“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，有没有为自主执行的智能体准备好护栏、可观测性与可追溯机制，以及组织是否还容得下试验。
Ozgur Tohumcu举例表示，大量车企的AI项目停留在概念验证阶段，没有真正走向量产与工业化落地，制造企业已经证明AI行得通，剩下的难题是怎么让它铺满整条价值链。
亚马逊云科技为此拿出了自身的运营经验。据其介绍，亚马逊运营网络中已部署超过100万台机器人。单台机器人的学习之外，更有价值的是集群层面的学习，以及这些经验如何在全球运营网络中复制。
从区域市场的差异，到研发和供应链的投入回报，再到数据、组织与安全，物理AI走出试点之后，如何成为一套可以持续运行、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
Ozgur Tohumcu在主题分享中列出了三个趋势：自动驾驶经过多年的训练和部署，开始进入大规模落地阶段；物理AI在工业场景中的应用不断扩大，制造业和汽车行业尤其明显；全球大型企业正在向智能体架构和智能体组织演进，应用范围覆盖销售、营销、采购、供应链管理和制造等环节。
面对这轮变化，不同地区企业的优势也有所不同。在他看来，前沿模型上美国领先，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，美国因此保持领先。
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，一旦某种做法被验证有效，企业会以极快的速度扩张。
在欧洲地区，企业在治理政策上很强，对主权的理解很深，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，都需要在应用推广之前考虑清楚。
区域差异之外，还有一个变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，企业的应对方式是，在保持全球化运营的同时把更多事情区域化，尽量把业务闭环留在同一个区域内。例如，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。
落到亚马逊云科技自身，Ozgur Tohumcu给出的角色定位是一站式平台。
首先是模型接入，客户可以根据具体任务选择基础模型，有些任务并不需要使用成本最高的模型。模型蒸馏和定制是另一个重点，训练完成后，要让模型运行在工厂设备或机器人上，还需要重新考虑部署环境、响应速度和成本。
在这一体系中，Amazon Bedrock提供统一的模型接入途径，Amazon Bedrock AgentCore支持智能体的统筹管理。随着企业内部运行的智能体数量增加，对权限、运行过程和生命周期的管理也会变得更加重要。
工厂车间对延迟敏感，边缘侧的低延迟方案和底层数据基础设施，则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，而是全链条打通带来的协同。具体到投入产出，研发通常最先也最快见到回报，汽车软件的设计、开发、验证、部署四个阶段都能吃到AI的红利，设计阶段迭代更快，开发阶段有 Kiro 这样的编程助手提升工程师效率，验证阶段可以快速生成仿真工况做高并发测试。
例如，宝马集团已经在亚马逊云科技上完成了超过10亿公里的自动驾驶仿真训练，欧洲传统OEM的研发周期过去在4到5年，现在压到3年左右，中国车企只需18到24个月。
供应链排在第二，重构难度大，但降本空间也最大。供应链数据散在很多系统里，智能体可以跨系统取数，把提炼价值和简化流程的用例搭起来。Ozgur Tohumcu认为，一家典型传统车企如果重塑供应链运营，能省下数十亿美元。
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。
Ozgur Tohumcu见过的最典型情况是，德国某家工厂的试点效果极好，但要推广到140家工厂，每位厂长都在管自己的运营体系，亚马逊云科技需要证明这套体系对每家工厂都有作用。
财务这一关同样难过，一辆车上运行良好的方案，推广到大型车企数千万辆汽车的体量，成本可能显著增加，企业甚至需要重新选择基础模型，以降低长期运行费用。之前也存在一种情况，客户已经证明方案在技术上可以扩展，首席财务官却认为商业角度不划算。
这些问题最终又回到数据、安全和组织基础上。
在制造环境中，运营数据与IT数据往往相互割裂，如何把工厂设备产生的OT数据接入云端，并与企业管理系统中的IT数据互通，听起来基础，却仍是许多客户需要补上的一环。亚马逊云科技所强调的工业数据架构，就是要将制造执行系统（MES）、产品生命周期管理系统（PLM）等不同来源的数据连接起来，为后续应用提供基础。
设备连接越多，生产现场对安全管理的要求也越高，客户需要确认，既有的安全基础设施能否覆盖新增的智能设备，以及这些设备的运行过程能否得到有效管理。
Ozgur Tohumcu还提到了一个容易被忽略的问题，单台机器人已经可以展示很强的能力，但进入生产环境后，更重要的是机器人之间如何通信、如何协同，以及如何与人共同工作。
对于汽车座舱和自动驾驶中的模型幻觉风险，Ozgur Tohumcu则明确了职责边界，亚马逊云科技提供基础设施，具体自动驾驶系统的设计、训练、运营和验证，仍由客户负责。
组织和人才，是这条落地链路的另一端。亚马逊云科技行业集群总经理田锋表示，汽车和制造业是少数具备物理实体、产出物理产品的行业，链条长，研发环节与其他行业完全不同，客户的诉求不只在技术，组织与人才层面的AI素养同样关键。（本文首发于钛媒体APP，文 | TechPulse）
热门跟贴