFR, World Robotics 2024報告；具體數值以報告實際發表為準）。“人在監督”作為這些機器人系統協同排程與人效提升的核心範式，其軟體平台與整合服務通常包含在整體解決方案合同內，難以單獨量化。

人機介面市場 據IDC 2024年釋出的資料，全球AR/VR頭顯出貨量在2023-2027年間預計將以一定的複合年增速增長，其中商用及工業場景佔比持續提升（來源：IDC Worldwide Quarterly Augmented and Virtual Reality Headset Tracker，2024年某季度釋出版；具體數字以IDC官網可查證的最新公開摘要為準）。遠端協助、遠端監督是工業AR的重要應用場景之一，但公開資料未見將其從“工業AR應用”大類中細拆的獨立市場規模。

核心判斷 “人在監督”的市場價值，更多體現為能力型基礎設施的投入，而非獨立的終端產品市場。在自動駕駛全面鋪開、工業具身智慧大規模商用的前夕，其市場處於早期加速階段，增長速度與上述下游領域的滲透速度高度正相關，但量的確切刻畫受制於統計口徑缺失。公開資料目前未見經過獨立第三方審計、口徑統一的全球HotL市場總額歷史資料或預測底稿。

玩家對比

鑑於“人在監督”跨行業、跨層級的特性，玩家對比需限定在特定垂直賽道內進行，否則將缺乏可比性。以下選取自動駕駛L4級遠端監控這一最具典型性的場景，基於2024年公開可得資訊，對主要玩家進行定性架構對比。

對比維度	Waymo	Cruise	百度Apollo	Zoox
運營模式	自研自運營Robotaxi車隊	自研自運營Robotaxi；2023年底以來處於恢復運營階段	自研自運營（蘿蔔快跑）；開放平台，與OEM合作	自研自運營；亞馬遜全資子公司
遠端監督實踐	車隊響應與遠端協助；不直接遙控車輛；提供路徑建議，由車載系統執行	2023年事故後暫停全部無人運營；公開資料未見最新詳細的遠端監督操作協議更新	5G雲端代駕；支援必要時遠端操控車輛；在國內多個城市部署遠端監控中心	公開資料未見詳細揭露；已知設計理念為雙向無方向盤車輛（非傳統接管思路）
接管統計公開度	定期釋出安全報告，包含部分統計指標（需注意統計口徑）	事故後資訊揭露收緊，公開資料有限	公開揭露較少，部分運營資料見於地方交通主管部門公告	尚未公開運營，無公開接管資料
系統設計哲學	保守；限定執行設計域；寧願停止或低速行駛也不輕易交還人類	事故前設定擴張節奏較為激進；現已大幅調整	技術指標與擴張速度兼顧；借力中國5G基礎設施與地方政策先行先試	從零設計全無人車輛；不依賴傳統駕駛位接管邏輯
2024年關鍵狀態	商業化付費運營；進一步向新城市擴充套件	逐步恢復有人監督測試，調整管理層與安全流程	訂單量高速增長，仍處大規模燒錢補貼階段	在特定區域進行封閉測試與內部員工試乘
財務資料可獲得性	非獨立上市公司；母公司財報“Other Bets”板塊包含Waymo，未單獨列示營收獲利	通用汽車旗下；Cruise虧損資料在通用汽車財報中部分揭露	百度財報中未單獨拆分自動駕駛營收；公開資料僅有百度管理層在電話會中對部分運營指標的定性或定量描述	亞馬遜全資子公司，財務資料未公開上市或單獨揭露

注意：以上對比基於公開資料整理，部分公司對技術細節和運營資料高度保密，此處呈現不可避免存在資訊不對稱。“公開資料未見”指在可及的常規研究渠道（公司官網、監管檔案、主流財經與科技媒體報道）中未檢索到相關資訊，不排除其在非公開場合或受限渠道中已有揭露。

跨賽道速覽

• 傳統汽車OEM vs 科技公司：多數傳統OEM採用“漸進式”L2+/L3路線，依賴Mobileye、高通或地平線等供應商的晶片與感知方案，將“駕駛員監控系統”與“部分自動化”打包；科技公司則偏向L4直接落地，自研全棧並自建遠端監督中心。二者對於“人在監督”的理解深度和運營投入差距顯著。
• 中美差異：美國Waymo和Cruise傾向於技術能力驅動，強調車載系統在絕大多數場景下獨立決策；中國廠商更偏好“車路雲端一體化”和“5G雲端代駕”，願意在基礎設施層面為遠端監督與遙控提供更多冗餘，這與兩國不同的通訊基礎設施發展水平、監管偏好和道路環境有關。

風險

“人在監督”的大規模產業落地並非坦途，其面臨的風險橫跨技術、人因、法律以及商業可持續性等多個維度。這些風險若不能被有效管理，可能將嚴重侵蝕HotL架構的安全承諾與經濟價值。

自動化自滿與監督員技能退化 這是被航空、核電、軍事等領域反覆驗證的人因頭號風險。當系統日復一日在99.9%的時間內表現完美，人類監督者的警覺性幾乎必然衰減。他們可能錯過那條十萬分之一的關鍵警報，或者在接管請求降臨後因情境意識喪失而無法短時間內重建對局勢的理解。這不是個別監督員的“失職”，而是人類認知系統的固有侷限。任何不將這一風險置於設計核心位置的HotL系統，都是在未來某一時間點埋下災難的種子。

接管質量的不可靠性 召回一個正在刷手機或在處理其他任務的監督員，要求其在幾秒之內接替一個高速行駛的自動駕駛車輛、處理一場無人叢集中突發的通訊中斷、或斷定一個AI交易模型是否已陷入未曾見過的市場結構裂變——這種“冷啟動式干預”的成功率究竟如何，缺乏大規模公開實測資料的驗證。在某些場景下，倉促的人類干預甚至可能造成比機器獨立處理更糟的後果。

責任歸屬的灰色地帶 當事故發生時，是AI系統、監督員、僱主公司還是系統設計者的責任？在事故鏈條涉及人與機器多次互動、歷史決策疊加的情況下，司法實踐遠未形成共識。這種不確定性可能導致最優風險承擔行為的扭曲：企業可能過度保守（將所有風險推給監督員），或監督員可能普遍焦慮（因害怕擔責而不敢幹預）。

網路安全與對抗性攻擊 監督通道是寶貴的攻擊面。無論是通訊鏈路被劫持、欺騙性資料注入，還是干擾AI對態勢的判斷並誘導監督員做出錯誤決策，任何缺口都可能在物理世界造成生命財產損失。對於國防與關鍵基礎設施應用，這是國家級的威脅。

技術鎖定與供應商依賴 HotL是一項系統整合工程，一旦選擇某一技術棧（特定模型、通訊協議、HMI平台），替換成本極高，可能導致客戶長期受制於單一供應商的更新節奏、定價與安全漏洞響應速度。

人機比的經濟可行性天花板 提升人機比是HotL的核心經濟動力，但人機比的提升並非無極限。隨著監督單元數量增多，監督員認知過載的風險劇增，系統對通訊和計算資源的需求非線性上升，可能出現“安全邊界”與“盈利邊界”在實現經濟可行之前就相互牴觸的窘境。

可信度泡沫 部分公司為加速商業化，可能在內部採用寬鬆的干預統計口徑，或將大量執行設計域外場景標記為“人工干預場景”以對沖責任，對外呈現的接管率資料無法反映真實的系統能力。監管滯後於技術發展可能導致這種資訊不對稱持續存在。

以上風險在學術文獻（參見IEEE、ACM相關人因與AI安全會議論文）、行業事故調查報告（如美國NTSB對部分涉及輔助駕駛的事故報告）以及監管機構諮詢檔案中均有不同程度的討論，但公開資料中缺乏統一的量化風險評估基準。

誤讀糾偏

誤讀一：“人在監督就是系統不行的時候人才上，是技術不成熟的過渡產物” 糾偏：這是一種主動的、將被長期需要的安全架構設計，而非權宜之計。 即便在未來AI能力大幅躍升的情況下，執行環境中不可窮舉的尾部風險將持續存在。“人在監督”是將人類的泛化能力、價值判斷與機器的不知疲倦、毫秒級反應組合在一起的“共生系統”，其目標是超越純人或純AI系統的能力上限。將它視為“過渡方案”會從根本上低估建置可靠的人機協同所需的系統工程投入，以及由此衍生的產業護城河深度。

誤讀二：“實現人在監督就是裝一套大屏監控軟體” 糾偏：這種理解將複雜的系統工程矮化為“視覺化儀表盤”。 介面只是冰山水面之上的一角。水面之下包括：AI模型的不確定性量化（知道何時該請求幫助）、異常檢測演算法（知道出了什麼事）、人因工程（如何呈現資訊才能讓監督者在幾秒內做出生死攸關的正確判斷）、通訊冗餘、權限控制、監督員篩選與持續認證、干預資料迴流的工程管線，以及一整套覆蓋設計與執行的合規與安全論證體系。認為買一套大屏系統就完成了人在監督的部署，就像認為刷白線就建成了一座現代化醫院。

誤讀三：“只要保留人類最終控制權，安全就有兜底” 糾偏：保留控制權不等於能有效行使控制權。 前述“自動化自滿”風險已經說明，單純的法律責任歸屬不能自動轉化為實際安全。安全是設計出來的，不是“掛名”出來的。缺乏針對性的認知負荷管理、定期模擬演練和主動參與機制，將被動的“保留控制權”等同於“有效控制”，是典型的形式主義安全觀。

誤讀四：“資料越多、AI越強，人在監督的比例會持續降低，直至完全不需要人” 糾偏：這在邏輯上可能成立，但在複雜開放系統中尚無證據支援這一線性遞推。 隨著AI處理常見場景的能力提升，剩下的需要人類介入的場景會越來越趨於極端、罕見、因果鏈條複雜，其對這些“長尾中的長尾”事件的判斷難度可能不降反升，要求的監督者素質甚至更高。監督任務將從頻次降低但難度升高兩個方向上共同演變，而非單向衰減至零。

誤讀五：“人機比越高，系統越先進” 糾偏：人機比是經濟指標，不是純粹的技術先進性指標。 一個人同時監督100個單元，在技術上是可能的，但如果這意味著在真實緊急事件中接管有效性大幅下降，其安全性可能反而不如1:20的系統。先進性的正確度量應當是“在滿足既定安全等級約束下的最大可行人機比”。

最新事件

本節以2024年為觀察視窗，收錄與“人在監督”直接或高度相關的產業發展動態，涵蓋監管里程碑、頭部玩家關鍵決策、技術探索與安全事件。資訊截至2024年第四季度公開可查範圍。

監管與政策里程碑

• 歐盟《人工智慧法案》正式生效（2024年）：明確高風險AI系統必須設計為“可由自然人在其使用期間進行有效監督”，並對人類監督措施提出了具體要求，包括理解系統能力與侷限、能夠正確解釋輸出、能夠決定在任何特定情況下不使用或推翻系統等。這標誌著“人在監督”在主要經濟體立法中從理念原則進入實操架構（來源：European Commission, AI Act, 2024年官方釋出文本）。
• 中國多城市擴充套件L4自動駕駛全無人商業化試點（2024年）：北京、武漢、深圳等地持續擴大車內無安全員的Robotaxi運營區域併發放新許可，同步要求許可持有人建立符合規範的遠端監控平台（來源：各市交通/工信主管部門公告）。由此衍生出對遠端監控中心建設、通訊保障、人員培訓與認證的標準化需求。

頭部玩家動態

• Waymo完成56億美元融資，持續擴大運營（2024年）：Waymo在2024年宣佈完成新一輪大額融資，用於向新城市擴張Robotaxi服務，表明資本對L4運營需配套的遠端監督體系這一重資產模式，仍然給予了持續的信任和彈藥（來源：Alphabet/ Waymo官方部落格及主流財經媒體報道）。
• Cruise恢復有人監督測試，事故影響深遠（2024年）：通用汽車旗下Cruise在經歷2023年嚴重事故以及後續監管審查後，於2024年緩慢恢復在特定城市的有人監督自動駕駛測試，同時宣佈大幅調整安全流程與管理架構。此事件成為“人在監督”領域的一個經典案例：當監督鏈路斷裂或監督員培訓不足時，後果的多米諾骨牌效應如何迅速擊垮一家曾經估值數百億美元的明星公司（來源：通用汽車公開宣告、加州車管所檔案及相關深度報道）。
• 特斯拉釋出Robotaxi原型車，遠端監督概念引關注（2024年）：在2024年“We, Robot”活動上，特斯拉展示了無方向盤、無踏板的Cybercab概念車，並提及可能建立遠端監督團隊。此舉將“人在監督”範式與完全從零設計、摒棄人工駕駛構型的車輛概念相捆綁，給行業帶來了新的思路和不確定性（來源：特斯拉官方釋出活動及後續行業分析）。

關鍵供應鏈事件

• Apple Vision Pro發貨，空間計算工業場景落地待驗證（2024年）：Apple Vision Pro正式面向消費者發售後，部分整合商與開發商開始測試其在遠端協作、工業巡檢監督中的適用性。電池續航、長時間佩戴舒適度、企業應用生態是主要障礙（來源：Apple公開資訊及科技媒體評測）。

關鍵安全與事故啟示

• 涉及L2+系統的事故持續引發對“監督”的討論：2024年，美國NHTSA對部分L2+系統涉及的多起事故持續保持調查，部分報道和調查檔案中將事故歸因於駕駛員“過度依賴自動化”和“接管不足”。這些討論從反面強化了有效HotL設計的重要性——如何確保人類真正“在監督中”，而非只是在名義上承擔法律責任。（來源：NTHSA公開調查檔案及主流媒體相關報道）

追蹤指標

以下指標可用於持續追蹤“人在監督”產業發展脈搏，多數指標需從各垂直領域的專業研究機構、監管檔案和公司官方揭露中獲取或拼接，不存在單一的“人在監督行業發展指數”。

一、監管架構成熟度

• 主要司法管轄區（中國、歐盟、美國各州）釋出的自動駕駛、AI系統、無人機叢集相關的新法規/標準/指南中，是否包含對“人類監督者”的明確能力要求、培訓標準、人機比上限規定、事故中責任劃分展望。
• 歐盟《AI法案》配套的實施細則與協調標準制定進度。
• 中國工信部與交通部關於智慧網聯汽車准入、遠端監控技術條件的新增檔案。

二、商業化與規模指標

• 頭部Robotaxi運營方（Waymo、百度Apollo等）公開的安全報告中揭露的“平均干預里程/間隔”變化趨勢（需注意統計口徑的可比性限制）。
• 獲得“車內無安全員”商業運營許可的Robotaxi服務所覆蓋的城區面積與車隊的動態增長率。
• 頭部倉儲移動機器人廠商公開的“單人監督最大機器人數量”的行業基準（若廠商持續揭露）。
• L3級量產乘用車（有條件自動駕駛）在中國、德國、日本等地的實際上路數量與監管豁免條款。

三、技術與安全底線指標

• 美國NHTSA、中國相關監管機構對涉及L2+/L3級系統的事故統計及事故報告中的“接管失敗”頻次與分析定性（如果資料公開）。
• AI安全頂會（如AAAI、NeurIPS、ICLR相關workshop）中關於不確定性量化、分佈外檢測、人機協同接管等的研究熱度與標杆性成果。
• 主流大語言模型在直接用於決策輔助時的可解釋性與校準度評測報告（如第三方評測機構釋出）。

四、人機互動與上游器件滲透率

• AR/VR工業應用頭顯的季度出貨量及其年增率變化（可追蹤IDC等）。
• 車規級大算力晶片、雷射雷達、4D毫米波雷達的平均售價降本曲線以及向更低級別車型滲透的資料。
• 5G URLLC專網在港口、礦區、物流園區的部署案例積累數量。

五、人才與組織指標

• 各大自動駕駛公司、AI平台公司釋出的“遠端監控員/安全員”崗位招聘數目，可通過招聘網站關鍵詞進行非系統性觀測，作為企業擴張節奏的側面驗證。
• 高校是否出現“人因工程與AI安全”、“人機協同系統”等交叉學科的獨立課程設定或學程建設。

上述指標無法構成嚴謹的投資決策量化模型，僅提供一套觀察架構。各項指標的具體數值以屆時官方機構與專業資料服務商最新發布為準，此描述僅為資訊索引之用。

信源

本節提供用於建置與更新本頁內容的核心信源類別、推薦檢索路徑，以及無法在單一信源驗證的常規提示。

一、技術標準與法規原文

• SAE J3016: Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles（最新版）。此為自動駕駛分級與接管定義的全球通用參考。
• ISO 21448: Road vehicles — Safety of the intended functionality (SOTIF)。
• European Commission AI Act 最終通過文本。
• 中國《汽車駕駛自動化分級》（GB/T 40429-2021）及後續智慧網聯汽車准入管理系列檔案。