Amazon Web Services' Ozgur Tohumcu: What often determines the speed of physical AI's scaled deployment is not the technology itself
English text is being prepared.
Ozgur Tohumcu, Global General Manager of Automotive and Manufacturing at Amazon Web Services, believes that what usually slows down enterprises' scaled deployment of AI is not technology, but foundational elements such as the data foundation, agent guardrails and observability, and organizational room for experimentation. Amazon's operations network has deployed more than 1 million robots; the BMW Group has completed over 1 billion kilometers of autonomous driving simulation training on Amazon Web Services; the R&D cycle of traditional European OEMs has been compressed from 4 to 5 years to about 3 years, while Chinese automakers need only 18 to 24 months.
Body
“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。
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。
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。
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。
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。
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）