森鹏总监常锋涛深度分享丨环卫数字化 AI应用落地——实践路径与避坑指南

以下是演讲全文，干货满满：

我从三个方面展开分享：首先是我们在AI方面的实践，都做了哪些AI应用；第二是AI的落地路径，如何不走弯路；第三是AI落地需要的能力和条件，干这个事之前要做好哪些准备。

一、垃圾收运：AI路径优化与成本测算

我们目前做了四个方向的AI应用。第一个方向是关于垃圾收运场景的AI应用，先看一下这个场景的痛点难点。

我们走访过将近80家企业，得出这样一组数据：90%的企业经常遇到垃圾漏收带来的投诉问题。不是司机故意漏收，是一条线路收集点太多，几十上百个，而且分散，收运频次还不一样，有点位一天收一次，有的一天两次，有的两天一次，靠司机的脑子记真记不住，漏收就是常事。

第二点，干私活，工厂比较多的地方常见，这些工厂的清运本来不在服务范围内，司机和工厂私下沟通，隔三差五帮他清运垃圾，典型的拿公车干私活。我们调研过一家企业，老板说他们有一个项目，一年干出400多万的私活，这都应该是企业的利润啊！这还是做得太明显被发现的，没被发现的还有多少？不知道！

第三点，路线难规划、能耗难管控，这是车队长比较头疼的事，一个大项目通常一两千个点位，如何规划每条线路不绕路、最短路径串起来，靠人脑不可能规划清楚，找不到最优路径，每天的能耗就在无声地浪费。第四点，车辆运力不饱和，造成车辆资源错配的固定成本浪费，我们见过很多项目，一台18吨的压缩车一天干不到4个小时，有的每趟满载率不到60%，这样就造成极大的浪费，但这也不是团队故意的，是进场前靠人的经验很难做好最优规划，运营过程中也很难调优。

针对这四个行业痛点，我们开发了AI路径优化与成本测算模型，简单汇报一下原理：模型左侧是项目运营要素数据的输入，包括项目实际的垃圾收集点位置、每个点位的收运量和时长、现有车辆资源——就是各种吨位的车都有多少台、排班出车时段等约束条件、成本基础数据，比如油价、电价。经过模型计算，输出三类结果：一是覆盖所有收集点的最优线路，算法里是两个原则，总收集里程最短、投入车辆最少；二是该投入的最优车辆配置；三是最优方案的运营成本，跟优化前的对比。管理者觉得不错，直接点击下发给每个司机，司机按照APP路线执行就行。

用一句话总结这个方案：让作业执行可控，效率改善降低应用门槛，成本可控、成本可预测。

二、道路清扫：先验证价值，再做AI

第二个AI应用是道路清扫作业场景。做这个应用之前，我们是先通过数字化系统在客户现场验证了价值锚点，同时发现这些价值点单靠项目团队去做门槛太高，得是很优秀的运营经理才能管出效果，所以我们想通过AI的能力实现能力平权，才有了这个应用。

先看这个场景的管理锚点，核心三个方面。第一，有效作业率，就是一条作业路线中作业里程与行驶总里程的比值百分比，指标越高，说明配套的空驶越少，无效能耗浪费也最少，它反映了一线线路中停车场、加水点、作业路段、排污点、车辆作业能力之间的规划关系。这个指标每提升10%，单公里作业折合能耗降低8%，对节油管理影响非常大。第二，副发转速的管理，副发转速每降低10%，油耗降低6%。各位专家都清楚，副发转速越高，上装动力越大，扫得越干净，但实际项目的管理中，有的道路造脏量没那么大，你非开1800转的转速，这就是浪费，所以“一路一策”的精细化管理是节油的重要一点。第三，作业饱和度的管理，也就是每台车每天能干多少里程的活，一个项目常规任务量是一定的，单车作业能力提升，意味着可以少配车辆，我们跑出来的数据是饱和度提升50%，可以减车20%。

按这三个方面管理，我们服务过的一个项目跑出来的数据是：洗扫车、洒水车加一起53台车，年节油190万，减车12台，总的年降本323万，这样的数据很不错吧？但我们发现这个项目的成功复制到其他项目并不是很容易，因为它有两个基础：第一是这个项目运营团队水平比较高，第二是投入的精力足够大，我记得是他们投入了半年的时间，做了三次大的方案调整。我们就在思考，要把数字化系统应用好对项目团队的要求就太高了，所以我们琢磨借用AI的能力，就有了这个解决方案。其实大逻辑跟垃圾收运场景类似，只是它的输入数据、条件、算法不一样，最终都是要快速输出最优的作业线路、最优的车辆资源配置、成本测算，确定优化方案后下发司机APP执行。让每个项目的优化降低对项目团队的要求，优化周期大大缩短，成本可控。

三、AI视觉：让问题暴露与处理更及时

第三个场景是AI视觉的应用，主要在两个场景。第一个是日常的品质巡检，巡检车上安装AI视觉边缘计算套件，抓拍道路垃圾，自动生成案件派发到作业人员APP，作业人员处理完APP上传拍照，云端自动复核，生成案件结果、案件排行分布、巡检执行率这些相关分析。那这个技术能不能用到城市里已经安装的固定摄像头上？于是有了第二个场景，把垃圾亭、路边的摄像头都利用起来，通过远程抓拍图片到云端，云端识别出事件，自动驱动相关业务部门去处理、跟踪全过程。总的来说，这个应用是让问题暴露与驱动处理更及时，大大降低对人力的依赖。

四、企业级AI智能体：把专家经验变成组织能力

第四个应用是企业级AI智能体平台。为什么要做这个？因为我们发现企业在落地数字化运营的过程中，依然存在四类问题不好解决。

第一个，基层员工抵触，除了被监管的心理抵触外，就是系统操作嫌麻烦，比如车队长调整一个排班，要进到多个页面操作，对于咱们环卫行业的从业人员来说的确有点困难。第二个，中层管理人员水平参差不齐，一些人员能力不足，带来应用效果不好的问题。第三个，高管团队日常经营中经常随机要一个定制化的报表，而且要得很急，这就会让下边的人加班耗费大量时间去系统里扒数据、重新整理，效率低下而且很耗人。第四个，企业组织能力的沉淀问题，老板经常考虑的是，如何把优秀的项目管理经验沉淀到企业中，而不依赖某一个人或者一些人，如何把优秀经验快速赋能给还不算优秀的人，形成企业自生长的组织能力。

针对这四个痛点，我们推出AI智能体平台，核心是三方面的能力。第一，业务处理能力，也就是你只需要跟它对话，说出你的需求，它自动帮你处理，举个例子，你要调整一个排班，只需要在对话框中说出调班要求，它会自动理解，然后进入数字化系统完成调整，大大降低基层员工的使用门槛。第二，数字专家技能skills，我们把不同场景下优秀的运营经验沉淀为专家技能，比如垃圾收运运营分析专家、项目预算专家，管理人员分析自己项目运营数据时可以直接调用这些技能，给你最专业的分析报告，当然我们也支持员工根据擅长领域创造技能，这就是把优秀的经验沉淀到企业中，赋能组织。第三，数字秘书应用，就是解决老板随机要定制化报表的问题，高管只要通过对话讲清楚我要什么报表，只要数据库中有最底层的数据源，就能快速生成。

五、AI落地的路径：先把基座做扎实

大家看了这些AI应用都会觉得很实用、很美好，那怎么落地？通过一张系统架构图就能看明白AI到底是怎么长出来的，一共分三层。

最下边一层是数据采集层，这是地基的第一层，要通过智能硬件自动采集全面准确的数据，比如车辆这块我们有一个作业工况采集终端，来搞定不同品牌、不同年限、不同车型的底盘和上装作业工况数据，比如一些AI视觉识别硬件。但有这些点状的数据还不够，再看第二层，这层叫业务数字化层，硬件采集的点状数据要结合业务形成业务流和指标，才能满足基础的管理使用。举个例子，数据采集层就像面粉，加入水和成面、再上火蒸成馒头才能供人食用，业务数字化层干的事就好比加水、和面、蒸煮，这两层合起来就是企业数字化的过程。有了各个环节的业务数据，给到专属AI模型再精加工，才能出来各式各样又精又美的“点心”。

一句话总结：先把数据采集层和业务层做扎实，才能长出AI。地基不牢，地动山摇。

六、AI落地的能力与条件：六种能力，三项准备

路径清楚了，干这件事还要具备哪些能力和条件？我认为是两个方面。

首先是技术服务商要具备六种能力。一，硬件能力，是为了采集数据，而且要满足不同厂家的数据采集。二，软件能力，不必多说，因为最终系统是载体。三，行业know-how，这点非常重要，很多人说，服务商按照甲方要求做不就行了吗？这种认知就是最大的坑。甲方岗位角色很多，需求出发点都不一样，很多时候不是基于公司整体利益考虑问题，所以技术服务方必须深刻理解企业运营，理解不同角色的表面诉求和底层目的，要比客户还了解客户，才可能把系统做好。四，AI应用能力，其实这部分能力的基础还是前面三种能力。五，客户成功服务，就是服务商有没有一套帮助客户推行系统落地的方法，这点非常重要，系统再好，落地过程都有阻力，一是改变习惯的阻力，二是利益冲突的阻力，服务商得有能力、有策略地配合客户做好落地。六，战略定力，这个行业在升级，技术在变化，技术服务商只有做好“一米宽万米深”的战略定力，才可能持续提供好的服务。

再看环卫企业自身要做好哪些准备，三个方面。第一，一把手挂帅，这点不多讲，大家都清楚，这种级别的转型必定带来系统性阻力，必须一把手挂帅才推得下去。第二，运营部门主导，这一点非常重要，很多企业认为建系统就该IT部门牵头搞，这是致命的错配，因为整个系统是给运营用的、也是给运营赋能转型的，运营必须深度参与才能真正融入业务管理，IT部门主要在技术支撑、安全把控、协调服务商上做好协助，这样才能保障数智化运营在企业落地生根。

最后一句总结：选错技术服务商注定失败，企业没准备好也很难成功。

七、关于森鹏

最后简单介绍一下森鹏。森鹏有两个研发板块：森鹏电子专注于商用车电控系统研发，为各大商用车厂提供技术和产品服务、包括无人驾驶企业，所以沉淀了懂车、懂硬件的能力；森鹏物联专注于环卫领域的数智化管理软件研发，通过近7年的持续深耕，我们逐渐被更多头部企业选择合作。如果用几个关键词给自己总结，我想是：软硬件一体能力、求真、务实、愿意扎到客户业务中、持续深耕。