AI 3D 装箱优化：一个托盘多装 15%，算法与落地实战

先说结论：3D 装箱算法在出库环节是真能省钱的东西，但我经手的项目里，十个有八个不是死在算法上，是死在"系统里的长宽高全是错的"上。数据不治理，算法越准，现场越乱。

为什么值得做？出库是仓库花钱最狠的环节之一：包材按个买，运费按托盘、按体积算。你每单多用一个箱子、每托少装一层，钱都是真金白银流出去的。装箱优化动的就是这两块。

先算一笔账，2023 年的真实项目。洛杉矶附近一家做汽配的 3PL 仓，日均发 60 个托盘，托盘利用率 72%。上了装箱优化后，利用率提到 84%。账是这么算的：有效货量 = 60 × 0.72 = 43.2 个"满托当量"；优化后每天实际发的托数 = 43.2 ÷ 0.84 ≈ 51.4 个。每天少发 8.6 个托盘，一年按 250 个工作日算，少发 2150 个托盘。市内配送一个托盘均价 95 美金左右，一年运费省下约 20.4 万美金。纸箱规格顺手从 12 种砍到 7 种，包材一年又省了 6 万多美金。项目第一年总投入（软件订阅加集成加数据治理）不到 15 万。ROI 不用我多说了。

3D 装箱算法到底在算什么

一句话版：3D 装箱是 NP 难问题，SKU 一多，穷举要算到天荒地老。市面上所有能用的方案，内核都是启发式：把箱子按体积和重量排个序，再用"最大空位优先"的贪心策略往里塞。所谓的 AI 版本，多了两样东西：一是拿历史订单数据学"哪些 SKU 老是一起出"，提前做预组合；二是把业务约束吃进去——易碎品不承重、重货在下、冷链分区。原理就这么多，剩下的全是工程。

输入数据要求先列清楚，缺一个都别立项：每个 SKU 的长、宽、高、重量（实测值，不是采购随手填的）；易碎、不可压、不可倒置等约束标签；订单结构（整箱出还是拆零出为主）。这三样不齐，算法就是在垃圾上雕花。

三选一：人工经验、规则引擎、AI 优化

这个表怎么用：日均 200 单以下的小仓，老老实实靠老师傅加几条死规则，别上 AI，ROI 算不过来。这话很多人不爱听，但这是实话。

装箱优化上线前夜清单：分五步走

1. 先治理尺寸主数据。把 TOP 500 SKU 的长宽高重量实测一遍，系统里的数据和实测对不上的，一律改掉。抽检比例不低于 10%。这一步偷懒，后面全白干。
2. 把业务约束写死。易碎品不可承重、液体不倒置、重货在下轻货在上——这些不是算法能"学"出来的，必须人工先定成硬规则，写进引擎配置里。
3. 定集成点。标准链路：WMS 波次释放 → 把订单明细（SKU 加数量）推给装箱引擎 → 引擎返回装箱方案（用几个箱、每箱装什么、装箱顺序、托盘怎么码）→ 打包台屏幕显示三维示意图，同时打印装箱单。API 延迟控制在 2 秒内，超过 3 秒打包员就不看了。
4. 先拿一个品类试点。别全仓一起上，选 SKU 最规整的一条产品线跑 4 周，装载率、破损率、单均打包时长三个数盯紧，达标再扩。
5. 人工复核闭环。前两周每单人工抽检，算法方案和实际装箱拍照对比，差异回流到约束规则里。没有这个闭环，模型三个月就退化。

三个翻车点，这个坑我见过三次

坑一：尺寸数据是采购随手填的。算法按 30×20×15 厘米算，实物是 32×22×18，现场根本塞不进去。打包员骂了三天娘，第四天开始自己凭感觉装，系统彻底被架空。解法见上面第 1 步，没别的路。

坑二：异形件。2024 年芝加哥一家家居电商，灯具、落地扇这种异形件占三成，算法一律按最小外接长方体算，省出来的空间全是纸面富贵。这类仓先做"异形件单独分拣"，别指望算法一步到位，这是选型时就要认的命。

坑三：打包台员工不信屏幕。屏幕上三维图画得再漂亮，老师傅看一眼说"我这么装了十年"，照旧。这个问题技术上无解，靠试点期的"新老方案 PK"：同一批单子，一半按算法装、一半按经验装，破损率和用箱数摆在桌上，老师傅自己就闭嘴了。

最后说个反常识的判断：装得越满，不一定越好。装载率冲到 95% 的箱子，长途颠簸里破损率反而往上走——箱子太满没有缓冲，一个急刹车全挤变形。算法只管空间利用率，不管"谁压谁"，所以易碎品约束必须人工先定死，装载率目标定在 85～90% 就够了，剩下的 5% 是留给现实的。

再补一个 trade-off：上这套东西的代价是实打实的——主数据治理至少 2 个月，集成开发 4～6 周，打包员培训加习惯改变 1 个月，收益一般要到第 6 个月才看得见。老板如果指望"下个月就见效"，趁早别立项。反过来，日均千单以上、还在靠老师傅肉眼装箱的仓，每拖一个月，都是几万美金从指缝里漏出去。

一句话：先把尺子拿准，再谈算法。不然你优化的只是一个漂亮的错误。

作者：林晓｜WMS 实施顾问