货车装得满不等于装得对：AI 先算空间，再把方案交给工人

黑河自贸区的跨境货车装载，有一条很硬的经济线：一辆约 110 方的货车，老师傅人工装载通常要 5 个小时，能装到 95–98 方；98 方是保本线，每超过 1 立方米，额外增收约 100 美元。

这不是一个单纯的“把车装满”问题。车辆外部尺寸不等于车厢真实可用空间，货物有不同规格，装载还要同时考虑重量、运输效率、安全和现场操作。一个数学上更优的三维方案，如果工人看不懂、必须进入车厢内部搬运，仍然不能算落地。

这个案例把问题拆成了两层：大模型负责理解需求、调度工具和解释结果；专业算法负责三维空间计算；最后再把算法结果转换成货物编号、摆放方向、截面示意和装载顺序，让工人能够直接执行。

落地场景：提高每一车的有效装载量#

当地企业通过公路向俄罗斯出口机电产品，运费按车厢体积计算。无论车里装多少货，司机、燃油和过境等固定成本都要支付；如果车厢空间没有利用起来，单件商品的物流成本就会上升。

过去，经验丰富的装车师傅根据货物尺寸和经验安排位置。车辆信息来自外部尺寸，实际内部空间还会受到车厢壁厚和保温层影响，通常比理论数据少 5%–8%。没有标准化三维规划时，同一批货由不同人员装载，整体空间利用率通常只有 60%–65%。

随着车型、货物种类和多车调度变复杂，人工经验很难快速找到稳定方案。项目要解决的不是“算出一个摆放方式”，而是让每一车稳定越过保本线，并且现场工人能够按方案装出来。

落地难点：数学最优解不等于现场可执行#

真实车厢尺寸决定计算上限#

如果车辆内部尺寸不准确，后面所有空间计算都会偏离。使用外部尺寸会高估可用空间，导致方案在纸面上装得下，现场却无法执行。

项目采用 iPad Pro LiDAR 结合激光测距获取真实尺寸，在精度和硬件成本之间做平衡，设备成本约 8500 元。

三维装箱需要专业算法，不适合交给大模型直接计算#

大模型擅长理解人的需求、解析任务和解释结果，但不适合直接承担复杂三维空间计算。项目把高度图 3D 空间追踪、贪心放置、多策略排序和遗传算法交给 Python 专业算法执行。

这是一种典型的 FDE 分工：模型负责调度和解释，确定性计算交给算法，人负责现场决策。

现场执行会反驳“理论最优”#

最初方案优先追求空间利用率最大化，但一线人员反馈，有些方案虽然数学上更优，却要求进入车厢内部搬运、频繁调整货物位置，或者不符合现场安全习惯。

因此项目把目标从绝对空间最优调整为效率、安全和操作便利之间的平衡，并设计了截面法：按照车厢截面从里向外规划，工人可以站在车门位置操作，不需要踩踏货物进入车厢。

如何落地：从现场拆解到可打印的装车指导#

第一步，先把装车流程拆成可观察的环节#

FDE 先进入现场，了解工人为什么这样装、哪些步骤影响效率、哪些判断来自经验。最终将流程拆成真实车辆尺寸获取、货物信息整理、装载方案计算、多车调度、装车指导、现场执行和结果反馈。

前面的规划和计算适合机器参与，但最终必须回到人的执行动作。

第二步，让大模型调度算法而不是替代算法#

业务人员可以用自然语言描述任务，大模型理解需求、解析条件、调用装箱算法并解释结果。算法负责确定性的空间计算，输出每件货物的位置和顺序。

这种设计避免了“让模型凭语言想象三维空间”的不稳定，也让每个结果有更清晰的计算边界。

第三步，把复杂结果转成一线能读懂的指导图#

项目最初希望让工人通过三维可视化系统查看方案，但现场调研发现，装车环境并不适合频繁操作手机或电脑。

因此，系统最终输出货物编号、摆放方向、截面示意和装载顺序，必要时可以打印成指导图。算法结果不再只是工程师能理解的数据，而变成一线人员可以直接执行的动作。

第四步，用业务账验证方案是否值得持续使用#

这个项目的价值必须回到跨境物流的经济账：一辆车要不要越过 98 方保本线，每多 1 方能产生多少额外运费，装车时间缩短后能否增加车次，工人、物流公司和货主能否共同受益。

只有把空间指标和真实收入、成本、时间连起来，装载优化才不是一个孤立的算法项目。

落地成果：原型稳定达到约 99 方，装车指导从经验变成方案#

项目已经完成原型验证。在一辆长 16.4 米、宽 2.47 米、高 2.67 米、内净约 108 方的真实运输车辆上，结合 11 种不同规格电动车产品目录进行模拟装载，系统实测稳定达到约 99 方，接近车厢容积上限。

人工装一车通常约 5 小时，引入 AI 规划和指导后，预计可以压缩到约 2 小时，案例称装车效率提升约 100%。这里的“预计”很重要：项目当时仍处于原型验证阶段，不能把它写成已完成的长期生产结果。

变化前	落地后的变化
老师傅依赖经验判断摆放位置	算法根据真实车厢和货物数据生成方案
同一批货由不同人员装载结果波动	原型测试稳定达到约 99 方
装车一车通常需要约 5 小时	试点预计可压缩到约 2 小时
三维方案难以被一线执行	输出编号、方向、截面和装载顺序指导图

最重要的成果不是一个更复杂的优化算法，而是把“老师傅脑中的空间经验”变成数据、算法和可执行指导。经验开始具备复制条件，新人不必完全依赖多年体力和现场试错才能完成同类工作。

这个案例给 FDE 的四个提醒#

第一，先把业务人员说的“装不满”拆成空间数据、规划效率和执行流程三个问题。

第二，大模型不需要包办所有事情。理解和调度交给模型，确定性计算交给专业算法，安全和最终执行交给人。

第三，现场可执行性是产品需求，不是上线后的附加工作。一个没人能照着操作的最优解，依然不是交付物。

第四，AI 项目要算清业务账。98 方保本线、每方增收和装车时长，决定技术能力如何翻译成客户真正关心的结果。

来源与边界#

• 原始资料：Datawhale《FDE案例100.pdf》，案例六“从经验装车到智能规划：FDE用AI优化跨境物流装载效率”，案例访谈正文位于 PDF 第 58–68 页。
• 案例事实：约 110 方货车的 98 方保本线；人工装载约 5 小时；实际可用空间可能比外部尺寸少 5%–8%；传统空间利用率约 60%–65%；原型测试约 99 方；结合 11 种电动车规格进行模拟；现场硬件成本约 8500 元。
• 结果边界：约 2 小时装车和约 100% 效率提升在案例中以预计方式描述；原型测试不等于长期生产环境结果，也没有提供完整车次样本和持续运营数据。
• 产品化解读：关于截面法、模型与专业算法分工以及“经济账 + 执行账”的总结，是基于案例事实的产品化分析。