亚马逊云科技Ozgur Tohumcu：物理AI规模化落地，卡点往往不在技术
“企业把AI方案推向规模时，拖慢速度的通常不是技术。”亚马逊云科技汽车与制造全球总经理 Ozgur Tohumcu 给出了一个不太常见的判断。过去一两个月，大模型行业甚至出现了要不要放慢前沿模型研发节奏的讨论，模型能力本身已经足够超前，平台服务也足够先进。真正卡住企业的是另外的要素，有没有撑得住AI服务扩张的数据基座.
“企业把AI方案推向规模时，拖慢速度的通常不是技术。”这个判断来自亚马逊云科技汽车与制造全球总经理 Ozgur Tohumcu，跟常见说法不太一样。
过去一两个月，大模型行业里甚至讨论过要不要放慢前沿模型的研发节奏。模型能力已经够超前，平台服务也够先进。真正让企业卡住的，是另外几件事：数据基座能不能撑住AI服务的扩张，面向自主执行的智能体有没有配好护栏、可观测性和可追溯机制，组织还容不容得下试验。
亚马逊云科技拿出的，是自己在运营中攒下的经验。按其介绍，亚马逊运营网络里已经部署了超过100万台机器人。单台机器人怎么学习固然有价值，但更有价值的是集群层面的学习，以及这些经验怎么在全球运营网络中复制。
区域市场存在差异，研发和供应链的投入要有回报，数据、组织与安全也各有难题。物理AI走出试点之后，怎么变成一套能持续运行、也值得持续投入的生产系统？
模型在美国，速度在中国，规则在欧洲
在主题分享中，Ozgur Tohumcu列出三个趋势。自动驾驶经过多年训练和部署，开始进入大规模落地阶段；物理AI在工业场景里的应用不断扩大，制造业和汽车行业尤其明显；全球大型企业正向智能体架构和智能体组织演进，销售、营销、采购、供应链管理、制造等环节都在覆盖范围内。
面对这轮变化，各地企业的长处并不一样。在他看来，美国在前沿模型上领先，围绕前沿模型形成了一个巨大的重心，物理AI落地时仍要依赖这部分能力，所以美国保持领先。
中国、日本和韩国等地，尤其是中国，领先的是速度和规模。他用“令人惊叹”来形容中国的节奏，这里试验探索的氛围很浓，某种做法一旦被验证有效，企业扩张的速度极快。
欧洲企业的强项在治理政策，对主权的理解也很深。部署物理AI系统时，用了什么数据、数据存在哪里、谁有权访问、数据性质如何，都要在应用推广之前想清楚。
区域差异之外，还有一股力量在重塑车企的技术路线。合规政策持续收紧，数据主权要求叠加关税影响，企业的应对办法是：保持全球化运营的同时，把更多事情放到区域里做，尽量让业务闭环留在同一个区域内。比如亚马逊云科技在德国建了欧洲主权云，满足部分欧洲数据留在欧洲境内的要求。
回到亚马逊云科技自己身上，Ozgur Tohumcu给出的角色定位是一站式平台。
先是模型接入。客户可以按具体任务挑基础模型，有些任务并不需要用成本最高的那一个。模型蒸馏和定制是另一个重点，训练完成之后，要让模型跑在工厂设备或机器人上，部署环境、响应速度和成本都得重新考虑。
在这套体系里，Amazon Bedrock提供统一的模型接入途径，Amazon Bedrock AgentCore负责智能体的统筹管理。企业内部运行的智能体数量一多，权限、运行过程和生命周期的管理就会变得更要紧。
工厂车间对延迟很敏感，边缘侧的低延迟方案和底层数据基础设施，支撑着模型从云端开发走向现场部署。
图片来自AI生成
试点跑通之后，还要过规模与成本两道关
AI在汽车制造业的哪些环节最容易产生回报？
Ozgur Tohumcu表示，真正的效率突破很少来自单个环节，靠的是全链条打通带来的协同。
宝马集团就是一个例子：其自动驾驶仿真训练已在亚马逊云科技上跑完了超过10亿公里。欧洲传统OEM的研发周期以往要4到5年，如今缩短到3年左右；中国车企则只要18到24个月。
排在第二位的是供应链，这块重构起来难度不小，但能省的钱也最多。供应链数据分散在多个系统之中，智能体可以跨系统调取数据，由此把提炼价值、简化流程的用例建立起来。Ozgur Tohumcu的判断是，一家典型传统车企若重新梳理供应链运营，可节省数十亿美元。
AI的难点还在于从试点走到量产。第一是容不容易规模化，推广到生产环境要付出多少工作量；第二是规模化之后还赚不赚钱。
让Ozgur Tohumcu印象最深的情形是：德国某家工厂试点效果非常好，可要复制到140家工厂就没那么顺利——每位厂长各自管着自己的运营体系，亚马逊云科技得逐家说明这套体系能派上用场。
财务审核这道坎也不好过。某项方案在一辆车上跑得顺畅，放到大型车企数千万辆车的规模上，成本可能明显上升，企业甚至得重新挑选基础模型，以压低长期运行开销。类似的局面此前也出现过：客户已从技术上证明方案可以扩展，首席财务官却认定商业上并不划算。
这些问题最终又回到数据、安全和组织基础上。
制造场景里，OT 数据和 IT 数据常常各走各的路。工厂设备产生的运营数据怎么接上云，再跟企业管理系统里的 IT 数据打通，听着是件基础活，可不少客户仍得回头补这一课。亚马逊云科技讲的工业数据架构，指向的正是这件事：把制造执行系统（MES）、产品生命周期管理系统（PLM）等不同来源的数据连成一片，给后面的应用打好底子。设备连得越多，生产现场的安全管理压力就越大。客户要弄清楚两件事——现有的安全基础设施能不能覆盖新添的智能设备，这些设备的运行过程又能不能被有效管住。
还有一个点常被跳过，Ozgur Tohumcu 也提到了：单台机器人本身已经能拿出很强的表现，可一旦进了生产环境，真正要紧的是机器人彼此之间怎么通信、怎么配合，以及怎么跟人一起干活。
汽车座舱和自动驾驶里存在模型幻觉风险，Ozgur Tohumcu 把职责边界说得很清楚：亚马逊云科技负责提供基础设施，自动驾驶系统本身的设计、训练、运营和验证，仍然归客户。
落地链路的另一头是组织和人才。亚马逊云科技行业集群总经理田锋说，汽车和制造业属于少数有物理实体、产出物理产品的行业，链条长，研发环节跟别的行业完全不是一回事；客户要的不只是技术，组织与人才层面的 AI 素养同样关键。
