在露天矿山，最烧钱的时刻往往不是卡车跑起来的时候，而是它们停着的时候。
一辆自重加载宽体达到100吨以上的燃油物流重卡，在鄂尔多斯的矿坑深处，每小时怠速空转要烧掉近5升柴油。一个拥有80辆重卡的中型露天煤矿，每天因为电铲排队、重卡“塞车”、卸载点拥堵而产生的无效怠速时间，加起来常常超过240个小时。这意味着，每天还没开始运煤，几千升柴油就已经化作浓烟白白烧掉。
在自动驾驶行业，L4级无人驾驶卡车的宏大叙事听上去很美。但根据2025年下半年以来的行业实际反馈，即便中国已经拥有超过2100台无人驾驶卡车（据 Global Data 数据库统计，这一保有量居全球第一），但面对复杂的矿山地质沉降和高昂的单车改造成本，绝大多数矿企依然在“用不用得起”之间徘徊。
2026年，工业AI的落地风向变了。技术团队开始意识到：别急着更换无人驾驶硬件，先用算法把排队问题解决，就能拿到最直接的真金白银。
为什么传统的调度系统失效了？
传统的矿山调度被称为“卡车调度系统”，核心是基于GPS围栏和固定规则。比如：当A电铲处的卡车少于3辆时，派后续卡车前往A点。
但在实际场景中，这种“规则驱动”的系统极其脆弱。重卡在坡度8%的碎石矿道上，重载上坡和空载下坡的动力学特性完全不同。如果前车是一辆发动机磨损、动力不足的老车，后车就会被迫在坡道上尾随，导致油耗飙升。此外，电铲的挖掘效率不是恒定的，遇到硬岩爆破区域，电铲装满一车的时间可能从2分钟延长到5分钟，原本规划好的“均匀排队”瞬间就会变成“大排长龙”。
这种必须与物理世界实时博弈的场景，正是物理AI大显身手的地方。这不仅仅是解决一个数学规划问题，而是要将重卡动力学、路面摩擦阻力、电铲作业功耗等物理约束，全部塞进算法模型的考量范围，实现动态的算法排班。
用强化学习，让卡车与电铲“双向奔赴”
北方某年产千万吨级的露天煤矿，在不更换一辆车、不加装昂贵激光雷达的前提下，于今年年初上线了一套全新的强化学习重卡调度系统。
技术团队放弃了传统的启发式规则，转而采用基于多智能体强化学习（MARL）的调度架构。这与2026年大模型训练的技术转向不谋而合——不再依赖死板的人工标注数据或规则集，而是通过奖励函数（Reward Function）在仿真环境中进行海量自博弈训练。关于强化学习在近期的技术爆发，可以参考《告别暴力堆数据：2026年大模型训练为何集体转向强化学习？》。
在这套系统中，每一辆重卡和每一台电铲都被抽象为一个智能体（Agent）：
- 状态空间（State）：包括卡车当前载重、剩余油量、发动机瞬时扭矩、路段坡度、实时排队长度、电铲当前的满斗率。
- 动作空间（Action）：决定下一阶段的行驶速度建议、目标装载点选择、是否在路口避让。
- 奖励函数（Reward）：将“吨·公里油耗最小化”与“电铲等待时间最少化”设为核心惩罚项。
在算法重构后，系统不再给出死板的“去哪儿”指令，而是给出“以时速多少巡航，能在电铲刚好空闲的瞬间到达”。
例如，当算法检测到3公里外的1号电铲正在处理一块顽石、装载速度变慢时，它会立刻通过车载终端通知正在前往该处的3辆重卡，将巡航时速从35公里降至22公里。卡车不需要在电铲前停下怠速排队，而是利用低速巡航的低油耗区间，在电铲刚刚处理完碎石的瞬间，刚好滑行到装载位。这在物理上消除了绝大部分的“起步-刹车-起步”高能耗循环。
异常处理：算法如何搞定不听话的司机？
在实际落地中，工业AI面临的最大挑战往往不是算法本身，而是“物理世界的动态异常”与“人的博弈”。
矿山卡车司机有自己的“小算盘”。有的司机为了多拿趟次提成，会故意超速插队；有的司机则为了省力，故意在隐蔽路段“磨洋工”。如果算法调度无法应对这些行为，系统很快就会瘫痪。这就像在物流分拣中心，AI必须第一时间处理传送带卡死等规则外异常一样（参考《AI Agent进入分拣中心，先处理规则外的异常》），重卡调度算法也需要极强的鲁棒性。
技术团队在强化学习模型中引入了“司机行为预测模块”。算法通过历史轨迹数据，能够精准识别每个司机的驾驶习惯（是激进型、温和型还是保守型）。
当某位激进型司机试图超速“插队”时，算法不会简单地进行语音警告，而是会动态调整后续路口的信号提示，甚至提前给目标电铲派发其他车辆，让“插队”失去意义。通过这种机制，算法不仅优化了车流，还无形中抹平了不同司机之间的操作差异，实现了整条运输线的标准化。
15%油钱背后的账本
上线运行半年来，该露天煤矿交出了一份硬核的降本增效成绩单：
- 燃油消耗降低 15.3%：通过消灭无效怠速与坡道无序起停，单车日均油耗显著下降。
- 电铲利用率提升 11.8%：电铲“等车”的空运转时间减少，整体运力吞吐量提升。
- 零硬件改造成本：算法运行在矿区边缘服务器上，车载终端仅需推送速度和路线建议，避开了昂贵的高级别自动驾驶硬件投入。
这给当下焦虑的工业AI创业者提供了一个极佳的启示：在算力成本与硬件成本居高不下的今天，与其死磕需要万亿参数、巨额投资的端到端大模型，不如退一步，在封闭、高耗能、多约束的实体工业场景中，用轻量级的算法去解决一个具体到“滴油”的物理痛点。
毕竟，在实体产业里，能帮老板省下15%油钱的算法，比无法落地的“概念车”更有说服力。
