在貨運調度領域，一個眾所周知的矛盾始終存在：早上 6 點建構的路線計畫，鮮少能挺過 9 點的交通狀況、司機生病或承運商失聯等現實考驗。HERE Technologies 並非透過制定更好的靜態計畫來應對這項挑戰，而是開發一套能從計畫離開調度辦公室後的實際情況中持續學習的系統。

HERE Technologies 的 Bart Coppelmans 在 Home Delivery World 活動上接受 FreightWaves 採訪時，概述了公司的產品路線圖。討論涵蓋了 HERE 路線規劃引擎的升級、新推出的司機回饋工具 Last Meter Guidance，以及一個原型 AI 路線最佳化推理層——其設計目的在於解釋自身決策，而非僅僅下達指令。此一聚焦方向反映了物流團隊面臨的更廣泛營運問題：只有當調度員和司機能在現場條件偏離計畫時做出調整，路線最佳化才能創造價值。

規劃與執行的落差

路線規劃是 HERE 最成熟的服務之一，開發歷史已達十年。Coppelmans 表示，近期新增的功能正帶動更高的市場採用率。

「我們十年前就開始開發這項技術，但現在它在市場上才真正加速發展，成為效能最佳的最佳化求解器之一，尤其是因為我們去年新增的功能，」Coppelmans 說。

其中最重要的新增功能是時間相依最佳化，能將一天中交通狀況波動對配送運能的影響納入考量。

「早上九點鐘你能配送的訂單比下午一點鐘少，因為交通壅塞，」Coppelmans 說。

HERE 還推出了對司機友善的重疊路線功能，可減少司機在路線上反感的區域衝突。此外，步行群聚功能可偵測司機何時應一次停車後徒步完成多處配送，而非反覆進出車輛。

「從一個停車點出發，你可以步行配送某區域內的多個地點，這可能比反覆開車進出更有效率，」Coppelmans 說。

Last Meter Guidance 閉合迴路

這些規劃上的改進並未解決 Coppelmans 指出的核心挑戰：調度在早晨制定的計畫與司機在現場實際面臨的狀況之間的脫節。

「如果你在早上六點有了一個完美的計畫，到了九點它可能就已經不同了，因為突發事件——司機生病、承運商失聯或臨時的訂單變更，」Coppelmans 說。「你必須真正地動態且靈活，將這些因素納入考量。」

HERE 的解決方案是 Last Meter Guidance，這是一套運行於手持裝置或司機應用程式上的用戶端服務，可從現場收集感測器與定位資料。在密集的配送環境中，抵達停靠點的最後階段可能與僅僅導航至街道地址截然不同，尤其是當停車位置、建築入口與步行路徑決定了配送實際所需時間時。

「我們自動收集感測器與探針定位點，我們有自己的定位技術堆疊，」Coppelmans 說。「這項服務建立在此基礎之上，確保我們能從現場學習。我們收集車輛停車位置的軌跡資料、走向建築的步行路徑，標記建築入口與最終配送端點位置。」

這些資料可雙向流通。調度員獲得更精確的配送時間窗，而司機則獲得基於先前司機成功配送位置的停車與入口指引，而非僅仰賴地圖上標示的建築入口位置。

「不再有脫節了，」Coppelmans 說。「司機更願意信任所規劃的內容，可以說：『好的，這很合理。』」

AI 路線最佳化學會自我解釋

疊加在兩項服務之上的是 HERE 所稱的路線最佳化認知層——一項原型代理能力，該公司預期將於 2026 年稍晚進入封閉測試。底層的路線規劃 API 告訴調度員該做什麼，而推理層則旨在解釋為何做出這些決策。這項區別在調度營運中至關重要，因為看似效率低下的建議可能與使用者無法立即察覺的限制條件有關。

「為什麼這些訂單未被分配？為什麼這兩輛卡車同一天行駛在同一條街上？」Coppelmans 說。「可能是因為實際限制、駕駛技能或某些優先順序。」

該層不僅止於解釋，它還被設計用來建議修正措施——也就是經驗豐富的調度員憑直覺會做出的調整。

「也許放寬某些限制、將一些訂單移到明天，或增加兩輛車到運能中，」Coppelmans 說。「這就是特定領域的推理層。」

Coppelmans 將此轉變與車隊遠程資訊處理領域已有的發展進行類比——車隊運用生成式 AI 來調查輪胎為何失壓或資產為何失蹤。同樣的方法應用於調度營運，意味著管理者不再需要獨自推斷每一次服務失敗的所有下游原因。

「它能為你提供主動的回應，告訴你可以做什麼來進一步改善計畫並使其更好，」Coppelmans 說。

在 AI 幻覺產生前予以奠基

除了推理層之外，HERE 還宣布了另一項獨立的定位推理層，旨在防止大型語言模型在被詢問地理問題時捏造資訊。

Coppelmans 指出，當被要求在卡車路線的中途找一家餐廳時，通用型 LLM 經常產出不可靠的結果。

「如果你現在問通用型 LLM 某個地理位置，你會得到非常隨機的結果，完全偏離、錯誤的幾何形狀或錯誤的位置，」Coppelmans 說。「你會得到一個錯誤的 POI，不在河流附近而是在別的地方。你很容易被誤導，而這些 LLM 會基於地理位置查詢產生幻覺。」

HERE Location Reasoning 旨在為 AI 代理提供正確回答此類問題所需的空間奠基——無論是理解車輛在道路上的位置、圍繞中點劃定邊界，還是篩選確實位於給定路線上的興趣點。對於運輸應用而言，這種奠基至關重要，因為地理錯誤可能影響路線規劃、停靠點選擇以及傳達給司機的指令。

「這就是我們正在走的旅程，進一步支援市場上正在建構的各種代理，」Coppelmans 說。「我們為它們提供一個對應的層，讓它們能真正理解位置的脈絡並加以奠基。」

代理間通訊的未來

Coppelmans 並不認為推理層會取代公司自身的營運判斷。他指出，每家承運商的 KPI 與服務等級協議差異太大，無法由單一共享模型獨立處理。

「你需要運行自己的代理營運系統，但將來自他人的學習成果餵入其中至關重要，否則你會陷入孤島，」Coppelmans 說。

他認為，更長遠的前景更不像是單一公司擁有一個 AI 模型，而更像是代理之間互相查詢的網絡——承運商的調度代理向路線代理諮詢，就像一個人可能向同事尋求第二意見一樣。目前值得關注的近期指標是，封閉測試能否證明可解釋的路線建議能幫助調度員管理例外情況，而不會失去對營運規則的掌控。

「你可能會更多地從代理間通訊的角度來思考，將某些事物串聯起來，」Coppelmans 說。「它不一定要完全整合到你自己的系統中，你可以呼叫不同的代理來提取其他資料集以進行驗證和確認。但這還不是我們目前所在的位置，還有一段路要走。」