AI 起重机安全系统仍需人工兜底

尽管智能自动化与经验证的功能安全之间的矛盾尚未解决，Google News 已将起重机安全系统视为一则人工智能新闻。相关行业报告探讨了围绕重型起重设备，将摄像头、传感器、软件、连接能力和自动化控制相结合的系统。

关键进展并不是某一台自主起重机突然取代操作员。起重机供应商正逐步连接原本彼此独立的辅助功能。系统可以监测作业区域、计算碰撞风险、限制运动、记录吊装数据，或在既定条件下重新调整设备位置。

这种整合带来了核心矛盾。软件可以为操作员提供更好的信息，并在特定场景中比人更快地介入。然而，每增加一项连接，也就多了一个可能因数据不完整、校准不佳、通信中断或过度信任而影响实际吊装作业的环节。

因此，行业正在检验两种相互竞争的理念。一种将 AI 视为逐步迈向自主运行的途径。另一种则仍由确定性的安全控制和训练有素的操作员掌控，AI 仅作为建议层使用。

起重机所有者、承包商、技术供应商和保险公司必须决定这条边界应划在哪里。他们的决定将影响最新系统究竟是降低风险，还是仅仅改变风险所在的位置。

起重机安全技术栈发生了什么变化

起重机安全技术正从孤立的报警装置，转向能够解读工况并影响机械行为的互联系统。

传统起重机防护并不依赖单一设备。操作员需在载荷图表、检查程序、通信规程、现场计划和设备限制的框架内作业。硬件与控制系统可以提供超载保护、防碰撞功能、摄像头、区域划分、风况信息和运动限制。

较新的方法将更多输入连接起来。摄像头提供起重机或载荷周围的画面。位置传感器报告起重机部件的移动位置。软件将这些位置与障碍物、边界或其他设备进行比对。远程信息处理系统则将运行数据发送给驾驶室外的管理人员。

这一转变在专业媒体报道的多个系统中均有体现。2024 年一篇行业评述称，Mammoet 和 Rietveld 将摄像头覆盖、防碰撞技术以及移动式起重机周围可视化安全边界结合起来。两家公司表示初步测试结果令人鼓舞，但报道并未提供独立的事故减少数据。

这种区别至关重要。一项有前景的测试仅表明组件能够在试验条件下协同工作，并不能证明其在天气变化、工地拥挤、人员团队不熟悉、能见度不佳或设备受损等情况下的表现。

塔式起重机供应商也在连接辅助功能。UltraWis 曾介绍一套先进驾驶辅助系统，采用五个全景低延迟摄像头、起重机接口和驾驶室内触摸屏。Liebherr 则提供受限作业范围、摆动抑制、精确定位和风况相关控制等功能。

这些产品在技术上各不相同，因此将它们统称为 AI，可能掩盖其实际作用。固定运动限制并不等同于经过学习的视觉模型。计算得出的防碰撞包络并不等同于自主规划系统。摄像头的画面显示在数字屏幕上，并不会因此变得智能。

最具影响力的系统可以超越通知功能。AMCS Technologies 表示，其 DCS 61-S 可检测干涉风险，并在起重机到达预设距离前减速或使其停止。该公司的 Automatic Rotation Control 系统据称会在停放非作业塔式起重机时，考虑风况、干涉区域和现场条件。

这种演进改变了安全技术栈。软件不再仅限于呈现另一块仪表。在既定条件下，它可以影响或停止运动。

OSHA 已经认识到可预测故障行为的重要性。其针对桥式和门式起重机的规定指出，远程操作起重机在用于起重机运动的控制信号失效时必须停止。该原则为评估新系统提供了有用标准：当信息变得不可靠时，安全响应必须仍然明确。

Google News 的标题捕捉到了真实的工业趋势，但也将多种技术压缩进一个宽泛类别。买方在评估任何安全声明前，需要区分感知、分析、操作员辅助、自动干预和自主控制。

为什么 Google News 的关注提高了赌注

这类关注之所以重要，是因为起重机 AI 正走出专业工程讨论，进入围绕自动化的更广泛科技叙事。

Google News 可以将一篇小众的吊装行业报道，与生成式 AI、机器人和自动驾驶汽车的新闻并列。这种分发方式使起重机技术触及更广泛的读者，而他们可能会将 AI 与聊天机器人或通用模型联系在一起，而非安全等级的机器控制系统。

这种比较可能产生不切实际的预期。语言模型从学习到的模式中生成概率性输出。起重机防护系统则必须在人、载荷、结构物和昂贵设备共处同一物理空间时作出可预测的响应。

聊天机器人答错令人沮丧。吊装过程中的净空估计出错，则可能演变为危险的机器指令。因此，可接受的不确定性截然不同。

更广泛的受众也改变了商业压力。当智能化、自动化和 AI 成为采购信号时，供应商将从中受益。承包商希望减少事故、提高设备利用率、获得更完整的记录，并为在困难环境中作业的操作员提供支持。

起重机所有者仍必须评估产品究竟实际控制了什么。他们需要了解哪些功能具有安全等级、哪些只是建议功能，以及哪些依赖统计推断。他们还需要关于信号丢失、摄像头遮挡、传感器数据不一致、软件更新和手动覆盖的书面行为说明。

OSHA 起重机标准仍以雇主责任、合格人员、检查、操作程序和设备要求为基础。安装一台 AI 辅助摄像头并不会免除这些责任。

这让承包商面临双重压力。项目团队希望获得互联设备带来的益处。安全管理人员则必须防止新的界面让操作员或主管误以为软件能看到超出其实际能力范围的内容。

压力也延伸至操作员。设计良好的系统可以整合信息，并将注意力引向特定危险，从而减轻工作负担。设计不佳的系统则可能在本已要求极高的任务中增加报警、屏幕和含糊的警告。

报警疲劳是一项风险。如果系统过于频繁地发出警告，操作员可能变得不那么敏感。如果警告不一致，他们可能失去信任。如果系统看起来能力极强，他们可能会在系统未经验证的条件下依赖它。

因此，人因设计与原始检测性能同样重要。团队需要了解界面显示什么、响应速度如何，以及当系统与直接观察不一致时，操作员应采取什么行动。

远程操作使这一问题更加突出。地面控制站可以让操作员远离高处、振动或不舒适的驾驶室。但它也可能让操作员的全部视野都经由摄像头、通信和软件来呈现。

Radius Group 和 Skyline Cockpit 曾展示一套结合摄像头、AI 和增强现实软件的地面控制系统。两家公司称，这种安排能提升可视性、效率和安全性。除非有独立的运行证据支持，这些益处仍只是供应商的主张。

远程操作员可能获得多个视角，却失去直接的感官线索。延迟、摄像头污染、网络退化、屏幕布局和深度感知都会成为控制环境的一部分。每一项都需要明确的后备方案。

Google News 的曝光可以加快市场兴趣，但标题并不等同于技术尽职调查。技术叙事越广泛，买方就越需要谨慎地区分营销语言与经验证的安全性能。

辅助与自主遵循不同的安全规则

主要竞争并不在人与机器之间，而在于有边界的辅助功能与获得超出证据支持范围权限的自动化之间。

有边界的辅助功能会在规定限制内执行明确任务。摄像头可以改善盲区周围的可视性。接近系统可以在佩戴标签的工作人员进入检测区域时发出警告。区域划分功能可以限制起重机在禁入区域附近的运动。

每项功能都可以依据明确要求进行测试。工程师可以测量检测范围、延迟、停止行为、可用性和故障响应。操作员可以针对可识别的系统状态接受培训。

当 AI 推断某个物体是什么，或预测接下来会发生什么时，评估便变得更加困难。计算机视觉利用软件解读图像，可帮助识别人员、车辆、载荷或不安全的接近情况。其性能会因光照、天气、观察角度、遮挡以及开发过程中使用的样本而变化。

模型在常见工地条件下可能表现良好，却可能难以应对反光服装、非常规设备、灰尘、雨水、眩光或局部可见等情形。总体准确率数字无法告诉买方，它在最关键的罕见案例中表现如何。

因此，视觉模型不应悄然继承经认证限位开关或确定性防碰撞控制器的权限。组件可能共用同一块屏幕，但它们所承载的证据并不相同。

同样的区别也适用于吊装规划。来自重复吊装的数据可以揭示周期时间、利用率模式、瓶颈和异常运动。例如，Versatile AI 通过一个安装在吊钩上的设备收集数据，并将其转化为工地信息。

这种分析可以帮助主管了解作业情况。但它并不会自动使一项基于学习的建议具备控制下一次吊装的资格。从观察到建议，再从建议到机器动作，需要逐步更强的验证。

NIST 的 AI 风险框架提供了一个有用结构，尽管它是自愿性的，且并非专为起重机设计。该框架强调在系统生命周期内开展治理、梳理应用场景、衡量风险和管理风险。

其关于 AI 可信赖性的指南还强调测试、监控、人工干预，以及关闭或修改偏离预期行为系统的能力。这些原则比简单宣称 AI 能提升安全性，更适合安全关键型吊装作业。

起重机部署应从运行设计域开始，即系统预期运行的精确条件。这一说明应涵盖起重机类型、现场配置、可视性、天气限制、网络依赖、物体类别以及允许的机器动作。

下一个要求是优雅降级。如果一台摄像头发生故障，系统不应将过时或不完整的覆盖范围悄然当作正常状态呈现。如果传感器意见不一致，操作员应收到清晰的状态说明，而不是一个看似自信的混合结论。

手动控制同样需要谨慎对待。只有当操作员能够识别问题、理解设备状态并有足够时间采取行动时，接管才有价值。自动化在最后一刻交接控制权，可能只是转移了责任，却没有转移态势感知。

这就是为什么辅助功能仍是近期内更站得住脚的路径。操作员保留决策权，而软件则改进观察能力、针对已定义的危险发出警告，或执行既定限制。只有在证据支持每一项新增功能时，自动化才能进一步扩展。

这一立场并非反对技术。它承认，安全来自完整的系统，包括人员、流程、传感器、软件、控制装置、维护和现场条件。

AI 起重机安全主张背后的证据缺口

现有报道记录了积极开发和实际部署，但尚未证明 AI 系统能够在全行业范围内减少起重机事故。

专业媒体报道提供了有价值的案例。它们显示，供应商正在整合摄像头、防碰撞控制、数据记录、车联网和远程接口。报道还记录了技术供应商、起重机制造商、租赁公司和承包商之间的合作关系。

但报道很少提供独立的对比证据。读者通常看不到受控的事故率前后对比、误报数据、漏检率、系统可用性，或在特定环境条件下的性能表现。

这一缺口并不意味着产品无效。它意味着公开证据不足以支持关于安全结果的广泛结论。

一份 2021 年报告描述了 AMCS 设备如何在奥斯陆一家医院建设项目中管理四台 Comansa 起重机之间的干扰。该系统以三维方式计算位置和移动速度，限制禁入区域，并记录运行事件。

这是一个具体的部署案例。但单个项目无法证明其对所有起重机、工地、配置或作业团队均有效。高密度多起重机施工面临的危险，与工业吊装、移动式起重机行驶、港口或桥式起重机作业并不相同。

Mammoet 的摄像头与边界系统组合提供了另一个有价值的例子。可见边界能够向可能听不到警报的工人传达设备限制。摄像头覆盖范围则可帮助操作员监控周围环境。

然而，投射边界依赖于工人能够注意到并遵守它。摄像头则依赖于安装质量、清洁度、可视性和操作员注意力。应将这种整合视为一个工作流程来评估，而不只是功能的集合。

工人追踪系统带来了更多权衡。RFID 接近技术无需直接视线即可检测佩戴标签的人员。但除非有其他控制措施覆盖这些情况，否则它无法保护未佩戴标签的访客、遗失标签的人员，或设备失效的工人。

数据收集带来了第二类风险。吊装历史和视频可以改进事故调查、培训和维护决策，但也会引发隐私、网络安全、保留期限和访问权限等问题。

联网安全设备扩大了起重机的数字攻击面，即攻击者可以瞄准的路径集合。远程诊断、无线更新、移动应用和云端仪表板都需要身份验证、访问控制、日志记录和恢复计划。

网络安全事件不必直接控制起重机，也可能影响安全。它可能扰乱可用性、改变配置、隐藏警报、损坏记录，或迫使承包商在缺少熟悉系统的情况下作业。

软件更新尤其值得关注。供应商可能改进检测功能，或增加对新条件的支持；更新也可能改变操作员在培训中学到的行为方式。承包商需要配置控制，并在投入使用前建立一套经记录的流程，以验证重大变更。

当多家供应商提供组件时，责任可能变得模糊。摄像头供应商、分析服务商、起重机制造商、安装商、网络运营商和承包商可能各自控制系统的一部分。采购方应明确谁负责集成测试，以及谁负责调查异常事件。

2024 年 Mammoet 报告援引项目协调员 Ferdi Kivanc 的话称，初步测试结果令人鼓舞。报告还援引 Rietveld 的 Frank Kanters 的说法，提到进一步开发和最终推广。这些表述准确传达了项目所处阶段：前景积极，但尚非最终证明。

因此，独立评估应关注具体场景，而非口号。测试应涵盖预期运行、组件故障、环境压力、操作员失误、通信中断、配置错误以及中断后的恢复。

团队应记录误报，也应记录成功警报。频繁且不必要的干预可能促使人员绕过系统。漏掉危险则可能制造虚假的安全感。这两种结果都会影响现实世界中的安全。

最可信的供应商会像说明系统能力一样清晰地公布其限制。采购方应将已知限制视为可管理的信息，而将无法解释的确定性主张视为警示信号。

起重机业主接下来应关注什么

下一阶段将由运行证据、集成纪律和人类决策权规则来衡量，而不是由被贴上 AI 标签的产品数量决定。

第一个信号是独立性能数据。起重机业主应寻找定义明确的测试，这些测试报告检测率、误报率、响应时间、可用性以及在降级运行期间的行为。

结果应按使用场景区分。人员检测模型并不能验证起重机组件之间的防碰撞能力。远程摄像头试验并不能验证自动移动。车联网仪表板也不能证明设备控制安全。

证据还应说明测试环境。天气、照明、起重机几何结构、负载类型、现场拥挤程度和通信条件都可能影响性能。缺少这些背景时，醒目的准确率数字价值有限。

第二个信号是安全供应商与原始设备制造商之间更深入的整合。AMCS 表示，制造商和车队运营商已采用或集成其 DCS 61-S 系统。其智能安全讨论描述了涉及塔式起重机公司和租赁机构的合作关系。

OEM 整合可以减少售后接口造成的问题。控制系统、传感器、驱动装置、诊断功能和辅助功能可以协同设计。当出现意外行为时，它也能使责任更加明确。

仅有整合并不保证安全。采购方仍应询问：哪些功能经过评估、适用哪些标准，以及 AI 组件是否直接参与安全功能。

第三个信号是更清晰的人类控制操作模式。承包商需要书面明确：谁负责监控系统、谁可以接管、发生故障后如何处理，以及何时必须停止作业。

培训必须涵盖限制条件和故障状态。操作员应练习应对摄像头丢失、网络不可用、传感器数据冲突或自动停止等情形。主管人员应了解何时必须由技术人员检查或重置设备。

随着自动化处理日常情况，这些要求会变得更加重要。如果操作员很少手动执行某项任务，他们可能会失去熟练度。安全设计必须考虑如何维持能力，以及如何将决策权交还给人。

监管机构和标准组织也在为高后果场景中的 AI 制定更广泛的指导原则。美国国土安全部于 2024 年发布了面向关键基础设施的 AI 安全框架。NIST 正在制定更具体的指导，以支持在关键基础设施中可信地使用 AI。

起重机并不完全适用于每一种关键基础设施类别。但只要软件能够影响危险的物理活动，这些原则就具有相关性。治理、事件报告、供应商问责和全生命周期监控应先于广泛自主化到来。

近期的胜出者很可能是分层设计。确定性控制措施执行已知限制。AI 协助解读复杂传感器数据。操作员保留对吊装作业的决策权。主管人员获得支持规划、维护和调查的记录。

这种结构让每个组件发挥其最擅长的作用。软件可以监视多路信息流并识别模式。经过安全评级的控制装置可以产生可预测的干预。人则可以理解现场背景、与作业团队沟通，并在条件不再符合计划时停止作业。

该架构还必须假设故障会发生。安全的起重机不应依赖云连接始终可用。它不应将冻结的视频帧当作当前画面。它不应把不确定性隐藏在精致的界面之后。

Google News 可能会让 AI 起重机安全获得更多关注，但关注只是开场信号。真正重要的问题始于标题之后。

供应商能否展示在不利条件下的性能？承包商能否说明谁仍然承担责任？操作员能否识别辅助功能何时已降级？系统能否在不把技术问题转化为失控移动的情况下发生故障？

考虑采用这些系统的起重机业主应从有限且有记录的部署开始。明确预期任务，建立基线性能，培训受影响的作业团队，测试故障场景，并在扩大决策权之前审查事故或险些事故。

他们还应保存每项决策背后的记录。可检索的工程知识库可以让安全和维护团队随时获取手册、测试结果、变更日志和运行经验。

决定性的进步不会是一台被营销为智能的起重机，而会是一套其限制被理解、其故障可见、其人类兜底始终准备就绪的起重机系统。

随着更多起重机自动化产品进入 Google News，这就是采购方应采用的标准。向供应商索取场景级证据，在部署前明确责任，并将每一项新的控制功能视为安全决策，而非软件升级。