航天器在太空中飞行，轨道转移这件事有很多地方跟日常经验完全不一样，乍一听觉得不对劲，但算下来又确实如此，背后都是天体力学的基本规律在起作用。

一、最难抵达的轨道到底在哪儿

从低轨道飞到高轨道，一般人会想当然地认为目标越远就越费燃料。实际上不是这样，燃料消耗跟目标距离根本不是简单的正比关系。

轨道转移最常用的方法是霍曼转移，这是德国工程师瓦尔特·霍曼在1925年提出来的，到现在还是轨道力学的基础理论。

这个方法分两步：先点火加速，让航天器从圆形轨道进入椭圆轨道，等飞到椭圆轨道离地球最远的那个点，再点一次火，把轨道变成目标高度的圆形。

第二次点火需要加多少速度，取决于航天器飞到远拱点时的速度，和它要在目标圆形轨道上维持的速度，这两个数的差距越大，需要的燃料就越多。

航天器在椭圆轨道远拱点的速度，随着距离拉远下降得很厉害，大概跟轨道半径成反比。但目标圆形轨道的速度下降得没那么快，是跟半径的平方根成反比。

这两条曲线在某个区间会拉开最大差距，计算下来，当目标轨道半径是初始轨道半径的6倍左右时，第二次点火需要的速度增量最多。

把第一次加速的燃料也算进去，总的燃料消耗曲线更复杂，综合两次点火，最难抵达的圆形轨道半径大概是初始轨道的15倍。

把这个放到太阳系里看，土星和天王星之间的空域就是这个范围，那一带没什么特别大的天体，这个结论挺让人意外：从地球附近出发，飞到土星和天王星中间，比飞到更远的太阳系边缘，甚至彻底飞出太阳系，还要费油。

还有一个例子：从近地轨道飞到地球同步轨道，跟飞到月球，两者消耗的燃料差不多，虽然月球远了将近10倍。中距离轨道转移本身就效率不高。

二、先飞过头再回来反而省油

针对中距离轨道转移效率低的问题，有一种叫双椭圆转移的方案，这个方法跟霍曼转移的直接路径不一样，它是先往外飞，飞过目标轨道很远的距离，再掉头折返回来。

这听着像绕远路，实际操作分三步：第一次加速进入一个远拱点远远超出目标的椭圆轨道，在远拱点第二次点火进入折返轨道，最后回到目标轨道位置时减速完成圆轨。

双椭圆转移为什么能省油，主要有两个原因，第一，飞到特别远的地方点火时，航天器速度已经非常慢了，引力也很微弱，这时候稍微调整一点速度就能对轨道产生很大影响。

1. 从外侧折返回来到达目标轨道时，航天器速度比目标圆轨速度快，只需要减速大约30%就能进入圆轨。

反过来，如果从内侧往上爬升到目标轨道，到达时的速度可能只有目标圆轨速度的百分之几，需要大幅加速才行。

双椭圆转移用前期多飞一段路、多消耗一点燃料为代价，大幅降低了最后阶段需要的燃料。

根据航天工程的标准计算，目标轨道半径是初始轨道半径的11.94倍以上时，双椭圆转移就可能比霍曼转移更省油。

比值在11.94到15.58之间的时候，要看具体参数怎么选，超过15.58倍之后，双椭圆转移在绝大多数情况下都比霍曼转移省油。

举个例子，如果目标是初始轨道的20倍，先飞到40倍再折返，也就能省不到2%的燃料，如果目标是100倍，飞到100万倍再折返，能省大约8%。

而且飞得越远，省油的效果越好。理论上飞到无穷远是最省油的，但飞行时间也会趋向无穷大，因为航天器在极远处的速度几乎为零。

这个原理不光适用于绕地球的轨道，任何有中心引力的地方都适用，包括太阳系内的行星际飞行。

深空探测任务里，省油和耗时是规划时必须权衡的两个因素。双椭圆转移虽然省油，但飞行时间可能比霍曼转移多出几百倍甚至几万倍，工程师必须在燃料和任务周期之间做选择。

三、人工智能安全的人才困局

人工智能安全领域有一个逻辑很相似的悖论，越担心AI风险的专业人士，越不愿意到AI企业去工作，这就形成了一个怪圈：关心安全问题的人反而远离了决策核心，结果安全力量分散了。

安全岗位在总人数里占比连10%都不到，公司方面对这个数字有不同意见，但都没有提供自己的具体数据。

从更宏观的角度看，人才流动的趋势让这个问题更严重，研究数据显示，大约70%的AI博士毕业生选择去企业工作，不去学术界了，而2004年这个比例只有21%，那些论文被引用次数高的年轻研究人员，去企业的可能性是其他人的100倍。

学术界和独立研究机构的安全人才越来越少，外部独立监督的能力不断变弱，大规模的收购交易也把安全人才集中到了少数大公司手里，微软收购Inflection AI涉及约650亿美元，谷歌与Character.AI的许可安排涉及约27亿美元。

企业内部的安全团队同样面临压力，OpenAI在2023年宣布成立超对齐团队，承诺拿20%的计算资源做安全研究，但这个团队大约11个月后就解散了，成员被分到了产品研发部门。

2026年2月，负责使命对齐的团队成立约16个月后也解散了，Anthropic在2025年修改了负责任扩展政策，把原先根据客观能力阈值做的安全承诺，改成了由管理层自己判断，外部观察者认为这个改动让安全承诺变得不可靠了。

离职的安全研究人员公开说，在产品开发的竞争压力下，安全工作被系统性地边缘化了。

这就形成了一个难解的矛盾：最在乎AI安全问题的人，反而没法在产业核心层面发挥足够的影响力，他们要么在外部批评，要么离开大公司另找出路。

结果是AI产品在研发过程中，安全设计缺少足够的内在保障。