联邦快递携手Dexterity扩大AI机器人装车应用

详细拆解

月台门口是整张网络里最干净的一条队列，也正因为干净，它咬人最狠。包裹顺着皮带进来，一个工位在服务它们，而这个工位头上悬着一个硬截止：挂车必须在发车窗口关上之前装完、关门、放走。错过了窗口，包裹不是晚几分钟，而是错过一个分拣波次；而在轴辐式网络里，错过一个分拣波次的代价通常是一天。这就是这个问题的形状。月台上所有关于自动化的故事，说到底都是关于那个截止时间的故事。

2026年8月2日，联邦快递表示将在更多网络设施中扩大部署 Dexterity 的 AI 驱动机器人挂车装载系统。这套机器靠机器视觉和力反馈控制，在挂车里码出紧密稳定的货墙——因为包裹外形不规则、车内作业空间狭小，这一环节长期难以自动化。联邦快递把它定位为对快递业中人工强度最大、工伤风险最高的作业之一动手，同时也是它在国内包裹量增长乏力背景下提升网络生产率的整体思路的一部分。

我读完直接奔那四个问题，跟我对任何系统问的一样：它替代了哪一步决策；延迟从多少降到多少；错了是谁兜底；以及哪个数字一出现就叫停。这份公告一个都没回答——这不是批评公告，这只是你的活儿从哪儿开始。另外我也不会告诉你该买哪套系统，那不是我的活儿，也不是重点。重点是：货墙是一个可以测量的物体，在你相信任何人的数字之前，包括承运人的数字，你该先自己测一遍。

先说被替代的决策，因为它决定了你到底在买什么。一个装卸工同时在干两件事，而这两件事通常被当成一件事。一是决定每个包裹放哪儿，这是一个三维装箱问题，在行走速度下、在对后面还会下来什么只有不完整信息的情况下，靠脑子实时求解。二是搬运本身，肩膀和腰就是从这儿坏的。视觉加力反馈，把第一件事换成对空间的感知模型，把第二件事换成一个执行机构。力反馈之所以关键，是因为你没法规划一种你感受不到的接触：机器人必须知道一个纸箱是已经贴住了货墙，还是悬在上面没落下去，而这两者的差别，就是一路跑下来不倒的墙和歪着的墙之间的差别。

所以被替代的决策是码放。那么延迟问题就得问得精确：从什么到什么。不是笼统的装得更快。把端点说清楚：从挂车靠门到挂车放行，这是月台周转时间，要P50也要P90；从包裹上皮带到包裹落位，这是单件循环时间，也正是公告里没给的那个数；从故障到恢复装载，这是恢复时间，也没人公布。如果供应商或承运人只肯给你一个数，就要单件循环时间，因为其余一切都从它推出来。

现在自己做算术，假设摆在桌面上让你的财务看得见。假设一辆53英尺挂车装得好能装约1500个包裹；假设你的月台窗口，从开门到发车截单，是45分钟。1500除以45，是每分钟33个包裹，也就是每1.8秒一件、持续不断、没有余量。这是任何系统都得跨过去的杆，而它比多数人想的要高得多。

假设机器人每5秒放一件，即每分钟12件，两台就是24件。要做到每分钟33件，还得有一个人在旁边补上每分钟9件，也就是每6.4秒一件。这对人来说做得到，但这意味着人没有被取代，只是被塞了更难啃的残局。现在加上异常：假设15%的包裹足够难搞——超大、软包、形状怪、扫不出来——需要人来判。所需速率升到约每分钟38件。再乘可用率：算上标定、故障和谁都没做预算的日常清洁，假设90%。那么标称产能要做到每分钟约42件，也就是三台机器人加一个人，挤在53英尺的箱子里。

最后这句话就是杀死天真方案的那句。三台机器加一个人在同一个狭小空间里作业，那不是布局，那是一份安全论证。有人在车内时，联锁会降速，而每一次联锁都是丢掉的循环时间。现实可行的配置通常是两台机器人码结构化的下半墙、一个人补顶并处理不规则件，两个区在空间或时间上物理隔开。这意味着你真正拿到的吞吐不是机器人速率的三倍，而是最慢那个区的速率加上交接成本——而交接成本正是这类项目悄悄流血的地方。

注意整套算术对其中一个假设有多敏感。如果循环时间是3秒而不是5秒，两台机器人单独就能给出每分钟40件，整个事轻松成立。如果是7秒，你需要四台但塞不下，论证直接塌。每件差2秒，就是一个好项目和一个坏项目的分界。把那个数要过来，按你的包裹结构测、用你那种挂车测、至少跑满100车，并且注明不规则件比例。

第二件要摆上台面的是：这件事作用的是单件成本，不是速度——因为公告本身就点明了国内包裹量增长乏力。量是平的时候，吞吐上的增益不会变成收入，只会变成单件成本，或者变成编制决策；而这是两场完全不同的对话。开跑之前先说清你在开哪一场，因为你的员工会远在你宣布之前就搞清楚是哪一场。

密度这一侧的算术如下，假设照样摊开。假设一个设施一天发出100辆满载挂车；假设机器人码的墙把容积利用率提升5个百分点——注意，5个百分点是我的假设，不是公告里的说法。按每车1500件算，就是每车多装约75件，一天就是把7500个包裹挪到你本来就要跑的车上，等于一天少发5辆车。把你的每车干线成本记作L。每天省5L，按300个运营日算就是1500L。如果你的L是900美元，一个设施一年约135万美元；如果L是300美元，就是45万美元。同样的机器人、同样的软件，答案差三倍，而唯一变了的那个数字，本来就在你自己的账上。这就是为什么这件事里有那么大一部分，是你这周就能算完的算术。

劳动力这头需要同样的诚实。装载之所以工伤率高，是因为它是在一个忽冷忽热的铁皮箱里反复做高举和别扭姿势的搬运，而把这块活交给机器的真实价值，体现在误工伤害、这个岗位在旺季招不到人的流失率、以及隔几个月就要重新培训一个装卸工的成本上。这些都是真金白银，但都是慢钱。伤害率需要足够的暴露工时才有意义，所以装载岗位每20万工时的可记录伤害率不会在8周内有说服力地动。别让任何人拿一个季度的数据宣布胜利。这段时间改用先行指标：未遂事件报告、请求搬运辅助的次数、装载岗位排不出人的班次数、以及旺季前两周的加班工时。按周跟踪，让滞后指标在12个月里慢慢跟上。

还有，那些工时怎么办，要先定。如果量是平的、装载工时被省掉了，你有两条路：把单件成本降下来，或者把工时留住挪到别处。我自己的偏好——这是判断，不是事实——是自然减员期间留住工时，把它们投到11月和12月的旺季去，因为一个在11月最后两周排不出月台人手的网络的损失，比这套自动化一年省下的钱还多。先写人力再部署方案，再写商业论证，顺序别反。

现在说对照组，因为没有对照组，你永远不知道这件事到底成没成。挑两个真正可比的设施，或者同一个设施里两组可比的门：包裹结构接近、每门单量接近、班次形态接近、挂车型接近。如果找不到两个可比单元，就在一个单元上做开关交替，一周开一周关，然后接受你需要更多周数。跑8到12周。两边的异常件比例必须匹配，否则比较毫无价值，因为异常件比例正是这个作业里循环时间的头号驱动因素。

两边测同样的八件事，而且每一件都要在开跑前定义好：月台周转时间的P50和P90，从开门到挂车放行；每车装载件数与容积利用率百分比；每万件的错装数，也就是上了错车的包裹；每万件的货损索赔数，并且把可归因于货物移位的和其余的分开；每千车的货墙倒塌或返工次数；按公布截单时间计的发车准点率；机器人可用率，按排班工时计；以及故障后恢复装载的平均时间，另外单独统计有多少车是靠人手收尾的。

然后把止损线写下来，趁还没人需要为一个决定辩护。出现下列任一情况，暂停推广、一个设施都不加：P90月台周转时间连续两周劣于基线；任一4周窗口内每万件错装数高于基线；可归因于货物移位的每万件货损劣于基线；发车准点率下降超过1个百分点。这些阈值故意定得温和。一个在时效和货损上打不过自己基线的月台自动化项目，不是生产率项目，是科研项目；科研项目不该在全网铺开。

错了谁兜底这一段，是区分试点和承诺的地方。机器人一定会卡。它会卡在半堵墙中间，车里立着一个半成品结构，而发车的钟在走。所以你需要一条定义清楚的人工收尾路径、对应的人力假设、以及一份时间预算。我的阈值是这样的：从故障到人恢复装载，30分钟以内；并且在至少95%的情况下，收尾时不需要把机器码的那部分返工拆掉。返工是没人计算的隐性成本，因为把一堵机器人码的墙拆了再用人手装一遍，比一开始就用人工装还贵。

这条路径要演练，不能假设。试点期间每月做一次故障演练，故意卡在装到一半的时候，掐表，记录那半堵墙是否稳定到可以让一个人在旁边安全作业。这个稳定性问题是个实打实的安全问题，而且是这个作业特有的：装了一半的货墙是一个结构，它会歪；而联锁和上锁挂牌程序必须覆盖人进入一台刚在高处码过纸箱的车内这个场景。在第二个设施上线之前，把安全签字拿到手，并附上演练记录。

软件得单独立规矩，因为没人做预案的那个失效模式，是模型更新。版本要钉死；每一次输入和输出至少记录12个月，这样你才能复盘机器当时做了什么决定、为什么；回滚到上一版的能力要保持在一个班次内完成，并且用跟故障演练同样的方式去测回滚。当包裹呈现形态变了、包装变了、某个大客户的箱规换了，视觉模型会漂移。问清楚这个漂移是怎么监控的、告警阈值是什么、谁会被叫醒。如果答案是供应商远程盯着，那就追问一句：他们怎么会知道你换了包装。

如果你在这件事里的身份是进出口方而不是运营方，这条消息照样碰得到你，只是从另一扇门进来。你的货是被别人的人或别人的机器装进挂车和集装箱的，而你真正关心的只有两件事：到货时有没有坏，以及赶没赶上你客户在等的那个截单。所以别再把月台表现当成承运人的内部事务，把它当成你在买的一项规格。

向你的承运人或3PL要四个数，而且要的是你的货实际经过的那几个设施的数：这些设施的月台周转P50和P90；容积利用率或每车装载件数，因为数字低就等于你在为空气付钱；每万件错装数，因为错装就是包裹去了错误的地方再回来；以及每万件可归因于货物移位的货损数，并说明归因口径。如果承运人告诉你他们正在把月台自动化，这正是开口问切换期间我的截单和货损会被保持还是改善的时机，而且要把答案放进合同，不是留在邮件里。

然后留你自己的记录，因为那是你唯一能验证的版本。到货卸车之前，给货墙拍一张照，每一车都拍，拍一个月。按设施和线路记录货损。对照承诺截单记录迟到。这件事一个人每车花几分钟就够，却能给你一份自己拥有的基线。等承运人后来告诉你他们的新系统改善了什么，你手上就有一份不是他们的数据集，可以拿去对账。这不是不信任，这就是规格的用途。

另外，有一版你不用花钱就能在自己车间里跑，因为出口商把混装纸箱塞进一个40英尺集装箱，解的是同一道题：外形不规则、空间狭小、硬截止、门口排着一队纸箱。测你自己的装箱速率（箱/工时）、每箱容积利用率、目的港重装箱率、以及每百箱货损率。按货损率给你的箱型排序，你通常会发现痛主要来自其中两三种，而根因是装载方式而不是包装规格。改一个装载方式不要钱。

这份公告带来的更宽的启示，其实不在机器人身上。它是说：网络里最硬、最体力、最不体面的那个工位终于开始被埋点了，这意味着这个工位的数字有史以来第一次要变得可得了。先量化，再谈优化。如果你今天不知道自己月台周转的P90，明天你就说不清有没有改善，最后你会为别人的新闻稿买单。这周找一个班次，站到门口，拿一块秒表。这就是全部的作业。

还有一处该把秒表对准的地方，也是多数试点从来不测的地方。问题不在平均的那辆车，而在当晚最后两辆车。每个枢纽都排着一串发车窗口，处在分拣周期末尾的那几个最紧，因为上游所有的延误都已经挤进来了，而后面再没有一班可以补。所以测尾巴，别测中间。把每个班次最后三次发车的月台周转时间单独统计，跟其余的做对比。如果中位数是35分钟、最后三车是52分钟，你真实的风险敞口就是每辆这样的车17分钟，而自动化要对付的正是这个数。

假设一个设施一天发100车、其中6辆落在晚点尾巴里：如果自动化能把尾巴拉回中位数，你每天大约收回102分钟的门口时间，按45分钟窗口算就是多出约两车的有效产能。钱在这儿，而且它永远不会出现在平均值里。

还有一件事要先定：日志归谁。听上去像细节，其实不是，因为日志是唯一能让你日后跟任何人争论的东西。要求原始的单件循环时间遥测按周导给你，格式你自己能打开，不是大屏截图，也不是汇总统计。设一个完整度阈值：至少98%的已装挂车带完整日志，含件数、起止时间、故障代码和人工介入标记。低于这个数，这一周就不计入试点。然后固定每周看一次，但看的是最慢的十车而不是最快的，因为最快的车告诉你机器在好日子能干什么，最慢的车告诉你客户在坏日子会经历什么。如果供应商不肯交原始日志，把它当成商务条款而不是技术问题来处理：你被要求为一个你无法验证的结果付钱。

↑ 返回核心要点

— 作者 拉维