物理AI如何跨過規模化的坎？對話亞馬遜雲科技汽車與製造全球總經理

作者 | ZeR0 編輯 | 漠影 10月23日報道，近日，在2026亞馬遜雲科技汽車與製造行業峰會上，亞馬遜雲科技汽車與製造全球總經理Ozgur Tohumcu分享了AI時代帶給製造業的變化，以及AI如何跨過試點，進入規模化生產環境。會後，他與等媒體圍繞這些思考進一步交流。Ozgur Tohumcu在演講中著重談道，現在越來越多的概念驗證正轉入生產環境，這極大改變了我們理解智能體系統的方式。隨著智能體思維和相關企業應用原則的引入，這些系統正在走向執行層，不再只是從不同來源彙集數據、展示在儀表盤上，而是開始實際完成任務。

他也很看好物理AI的發展，物理AI在製造業有很多機會，例如機器人視覺引導、開展內部物流、人形機器人應用、質檢、系統優化、自研模型等，其中人形機器人廣泛應用仍需考慮安全性和經濟性。▲亞馬遜雲科技汽車與製造全球總經理Ozgur Tohumcu 亞馬遜已打造全球最先進的機器人運營體系之一，在其運營網絡中部署超過100萬臺機器人，這些機器人每天會處理數百萬件包裹、與數十萬名員工協同工作。亞馬遜雲科技正通過基礎模型、仿真與合成數據、模型蒸餾與優化、邊緣計算與本地部署、硬件與物理載體五大支柱，來助力物理AI的全鏈路發展。一臺機器人能搬貨、會分揀，已經不稀奇。

真正考驗企業的，是把這樣的能力複製到更多設備、更多工廠，同時讓成本算得過來。這正是汽車與製造業面對的一道考題。按照Ozgur Tohumcu的觀察，全球汽車與製造行業有三大趨勢：1）自動駕駛經過多年的AI訓練與部署，已邁入大規模落地階段；2）物理AI正深度滲透製造業與汽車行業；3）全球大型企業正在邁向智能體架構和智能體組織，貫穿銷售、營銷、採購、供應鏈管理等各環節。其中，物理AI尤其受關注。它讓AI的能力從屏幕走向現實，涉及機器如何感知環境、理解任務並採取行動。但機器人單機能力強，不等於整座工廠就能高效運轉。設備之間的通信、機器人與人的協作、可複用的經驗，才是規模化應用要解決的問題。

Ozgur Tohumcu認為，比單臺設備的學習更有價值的，是機器人群體之間的經驗共享，以及這些能力在全球運營網絡中的複製。從這個角度來看，工業AI的競爭，正在延伸到整個系統的協同能力。“我們與客戶的共同實踐表明，真正的商業價值從不源於單一環節的突破，而是來自貫穿整條價值鏈的協同創新。”Ozgur Tohumcu說。在推進AI規模化落地的過程中，他將真正決定部署速度的關鍵因素歸納為數據、治理和組織。其中，數據問題往往最基礎，也最難繞開。供應鏈、生產、銷售各有一套系統，車間設備的運行數據與企業管理數據又常常彼此割裂。AI要協助制定生產計劃，就需要同時理解訂單、物料和產能。

只把數據集中存放，還不足以支撐跨部門的業務執行。許多企業正在重新設計數據架構，以儘可能釋放AI創造價值的潛力。治理的要求也在提高。過去，AI提供建議，由人決定是否採用。如今，智能體開始調用工具、推進流程，企業就必須明確它能訪問什麼、能執行哪些操作，以及每一步如何記錄和追溯。組織同樣決定速度。一家工廠驗證有效的方案，推廣到另一家工廠時，仍要面對不同的流程、管理習慣和人員信任。技術方案可以複製，組織接受它卻需要過程。

亞馬遜雲科技行業集群總經理田鋒也談道，汽車和製造業是具備物理實體的行業，產業鏈條更復雜，研發環節也與其他行業截然不同，亞馬遜雲科技發現客戶的真實訴求不僅在於技術支持，組織和人才層面的AI素養提升同樣至關重要。為此亞馬遜雲科技推出了Amazon Quick、Kiro等產品，並已積累大量優秀的實踐案例。▲亞馬遜雲科技行業集群總經理田鋒 這些問題，構成了亞馬遜雲科技的切入點。

在客戶部署物理AI時，亞馬遜雲科技致力於提供一站式平臺服務：通過Amazon Bedrock提供前沿基礎模型，通過Amazon Bedrock AgentCore支持智能體的統籌編排與生命週期管理，並在邊緣側提供底層基礎設施與低延遲解決方案。面向物理AI，還需要銜接仿真、模型蒸餾與優化，以及邊緣部署，讓模型適應車間對延遲和成本的要求。選擇模型也要根據任務來判斷。複雜任務需要更強的能力，高頻、明確的任務則要仔細權衡成本。試點階段可以接受的調用費用，擴大到大量設備或車輛後，可能就會改變項目的商業可行性。那麼，企業會先從哪裡獲得回報？

Ozgur Tohumcu判斷，在製造業和汽車行業，研發環節往往能最早、最快地為客戶帶來投資回報。從設計迭代、軟件開發到仿真驗證，AI可以參與多個環節。企業既有機會壓縮研發成本，又有機會縮短產品上市週期。供應鏈則蘊藏著另一類機會。數據分散在企業內部和供應商系統中，智能體有望幫助企業跨系統獲取信息、銜接流程。相比之下，售後服務的價值更多體現為客戶滿意度和留存，未必能迅速轉化為直接收入。這也讓汽車與製造業的AI落地有了更清晰的次序，從業務問題出發，找到能夠衡量收益的環節，再把數據、權限、流程和成本逐項理順。

走進生產現場後，AI要接受的是更長久的檢驗，需解決如何持續縮短一次研發迭代、減少一段流程等待、把有效經驗複製到更多工廠等現實問題。