【环球网科技综合报道】近日，在亚马逊云科技汽车与制造行业峰会的采访中，一个数字被反复提及：85%。这是全球车企AI试点项目未能真正走向大规模量产与工业化落地的比例。当生成式AI与自动驾驶技术经历了数年狂热投入后，行业正站在一个冷静而关键的分水岭上——技术本身已足够先进，但规模化部署的瓶颈究竟在哪里？
亚马逊云科技汽车与制造全球总经理Ozgur Tohumcu用三大趋势概括了行业走向：自动驾驶进入大规模落地阶段，Physical AI加速渗透制造业与汽车行业，大型企业则开始迈向智能体架构与智能体组织。但他随后抛出的判断更值得关注——“真正决定部署速度的往往不是技术本身，而是数据基础、治理安全与可观测性，以及企业文化与组织架构。”亚马逊云科技行业集群总经理田锋则从行业实践角度补充了另一层观察：“客户的真实诉求不仅需要技术支持，组织和人才层面的AI素养提升同样至关重要。”
图：亚马逊云科技汽车与制造全球总经理Ozgur Tohumcu
这两句话，构成了理解当下汽车AI竞赛的关键切口。当前沿模型和平台服务已足够先进，为什么仍有大量项目停留在试点阶段？当技术不再是唯一瓶颈，车企究竟需要补齐哪些系统性能力？
三大趋势定义行业拐点：中国速度与全球分工
在Ozgur Tohumcu看来，目前的三大行业趋势并非孤立存在。自动驾驶的规模化落地依赖海量数据训练与仿真验证能力，Physical AI的渗透要求云端算力与边缘侧低延迟的协同，而智能体组织的演进则指向企业数据架构与治理体系的全面重构。三者共同指向一个结论：汽车行业的AI竞赛，已从“能不能做”进入“能不能规模化做”的阶段。
在全球化分工上，Ozgur Tohumcu给出了一个判断。他指出，在前沿模型方面美国处于领先地位，围绕前沿模型形成了一个巨大的重心；但在物理AI的落地实现上，中国、日本和韩国——尤其是中国——在速度和规模上处于领先。“中国的速度简直令人惊叹。我觉得这里有着非常浓厚的试验探索文化。一旦某些尝试奏效了，这里的文化就会促使你以极快的速度去规模化扩张。”与此同时，欧洲在治理政策与数据主权方面拥有深刻理解，形成了另一种维度的竞争力。
这种“美国领跑前沿模型、中国领跑落地速度、欧洲领跑治理规则”的全球格局，意味着跨国车企必须在效率与合规之间寻找动态平衡。而亚马逊云科技也尝试提供一站式平台——让客户在同一个架构下获取前沿模型、完成模型蒸馏与定制、部署边缘侧低延迟方案，并满足不同区域的数据驻留与主权要求。
研发环节ROI最高，供应链是下一个金矿
当被问及AI在汽车制造业各环节的价值排序时，Ozgur Tohumcu给出了明确判断：研发环节往往能最早、最快带来投资回报，其次是供应链，售后则较难直接变现。
在研发维度，AI的价值体现在设计迭代、软件开发与验证测试的全链条。设计阶段，AI可加速方案迭代；开发阶段，Kiro等AI编程助手显著提升工程师编码效率；验证阶段，系统能够快速生成各类仿真工况并进行高并发验证。他以宝马集团为例：客户已在亚马逊云科技上完成超过10亿公里的自动驾驶海量仿真数据训练。这种工业级规模的仿真能力，直接压缩了研发成本与产品上市周期。传统欧洲OEM的研发周期从4到5年压缩至约3年，而中国车企已缩短至18到24个月。
供应链则是另一个被低估的降本富矿。Ozgur Tohumcu认为，供应链数据分散在自有系统与供应商系统之中，借助智能体系统跨系统访问数据、提炼业务价值、简化流程，一家典型传统车企若重塑供应链运营，将可节省数十亿美元并带来立竿见影的利润改善。至于售后环节，虽然难以直接变现，但通过提升客户满意度与留存率，同样具有战略价值。
这一价值排序对车企的AI投资策略具有直接参考意义：优先将资源投向研发与供应链两大高ROI场景，同时以售后体验为长期护城河。而亚马逊云科技在这些环节的覆盖，并非单点工具的输出，而是贯穿整条价值链的协同能力。正如Ozgur Tohumcu所说：“真正的商业价值与效率突破从来不是来自单个环节，而是源于整条价值链的全局打通与协同创新。”
规模化瓶颈不在技术，而在数据、治理与文化
85%的PoC项目折戟，原因究竟何在？Ozgur Tohumcu的答案颇具反直觉色彩：极少是因为技术本身。
“前沿模型已经非常先进了，平台服务同样极其先进。通常拖慢企业步伐的其实是数据基础。”他指出，过去5到7年许多企业已转向构建更为统一的数据结构，但那只是以静态方式把数据汇集在一起供不同部门访问。如今真正的转变在于：企业开始从“我想构建哪些AI场景”倒推“我需要怎样的数据架构来支撑”。这种以场景为锚点的数据架构思维，过去两年发生了巨大转变。
第二个瓶颈是治理、安全性与可观测性。随着AI从提出建议转向通过智能体系统实际执行，企业需要在允许智能体自主运行之前建立强大的护栏、可观测性和可追溯性，确保其始终按规范交付。第三个瓶颈则指向企业文化与组织架构——在层级固化、不鼓励试验的组织中，智能体系统难以生根。
在规模化推广的具体挑战上，Ozgur Tohumcu补充了两个务实维度：其一是扩展的难易度，他以大众汽车为例，系统运行在其全部140家工厂中，在德国某工厂验证成功的方案要推广至墨西哥、中国、美国的工厂，需要说服每一位工厂厂长，涉及大量组织动态与运营方式考量；其二是财务可行性，以丰田为例，单台车验证有效的方案推广至数千万辆汽车时，成本结构可能不再合理，必须重新审视模型选型与商业逻辑。“我见过很多案例，客户证明了方案在技术上具备可扩展性，但首席财务官表示：这想法固然很棒，但从商业角度看并不划算。”
针对汽车场景下的AI安全风险，Ozgur Tohumcu划清了责任边界：亚马逊云科技提供安全、高韧性、高可用的基础设施，但不直接进行车辆算法训练或特定工作负载处理，自动驾驶系统的设计、运营与验证是客户自身职责。他同时表达了对自动驾驶系统提升交通安全的信心，但强调必须进行妥善训练与严密验证。
Physical AI：百万机器人背后的集群级学习
如果说自动驾驶是AI在汽车行业的“上半场”，那么Physical AI在制造场景的渗透则是正在展开的“下半场”。Ozgur Tohumcu在这一领域给出了亚马逊最具说服力的底牌：亚马逊运营中心运营着超过100万台机器人。
但真正的价值不在单台机器人的学习能力，而在于贯穿100万台机器人之上的“集群级学习”——以及这种学习如何在全球所有运营网络中被规模化扩展和复制。这一能力源自亚马逊自身近20年的运营实践，沉淀了极其庞大的知识库，并已通过亚马逊云科技的基础设施、AI服务与运营专长向所有客户开放。
在技术架构层面，亚马逊云科技通过“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”五大支柱赋能Physical AI全链路发展。Amazon Bedrock提供统一、标准化的多模型接入途径，Amazon Bedrock AgentCore则面向未来企业内部同时运行数千个智能体的场景，提供统筹编排与生命周期管理。在工厂车间等低延迟场景，边缘侧解决方案确保推理效率。
然而，Physical AI的规模化远非单点技术问题。Ozgur Tohumcu说道，制造环境中OT数据与IT数据高度割裂，如何将工厂车间的运营数据上传至云端并与IT数据互通互联，是规模化扩展的基础前提。此外，工厂现场连接大量具身智能设备后的安全基础设施、机器人之间及机器人与人类之间的通信协同，都是尚未完全解开的方程式。“除非我们解开这个难题方程式，否则你拥有的就只是高度独立且孤立的Physical AI单点应用。”为此，亚马逊云科技提出“工业数据架构”愿景——构建通用数据平台，连接MES、PLM等各类系统，让所有数据源汇入统一底座。
全球化与区域化并行：合规时代的云服务定位
在全球合规政策持续收紧的背景下，跨国车企的技术落地策略正在发生微妙转变。Ozgur Tohumcu观察到，客户在保持全球化运营的同时，正努力将更多业务闭环保留在同一区域之内，从过去自由流动的纯粹全球化模式，转向更加偏向区域化的运营模式。
亚马逊云科技的应对策略是“全球布局、本地合规”。以欧洲为例，其在德国建立了欧洲区域的完全主权云，支持对数据驻留有着严格要求的客户。“未经客户的同意，我们绝不会做任何事情。”Ozgur Tohumcu强调，亚马逊云科技的运作模式与各地监管要求高度一致，对于在160个国家开展业务的OEM客户而言，这种覆盖全球的云与AI服务能力具备巨大优势。
图：亚马逊云科技行业集群总经理田锋
田锋则从行业深耕的视角补充了另一个维度：相较于互联网企业，传统大型企业的转型节奏偏慢，AI素养提升与规模化支撑尤为关键。亚马逊云科技推出的Amazon Quick、Kiro等产品已积累大量实践案例，客户安克创新将各业务条线整合为统一AI平台，因Token消耗量极大而选择Amazon Bedrock AgentCore支撑企业级平台运行。田锋表示，亚马逊云科技希望将这类成功经验推介给更多制造业和汽车行业客户，持续在行业层面推广AI素养与规模化能力。
规模化的本质是系统性工程
目前，汽车行业AI应用正经历一次认知升级：技术先进性与规模化落地之间，隔着一整套数据架构、治理体系、组织文化与财务模型的系统性工程。研发环节的ROI优势与供应链的降本空间构成短期价值锚点，Physical AI的集群级学习能力指向长期制造范式变革，而数据主权与区域化合规则划定了全球化运营的边界条件。
亚马逊云科技给自己的定位是不做自动驾驶算法的设计者，不做车辆系统的运营者，而是做那个让客户在统一平台上获取前沿模型、完成蒸馏定制、部署边缘推理、满足合规要求的基础设施提供者。Ozgur Tohumcu在采访中说道，当企业思考Physical AI系统时，需要的是“访问前沿模型的途径、模型蒸馏与定制的能力、边缘侧的低延迟方案，以及底层的数据基础设施”——而这些，正是云服务商在汽车AI规模化时代最不可替代的价值所在。
