“当前， 很多车企都在积极探索AI在汽车研发、生产制造、供应链管理以及自动驾驶等领域的应用，但高达85%的项目都卡在了PoC阶段，未能真正走向大规模量产与工业化落地。”在2026年亚马逊云科技（AWS）汽车与制造行业峰会上，AWS汽车与制造全球总经理Ozgur Tohumcu如是说。

这一数字指向了当前汽车企业AI应用面临的共同困境：技术可行性只是起点，更难的一步是如何将实验环境中验证有效的方案，转化为能够持续运行、跨场景复制并产生实际商业回报的生产力。

在接受盖世汽车采访时，Ozgur Tohumcu将AI规模化落地的核心问题归结为两个方面：一是AI方案能否以合理的成本和工作量推广至更大范围，二是在真正实现规模化之后，能否继续创造具有商业可行性的投资回报率（ROI）。

图为AWS汽车与制造全球总经理Ozgur Tohumcu

这两个问题看似简单，却揭示了汽车行业AI转型的关键矛盾。随着模型能力不断提升，限制AI应用的因素正越来越多地从技术本身转向企业的数据基础、组织协同、成本控制和安全保障。

车企AI项目规模化难，难在技术之外

汽车行业的复杂性，首先体现在业务场景和组织体系的多样性上。与单纯验证一项技术不同，车企的AI项目往往需要嵌入既有的研发、生产或运营流程，还要适应不同地区的业务规则、数据条件和管理方式。

在PoC阶段，AI项目通常围绕相对明确的任务展开，数据范围、应用环境和参与人员也相对可控。企业可以通过有限的测试，判断某项技术是否能够解决特定问题。但进入生产环境后，应用条件随之复杂化：数据来源可能分散在不同系统中，业务流程因地区和工厂而异，项目还需要得到不同管理层级的认可，并满足持续运行的成本与可靠性要求。

Ozgur Tohumcu指出，企业数据准备程度、组织文化以及企业内部对AI的信任，都会影响一个项目的可扩展性。即使试点已经取得良好效果，也不意味着推广过程能够顺利进行。

Ozgur Tohumcu以大众汽车工厂为例介绍，亚马逊云科技的相关系统运行于大众汽车的140家工厂。在双方过去7年的合作过程中，一个现实问题逐渐显现：即便某项方案在德国的一家工厂完成概念验证并取得良好效果，但将其推广到墨西哥、中国或美国的其他工厂，也需要重新面对当地的运营方式和组织管理差异。

大众集团与AWS合作DPP平台， 在其全球生产基地部署人工智能和尖端IT系统；图片来源：大众

不同工厂的管理者各自承担运营责任，拥有相对独立的工作流程与决策机制。对于总部而言，一项技术方案可能具有明确的推广价值；但对具体工厂来说，是否值得投入资源、是否适合现有生产流程，以及能否带来实际收益，仍需要得到充分论证。

这意味着，AI规模化不仅是技术部署问题，也是组织协同问题。企业需要将单点应用的价值转化为不同业务单元都能理解和认可的收益，并建立能够支持跨部门、跨工厂复制的实施机制。

数据基础则是另一道绕不开的门槛。

Ozgur Tohumcu认为，许多企业已经在过去几年中着手整合原本分散于供应链、制造、销售和营销等部门的数据，但传统的数据整合往往侧重于让不同部门能够访问统一的数据资源。随着AI应用逐渐深入，企业需要进一步思考：为了实现具体业务目标，数据应当以何种方式组织、关联和流动？

例如，生产计划不只取决于工厂内部的制造数据，还可能需要结合供应链状况、客户订单，甚至消费者在网上选配车辆时表现出的配置偏好。只有当这些信息能够在相关业务系统之间有效流转，AI才有机会从单一任务中的辅助工具，转变为能够支持跨部门决策和业务协同的能力。

因此，AI落地的基础并不只是接入一个先进模型，而是让数据、系统和业务流程具备协同运行的条件。对于拥有复杂供应链和全球生产网络的车企而言，这一工作往往需要长期投入，也很难通过单一项目一次性完成。

技术上能推广，不等于商业上划算

即使解决了数据和组织问题，AI项目大规模落地应用仍然需要面对另一道门槛：成本。

Ozgur Tohumcu举例称，一套AI方案在单辆汽车上运行良好，并不意味着将其推广至数千万辆汽车时仍然具备相同的经济可行性。随着部署规模扩大，模型推理、算力使用和持续运营所产生的成本可能随之增加，原本可接受的投入也可能改变项目的整体经济性。

这也解释了为什么模型性能并非企业选择AI方案时唯一的考量。对于某些任务，能力最强的模型未必是最合适的选择；如果更低成本的模型能够满足准确性、响应速度和可靠性要求，企业就有必要在性能与成本之间重新权衡。

对汽车行业而言，这种权衡尤其重要。汽车产品和制造系统通常具有较长的生命周期，相关AI能力可能需要在大量车辆、生产设备或业务节点上持续运行。企业不仅要计算试点阶段的开发成本，还需要考虑部署、维护、升级和长期运行的总成本。

Tohumcu表示，他见过一些车企的AI项目已经证明技术上可以扩展，但企业财务负责人最终仍会质疑其商业合理性。这也解释了为什么AI项目不能只以模型效果或技术指标作为成功标准：真正进入业务体系之后，项目还必须证明投入与产出之间存在可持续的关系。

从应用环节来看，研发阶段往往更容易率先体现AI的商业价值。Tohumcu认为，AI可以帮助工程师加快设计迭代、提高编码效率，并在验证阶段生成更多仿真场景、开展高并发测试，这样可以提高研发效率、降低开发与验证成本，以及缩短产品上市周期。

Tohumcu以宝马集团为例称，宝马已在亚马逊云科技上完成超过10亿公里的自动驾驶仿真数据训练。这一案例体现了大规模仿真计算在汽车研发中的应用潜力：相较于完全依赖实际道路测试，通过仿真构建和验证大量场景，有助于提高测试效率，为复杂驾驶环境下的系统验证提供支持。

图片来源：AWS官网

相比之下，利用AI优化供应链可以带来更大的降本空间，但由于数据分散在车企自身和不同供应商的系统中，跨组织的数据协同与流程重构更加复杂。售后服务中的AI应用也有价值，但其收益可能更多体现为客户满意度和留存率的提升，未必容易直接转化为收入。

归根结底，技术上能够扩展，与商业上值得扩展，是两个不同的问题。只有当AI应用在扩大规模后仍能保持合理的成本结构，并产生可持续的业务收益，PoC阶段的成功才算真正转化为产业价值。

从模型“能回答”到系统“可托付”，安全要求不能缺位

除数据、组织和成本之外，安全是汽车AI应用无法绕开的另一道门槛。

在生成式AI应用中，模型可能产生不准确的信息，即通常所说的“AI幻觉”。但汽车场景与普通办公或内容生成不同：一旦AI参与驾驶决策、车辆控制或其他与安全密切相关的环节，错误的后果可能远超信息失真本身，而可能影响用户判断、系统行为乃至现实世界中的人身安全。

这也决定了汽车行业不能简单地将通用AI应用的部署方式照搬到安全敏感场景中。模型在测试中表现良好，并不自动意味着搭载该模型的整个系统已经具备安全部署条件。

目前，AWS正与多家汽车OEM携手，共同推进AI在自动驾驶领域的训练与场景落地。Tohumcu强调，自动驾驶有潜力提升交通安全，但前提是系统必须经过恰当训练和严格验证。他同时明确了亚马逊云科技与车企之间的责任边界：亚马逊云科技提供安全、高韧性和高可用性的基础设施，但不负责设计或运营车企的自动驾驶系统，也不直接承担相关系统的验证与测试工作。

这一区分揭示了汽车AI安全治理中的一个重要问题：云基础设施的安全能力与车辆系统本身的安全性并不是一回事。基础设施可以为模型训练、仿真和数据处理提供支撑，但具体车辆系统能否在复杂道路环境中可靠运行，仍取决于车企对系统的设计、训练、验证和实际运营。

因此，安全不能仅靠选择更先进的模型或更可靠的云平台来保证。对于车企而言，模型和算法必须经过与应用风险相匹配的训练、测试和验证；当AI被集成进更复杂的车辆系统时，还需要评估其与其他软硬件组件之间的交互，并明确系统运行中的监测、干预和责任机制。

随着AI从提供建议走向参与实际执行，治理要求也会随之提高。Ozgur Tohumcu在谈及企业AI规模化时指出，智能体需要具备明确的运行边界、可观测性和可追溯性，企业必须能够了解系统正在执行什么、是否符合既定规范，以及出现异常时如何识别和处理。

这一原则同样适用于汽车相关应用。对于风险较低的辅助任务，企业可以在明确权限的前提下逐步扩大自动化程度；对于涉及车辆控制或其他安全敏感功能的应用，则必须建立更严格的验证和风险控制机制，不能仅凭模型在有限场景中的表现就扩大其自主决策权限。

与此同时，跨国车企还需要应对不同市场的数据保护、数据驻留和监管要求。数据能够在哪里存储、由谁访问、如何在不同地区之间流动，都可能影响AI系统的部署方式。随着汽车企业继续推进全球化业务，这些合规要求也将成为AI方案复制推广时必须考虑的条件之一。这时，选择与一家业务版图同样覆盖全球的云与 AI 服务商携手同行，无疑具备巨大的优势。

汽车AI的下一阶段，考验的是系统能力而非单点突破

从研发辅助到生产运营，再到自动驾驶，AI正在汽车产业链中寻找更广泛的应用空间。但Ozgur Tohumcu认为，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。

在这一点上，AWS作为一家业务覆盖全球的一站式服务平台，凭借可靠、灵活且具备强韧性的全球基础设施，以及加速软件定义架构开发与部署的全面AI能力，能够为车企提供所需的架构、安全保障和合作伙伴生态系统，支持AI在整个价值链中落地应用。

然而，AI从试点走向规模化，技术能力的支撑只是必要条件之一。数据能否支撑实际业务、组织能否推动跨部门协同、成本能否随着部署规模扩大而保持合理，以及安全与合规体系能否同步建立，共同决定了AI最终能够创造多大价值。

对AWS等技术服务商而言，提供模型、算力、数据架构和基础设施，可以帮助车企降低部分技术门槛；但具体应用的业务成效、安全性和可持续性，仍然需要由相关企业结合实际场景加以验证。

对于汽车企业而言，下一阶段最重要的是建立一套能够识别高价值场景、验证实际收益，并将成熟方案持续推广的机制。只有当AI能够稳定地嵌入业务流程，并经得起规模、成本与安全的共同检验，试点阶段的成果才算真正转化为产业价值。