物理AI如何跨过规模化的坎？对话亚马逊云科技汽车与制造全球总经理

智东西
作者 ZeR0
编辑 漠影

智东西10月23日报道，近日，在2026亚马逊云科技汽车与制造行业峰会上，亚马逊云科技汽车与制造全球总经理Ozgur Tohumcu分享了AI时代带给制造业的变化，以及AI如何跨过试点，进入规模化生产环境。会后，他与智东西等媒体围绕这些思考进一步交流。

Ozgur Tohumcu在演讲中着重谈道，现在越来越多的概念验证正转入生产环境，这极大改变了我们理解智能体系统的方式。随着智能体思维和相关企业应用原则的引入，这些系统正在走向执行层，不再只是从不同来源汇集数据、展示在仪表盘上，而是开始实际完成任务。

他也很看好物理AI的发展，物理AI在制造业有很多机会，例如机器人视觉引导、开展内部物流、人形机器人应用、质检、系统优化、自研模型等，其中人形机器人广泛应用仍需考虑安全性和经济性。

▲亚马逊云科技汽车与制造全球总经理Ozgur Tohumcu

亚马逊已打造全球最先进的机器人运营体系之一，在其运营网络中部署超过100万台机器人，这些机器人每天会处理数百万件包裹、与数十万名员工协同工作。亚马逊云科技正通过基础模型、仿真与合成数据、模型蒸馏与优化、边缘计算与本地部署、硬件与物理载体五大支柱，来助力物理AI的全链路发展。

一台机器人能搬货、会分拣，已经不稀奇。真正考验企业的，是把这样的能力复制到更多设备、更多工厂，同时让成本算得过来。这正是汽车与制造业面对的一道考题。

按照Ozgur Tohumcu的观察，全球汽车与制造行业有三大趋势：1）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；2）物理AI正深度渗透制造业与汽车行业；3）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、供应链管理等各环节。

其中，物理AI尤其受关注。它让AI的能力从屏幕走向现实，涉及机器如何感知环境、理解任务并采取行动。但机器人单机能力强，不等于整座工厂就能高效运转。设备之间的通信、机器人与人的协作、可复用的经验，才是规模化应用要解决的问题。

Ozgur Tohumcu认为，比单台设备的学习更有价值的，是机器人群体之间的经验共享，以及这些能力在全球运营网络中的复制。

从这个角度来看，工业AI的竞争，正在延伸到整个系统的协同能力。

“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。”Ozgur Tohumcu说。

在推进AI规模化落地的过程中，他将真正决定部署速度的关键因素归纳为数据、治理和组织。

其中，数据问题往往最基础，也最难绕开。供应链、生产、销售各有一套系统，车间设备的运行数据与企业管理数据又常常彼此割裂。AI要协助制定生产计划，就需要同时理解订单、物料和产能。只把数据集中存放，还不足以支撑跨部门的业务执行。许多企业正在重新设计数据架构，以尽可能释放AI创造价值的潜力。

治理的要求也在提高。过去，AI提供建议，由人决定是否采用。如今，智能体开始调用工具、推进流程，企业就必须明确它能访问什么、能执行哪些操作，以及每一步如何记录和追溯。

组织同样决定速度。一家工厂验证有效的方案，推广到另一家工厂时，仍要面对不同的流程、管理习惯和人员信任。技术方案可以复制，组织接受它却需要过程。

亚马逊云科技行业集群总经理田锋也谈道，汽车和制造业是具备物理实体的行业，产业链条更复杂，研发环节也与其他行业截然不同，亚马逊云科技发现客户的真实诉求不仅在于技术支持，组织和人才层面的AI素养提升同样至关重要。为此亚马逊云科技推出了Amazon Quick、Kiro等产品，并已积累大量优秀的实践案例。

▲亚马逊云科技行业集群总经理田锋

这些问题，构成了亚马逊云科技的切入点。在客户部署物理AI时，亚马逊云科技致力于提供一站式平台服务：通过Amazon Bedrock提供前沿基础模型，通过Amazon Bedrock AgentCore支持智能体的统筹编排与生命周期管理，并在边缘侧提供底层基础设施与低延迟解决方案。

面向物理AI，还需要衔接仿真、模型蒸馏与优化，以及边缘部署，让模型适应车间对延迟和成本的要求。

选择模型也要根据任务来判断。复杂任务需要更强的能力，高频、明确的任务则要仔细权衡成本。试点阶段可以接受的调用费用，扩大到大量设备或车辆后，可能就会改变项目的商业可行性。

那么，企业会先从哪里获得回报？

Ozgur Tohumcu判断，在制造业和汽车行业，研发环节往往能最早、最快地为客户带来投资回报。从设计迭代、软件开发到仿真验证，AI可以参与多个环节。企业既有机会压缩研发成本，又有机会缩短产品上市周期。

供应链则蕴藏着另一类机会。数据分散在企业内部和供应商系统中，智能体有望帮助企业跨系统获取信息、衔接流程。

相比之下，售后服务的价值更多体现为客户满意度和留存，未必能迅速转化为直接收入。

这也让汽车与制造业的AI落地有了更清晰的次序，从业务问题出发，找到能够衡量收益的环节，再把数据、权限、流程和成本逐项理顺。

走进生产现场后，AI要接受的是更长久的检验，需解决如何持续缩短一次研发迭代、减少一段流程等待、把有效经验复制到更多工厂等现实问题。