亚马逊云科技的人说，物理 AI 卡住的不是技术

试点做得漂亮，推广到第一百四十家工厂时卡住。这种故事在制造业重复了三十年，换成 AI 也没变。

一、发生了什么

10 月 22 日，钛媒体发布了对亚马逊云科技汽车与制造全球总经理 Ozgur Tohumcu 的访谈。他的核心判断是：企业把 AI 方案推向规模时，拖慢速度的通常不是技术。

他把原因拆成三条。第一条是数据基座撑不撑得住服务扩张。第二条是有没有为自主执行的智能体准备好护栏、可观测性和可追溯机制。第三条最容易被忽略：组织还容不容得下试验。

他举的例子来自自家运营网络——亚马逊的运营体系里已经部署超过 100 万台机器人。他的观察是，单台机器人会学习不稀奇，难的是集群层面的学习，以及这些经验怎么在全球网络里复制。

区域差异他也给了说法：前沿模型上美国领先；中国、日本、韩国强在速度和规模，他用「令人惊叹」形容中国的节奏，一旦某种做法被验证，企业扩张得非常快；欧洲强在治理和对主权的理解，部署前先问数据是什么、存在哪、谁能访问。为此亚马逊云科技在德国建了欧洲主权云。

效率账上，宝马集团已在亚马逊云科技上完成超过 10 亿公里的自动驾驶仿真训练；欧洲传统车企的研发周期从四到五年压到三年左右，中国车企是 18 到 24 个月。供应链是他认为降本空间最大的一段，一家典型传统车企重塑供应链运营，能省下数十亿美元——这是他的估算，不是审计数字。

他也讲了失败的样子：德国某家工厂试点效果极好，但要推广到 140 家工厂，每位厂长管自己的一套运营体系，供应商得逐家证明这套东西有用。还有客户技术上能扩展，首席财务官算完账认为不划算。

二、跟你有什么关系

制造企业的数字化负责人：试点成功不等于可复制。先数一遍「有多少个厂长」，这决定推广成本。

机器人厂商：客户买的不是单机能力，是集群协同和与人共事的能力。你的接口能不能被客户的 MES、PLM 接进去，比参数表重要。

做工业 AI 的创业公司：客户 CFO 那一关，往往比技术验证更难过。提前准备按产量、按工位算的账。

三、怎么判断

1. 先查 OT 与 IT 有没有通。设备数据在车间，订单在 ERP，两边不通，模型再强也只能看半张图。
2. 再查智能体有没有护栏。权限、可观测、可追溯三件事缺一件，生产环境就不敢放开自动执行。
3. 最后查组织。有没有一个允许试错、又能把试点经验固化成标准流程的人。没有这个人，前面两条都推不动。

四、三个别信的说法

「技术够了就能规模化。」 说这话的人往往没做过跨厂复制。真正吃掉时间的是每家工厂自己的流程差异和财务口径。

「上一百万台机器人，经验可以直接复用。」 亚马逊的运营网络是自己的一套房，客户是几百套不同的房。可复用的是方法，不是参数。

「数据主权只是欧洲的事。」 只要业务跨区域，数据存哪、谁能访问就会被问到。区别只是问的人是谁。

五、一句话结论

物理 AI 的瓶颈不在模型，在把一家工厂的成功变成一百四十家工厂的默认设置。

信息来源

• 钛媒体：亚马逊云科技 Ozgur Tohumcu 谈物理 AI 规模化，2026 年 10 月 22 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 23 日。