物流篇：跨境物流装车优化——数学博士算3天，FDE看到的是可AI化的模型

🚚 项目背景：跨境物流的痛点

客户是一家跨境物流企业，主营中国到东南亚的海运拼箱业务，面临的痛点：① 装载率低——平均78%，集装箱空间浪费大，每车少赚20%；② 装车方案靠经验——老调度凭经验排，排一车要2-3小时，新人排不了；③ 数学博士算3天——公司请了运筹学博士做优化，算一个最优方案要3天，等算出来货都走了；④ 异常多——临时加货、换货、取消，方案要反复调整，调度天天加班。

企业找到FDE，说："我们想做AI优化装车，提升装载率。你看怎么做？"

FDE调研后发现：这个问题不是纯算法问题——数学博士的算法很牛，但算得太慢，不实用；也不是纯经验问题——老调度经验丰富，但排得慢、新人学不会。FDE的洞察是：这个问题是"可AI化的模型"——用AI快速生成初始方案，用运筹优化做精调，结合经验规则做约束，分钟级出方案，装载率接近最优。

🏗️ FDE的方案：AI+运筹+经验的三层架构

FDE设计了三层架构：

第一层：AI快速生成初始方案（10秒）。用大模型+历史数据学习，根据货物信息（尺寸、重量、数量、目的地、时效）快速生成一个可行的装车方案。这个方案不一定最优，但一定可行（不超重、不超尺寸、目的地一致）。AI的价值是"快"——10秒出方案，比人工2小时快太多。

第二层：运筹优化精调（2分钟）。在AI初始方案的基础上，用运筹优化算法（整数规划+启发式）做精调——调整货物位置、顺序、组合，提升装载率。运筹优化的价值是"准"——在AI方案基础上进一步优化，逼近最优解。2分钟出结果，比数学博士3天快太多，因为有AI的初始方案做起点，不用从零开始算。

第三层：经验规则约束（实时）。把老调度的经验变成规则——"重货不压轻货""易碎品放上面""同一客户的货放一起""目的港近的先装（后卸）""危险品隔离"等等。这些规则作为约束条件，AI和运筹优化都必须遵守。经验规则的价值是"稳"——确保方案在实际操作中可行，不会出现"理论最优但实际装不了"的情况。

三层架构协同：AI出初始方案（快）→运筹优化精调（准）→经验规则约束（稳），最终2-3分钟出一个"可行、接近最优、符合实际操作"的装车方案。

关键洞察：不是用AI替代运筹优化，也不是用运筹优化替代AI，是两者结合——AI解决"快"的问题，运筹优化解决"准"的问题，经验规则解决"稳"的问题。数学博士只做了第二层，算得准但太慢；老调度只做了第三层，稳但不快不准。FDE把三层结合起来，才是真正实用的解决方案。

📊 交付和效果

交付过程：① 历史数据整理——2年的装车记录，货物信息、方案、装载率、异常情况；② 经验规则萃取——跟3个老调度深度访谈，整理出56条装车经验规则；③ AI模型训练——用历史数据训练AI生成初始方案；④ 运筹优化调参——调整算法参数，平衡速度和质量；⑤ 影子运行2周——系统出方案，调度还是按老方法排，对比效果；⑥ 调优后正式上线。

上线3个月后：① 平均装载率从78%提升到91%；② 方案生成时间从2-3小时降到2-3分钟；③ 每车成本下降15%（装载率提升+人工节省），每年节省成本超800万；④ 新人上手时间从3个月降到2周——系统出方案，新人只需要审核和微调；⑤ 异常处理能力提升——临时加货/换货，系统1分钟重新出方案，调度不用加班。

老调度评价："这个系统不是抢我们饭碗，是把我们的经验变成了工具。以前我排一车要2小时，现在系统2分钟出方案，我只需要看一眼、微调一下，一天能排以前三天的量。"

启示：① 复杂问题不要只靠算法或只靠经验，要AI+运筹+经验三层结合——各取所长；② FDE的价值是看到"可AI化的模型"——不是所有问题都能用AI解决，但很多问题可以用AI+传统方法结合解决；③ 影子运行很重要——系统出方案跟人工对比，验证效果后再上线，避免翻车；④ AI不是替代人，是增强人——老调度的经验变成系统规则，新人也能做出老调度水平的方案。