ARTICLE · 1281584
物理AI加速渗透:汽车与制造业规模化落地,刻度如何衡量?
编辑/ Jeffie 头图来源/ 豆包AI
100万台机器人、140家工厂、超过10亿公里仿真数据、18到24个月的新车研发周期——这四个不同维度的数据指向同一个命题：人工智能（AI）在汽车和制造业的规模化速度，究竟由什么决定？
在刚刚落幕的“2026亚马逊云科技汽车与制造行业峰会”期间，荣格工业传媒采访了亚马逊云科技汽车与制造全球总经理 Ozgur Tohumcu，他没有把答案归结为某一款前沿模型，而是把视线拉回数据基础、治理规则、组织文化和成本核算。对正在从单点试验走向全球运营的汽车业及制造业而言，这或许比模型参数更值得细看。
亚马逊云科技汽车与制造全球总经理 Ozgur Tohumcu
Part 1
汽车行业率先进入落地期
Ozgur Tohumcu观察到，汽车和制造行业正沿三条趋势线推进：第一，自动驾驶经过多年的AI训练与部署，已迈入大规模落地阶段；第二，Physical AI（物理AI）正在深度渗透制造业和汽车行业，推动产业持续升级；第三，全球大型企业正在迈向智能体架构和智能体组织，贯穿销售、营销、采购、供应链管理等各个环节。“为此，亚马逊云科技凭借可靠、灵活且具备强韧性的全球基础设施，以及加速软件定义架构开发与部署的全面能力，助力汽车和制造业客户实现AI的规模化落地。”
在自动驾驶领域，亚马逊云科技直面行业最大的瓶颈：处理海量传感器数据，以便大规模验证和部署自动驾驶汽车。借助Amazon Bedrock 和全面的AI产品组合，工程师可以用自然语言查询数百万种驾驶场景，将数周的工作缩短至片刻。在智能座舱中，亚马逊云科技的语音AI和生成式AI技术可让人车交互真正的实现自然对话，不再依赖预设指令。从虚拟化开发环境、车联网到Agentic AI工具，亚马逊云科技助力汽车制造商大幅缩短开发周期，更快地将新一代智能汽车推向市场。
谈到物理AI，他认为这一技术对中国同样至关重要。亚马逊云科技提供前沿基础模型的灵活接入、模型蒸馏与定制能力，以及边缘计算服务。但真正不同之处，是亚马逊自身业务中大规模部署物理AI的经验：从仓库设施内部分拣、货物搬运，到质量控制和质检，已有大量用例在部署。亚马逊还构建了内部基础模型，让新设备更快接入系统。今天，亚马逊运营中心运营着超过100万台机器人。每台机器人都有学习能力，但更有价值的是贯穿这些机器人之上的“集群级学习”，以及这种学习能力如何在全球运营网络中被规模化扩展和复制。
Part 2
AI落地速度由什么决定？
当企业从试点走向生产环境，决定AI部署快慢的究竟是什么？
在推进AI规模化落地的过程中，亚马逊云科技发现，真正决定部署速度的往往不是技术本身，而是三个关键因素：首先是，数据基础，企业需要合适的数据基座来支撑 AI 服务的规模化扩展。“虽然很多企业已转向统一数据模型，但那只是以静态方式把数据汇集在一起，供不同部门为不同用途访问。如今企业思考的是：我到底想构建哪些人工智能应用？如果这就是目标，我需要怎样的数据架构来支持？”Ozgur Tohumcu表示。
其次是，治理、安全性与可观测性，随着AI从提供建议转向自主执行，建立完善的护栏与可追溯机制至关重要；最后是，企业文化与组织架构，只有在鼓励试验、结构灵活的组织环境中，AI才能真正实现落地。
Ozgur Tohumcu以大众汽车为例：系统运行在其全部140家工厂中，过去7年合作中，在德国一家工厂做试点效果很好，但要推广到墨西哥、中国、美国等地的140家工厂，每位工厂厂长都在管理自己的运营体系，必须说服他们，证明这对他们自己的工厂是正确的做法。这涉及组织动态、运营方式、数据就绪度、人们信任度以及是否容易规模化。
另一个不能忽略的因素是成本核算。财务上，一个方案在一辆车上运行良好，以丰田这样的汽车制造商为例，如果要规模化，它将在数千万辆汽车上运行，在这个体量上，企业必须审视其成本在商业上是否仍然合理。Part 3
AI赋能价值如何排序？
汽车软件的设计、开发、验证和部署，每个阶段都能从人工智能技术的发展中获益：设计阶段可更快迭代；开发阶段，像Kiro 这样的 AI 编程助手显著提高了工程师的编码效率；验证阶段，尤其自动驾驶算法测试，系统能快速生成各类仿真工况并进行高并发验证。例如，宝马集团已在亚马逊云科技上完成超过10亿公里自动驾驶仿真数据训练。
这种飞跃带来了可观的双重收益：研发成本压缩的同时，产品上市周期也在缩短：传统欧洲OEM过去研发周期在4到5年，如今压缩到约3年；在中国，现在只需18到24个月。因此，Ozgur Tohumcu认为研发是AI赋能价值最高的环节。
“亚马逊云科技深耕汽车与制造业多年，在研发、供应链、售后等价值链各环节拥有深刻的行业洞察。我们与客户的共同实践表明，真正的商业价值从不源于单一环节的突破，而是来自贯穿整条价值链的协同创新。我们看到，在制造业和汽车行业中，研发环节往往能最早、最快地为客户带来投资回报。”他表示。
与此同时，AI在制造业大规模部署的挑战依然存在。
例如，在制造现场，运营数据与IT数据通常高度割裂，OT数据（操作技术数据）与IT数据如何互通，把工厂车间发生的事情与中央云系统连接起来，是规模化物理AI系统的基础。然而，工厂现场安全仍有顾虑：集中式架构相对容易控制安全，但车间连接大量具身智能设备或人工智能设备后，客户担心是否具备恰当的安全基础设施。单台机器人能力很强，但实际生产运营中，机器人之间如何通信、彼此如何交互、与人类如何交互，若解不开这道方程式，拥有的只是高度独立且孤立的物理AI单点应用，无法在运营环境中协同同步。
此外，供应链重构难度大，但也蕴藏降本机遇。供应链数据分散在许多系统中，有些是企业自己的系统，有些是供应商的系统。借助智能体系统，可以跨系统访问数据，构建提炼业务价值、简化流程的用例，重新思考供应链运营。
亚马逊近20年运营经验沉淀了大量知识库，拥有能够真正整合 OT 数据与 IT 数据的解决方案——工业数据架构。“亚马逊云科技的一大核心优势在于高度全球化的业务布局。我们在遵守当地法律法规的前提下，在全球各地区开展业务并为客户提供支持，运作模式与各地监管要求高度一致。对于一家志在全球化的企业而言，选择与一家业务版图同样覆盖全球的云与AI服务商携手，将大有裨益。”Ozgur Tohumcu表示。
汽车和制造业的下一程，比的不是谁先点亮一个演示，而是谁能让一次成功在更多工厂、更多车辆和更多国家稳定复现。亚马逊云科技在其中将扮演哪些角色，我们非常期待。
· END ·
欢迎持续关注荣格汽车制造
推荐阅读
Jeffie Gong
e-mail: jeffiegong@ringiertrade.com
