共计 1076 个字符，预计需要花费 3 分钟才能阅读完成。
企业把 AI 方案推向规模化时, 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 给出的这一判断, 把讨论重心从模型能力拉回到数据底座、安全护栏和组织能力上。
他提到, 大量车企的 AI 项目仍停留在概念验证阶段, 尚未真正进入量产与工业化落地 。制造企业已经证明 AI 行得通, 剩下的难题是如何让它铺满整条价值链。
📌 三个正在发生的趋势
在主题分享中,Ozgur Tohumcu 列出三点变化: 自动驾驶经过多年训练和部署, 开始进入大规模落地阶段; 物理 AI 在工业场景中的应用持续扩大, 汽车与制造行业尤其明显; 全球大型企业正转向智能体架构和智能体组织, 覆盖销售、营销、采购、供应链与制造等环节。
🔍 模型在美国, 速度在中国, 规则在欧洲
不同区域的优势并不相同。 在他看来 , 美国在前沿模型上领先, 物理 AI 落地仍要依赖这部分能力; 中国、日本、韩国等地, 尤其是中国, 强在速度与规模——一旦某种做法被验证有效, 企业会以极快的速度扩张; 欧洲企业则在治理政策与数据主权理解上更成熟, 部署系统前会先厘清用了什么数据、数据存在哪里、谁有权访问。
💡 投入回报: 研发最先见效, 供应链空间最大
- 研发: 设计、开发、验证、部署四个阶段都能受益。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训练; 欧洲传统 OEM 研发周期从 4 到 5 年压缩到 3 年左右, 中国车企只需 18 到 24 个月。
- 供应链: 重构难度大, 降本空间也最大。数据散落在多个系统中, 智能体可跨系统取数, 一家典型传统车企若重塑供应链运营, 节省规模可达数十亿美元。
📊 从试点到量产, 要过两道关
第一是容不容易规模化: 某家德国工厂试点效果极好, 但要推广到 140 家工厂 , 每位厂长都管着自己的运营体系, 平台方必须证明这套体系对每家工厂都有用。
第二是规模化之后还赚不赚钱。 一个在单车上运行良好的方案 , 放到数千万辆的体量上, 成本可能显著上升, 企业甚至需要重新选择基础模型以压低长期运行费用。
🚀 回到基本功: 数据、安全与组织
制造环境里, 运营数据与 IT 数据往往彼此割裂 。把工厂设备产生的 OT 数据接入云端, 并与 MES、PLM 等系统打通, 听起来基础, 却仍是许多客户需要补的一环。设备连接越多, 安全管理要求也越高; 单台机器人能力再强, 进入产线后更重要的是机器人之间如何通信、协同, 以及如何与人共事。
责任边界同样被明确: 云厂商提供基础设施, 自动驾驶系统的设计、训练、运营和验证仍由客户负责 。亚马逊云科技行业集群总经理田锋补充, 汽车与制造业链条长、有物理实体, 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。
