Daptic 首席执行官兼联合创始人 Baptiste Bouvier——访谈系列

Baptiste Bouvier是 Daptic 的首席执行官兼联合创始人，致力于将法规情报与产品开发相结合。他毕业于 MIT，主修计算机科学与工程，曾在 MIT CSAIL 从事人工智能与自主系统研究，在 Babylon Health 参与医疗人工智能工作，在 J.P. Morgan 从事量化研究，在 Meta 负责增强现实与虚拟现实工程，并在 McKinsey 担任顾问。他的工作重点是帮助制造商将复杂的法规要求转化为切实可行的工程决策。

Daptic提供由人工智能驱动的产品合规平台，将产品生命周期各阶段的法规变更、法规解读与产品要求联系起来。其软件帮助法规专家、工程师和产品团队监测全球法规要求、评估其影响，并将其纳入开发工作流程，同时确保来源可追溯并由人工监督。在这次访谈中，Bouvier 谈到了法规情报、实体人工智能、机器可读的设计约束，以及向持续性产品合规全生命周期管理转变的趋势。

你的职业生涯从 MIT CSAIL 的人工智能与自主系统研究，延伸到 Babylon Health 的医疗人工智能、J.P. Morgan 的量化研究、Meta 的增强现实与虚拟现实工程，以及 McKinsey 的咨询工作。这些经历如何影响你共同创立 Daptic 的决定？又是什么让你确信，人工智能能够从根本上改变法规情报这一领域？

真正让我豁然开朗的是，我看到了法规对产品开发有多大影响，而支持这项工作的软件却少之又少。

我的背景主要是计算机科学，也学过一些机械工程。在创办 Daptic 之前，我曾在各种技术环境中工作。不过，正是在 McKinsey，我才得以深入了解大型企业如何开发实体产品，以及法规如何拖慢这一进程。

我看到一些技术能力极强的企业，竟然依靠文档、电子表格、电子邮件，以及多个不同团队之间的沟通来管理产品开发中的关键环节。一项法规可能最初只是政府发布的法律条文，但最终总得有人将其转化为具体的工程要求，进而改变产品的设计方式。

法规与工程之间的这一脱节正是吸引我的地方。相关工作需要大量专业知识，但连接各项工作的基础设施却寥寥无几。我们将这一更广泛的领域称为产品合规全生命周期管理。它旨在把法规变更、法规解读和产品要求，与团队在产品开发过程中及产品整个生命周期内所作的决策联系起来。

人工智能之所以能改变现状，是因为它可以同时处理海量法规材料、产品信息和组织知识。这让我们有机会围绕一项长期以来高度依赖大量人工操作的工作流程，构建相应的基础设施。这正是 Daptic 创立的根基。

汽车、航空航天、国防、医疗器械和机器人等行业的产品工程师，可能要面对数以千计且不断变化的法规。人工智能在将海量法规信息转化为工程师在产品开发过程中可实际使用的内容方面，最大的优势体现在哪里？

最大的优势在于，能够持续保持法规动态与产品进展之间的联系。

设想一下，你正在开发一款复杂的实体产品，最终将在 30 或 40 个不同的地理市场销售。你需要了解哪些法规适用、监测法规如何变化、判断哪些变化会影响产品，并将相关要求转化为工程决策。

人工智能可以持续监测法规环境，减少团队需要评估的信息量。如果某项要求发生变化，系统可以帮助识别可能受到影响的产品、组件或工程决策，并将相关背景信息提供给需要了解这些信息的人。

更值得关注的机会，是让法规背景信息融入工程工作流程本身。工程师作出设计决策时，应当能够迅速了解与该决策相关的要求，而不必在不同司法管辖区、标准和法规领域中手动查找。

法规在变，产品也在变。真正的价值在于让这两个体系保持关联，使团队能够及时了解其影响，并在仍有时间调整工程决策时采取行动。这种持续的关联是产品合规全生命周期管理的核心组成部分。

法规合规是人工智能应用中风险尤为重大的领域：遗漏一项要求或生成错误的解读，都可能造成严重后果。Daptic 在运用人工智能开展法规情报工作时，如何确保准确性、可解释性和人工监督？

在这个领域，信任至关重要。

监管决策需要高度可信，因此必须将可追溯性纳入工作流程。团队需要能够查明信息的来源、审查作为依据的原始资料，并了解得出某项解读的过程。

人的专业知识仍然极其重要，因为法规中存在模糊之处。法规可以提供大量信息，但要将其应用于特定产品，往往还需要结合具体背景、经验和判断。不同专家对同一项要求也可能得出不同的解读。

我们的做法是利用人工智能为专业人员提供支持。人工智能可以查找和整理信息，将其与相关产品背景联系起来，并留存已经形成的推理过程。工程师和监管专业人员仍会参与其中，他们可以审查、完善相关内容，并贡献自己的专业知识。

随着时间推移，这也能为组织积累宝贵的资产。监管决策背后的推理会成为组织知识，供人查阅并在此基础上继续深入，而不再只存在于邮件往来中或某一个人的头脑里。要让产品合规生命周期管理在大规模应用中行之有效，这些背景信息和专业判断就必须在不同团队、产品和开发周期之间持续传承。

物理人工智能正迅速从受控的工业环境走向可能进入家庭和公共场所的产品。随着人形机器人和机器狗等系统的能力不断增强，您认为哪些监管挑战会成为消费者广泛接纳这类产品的最大障碍？

物理人工智能正将过去可以相对独立处理的多个监管领域汇集到一起。

以在人居环境或公共场所运行的人形机器人为例。同一款产品可能涉及人身安全、电气系统、电池、无线通信、网络安全、隐私和自主行为。根据机器人的用途，还可能涉及机械、交通运输、医疗用途或其他受监管活动方面的额外要求。

特别值得关注的是，这些产品日益由软件定义。实体产品售出后，软件仍可能使其发生重大变化。通过更新引入的新功能或行为，可能改变与该产品相关的监管考量。

这意味着企业必须从产品的整个生命周期来考虑监管问题，而不能只在上市前的某个单一时间点加以考量。从某个时间点的一次性合规，转向持续开展产品合规生命周期管理，对于产品上市后仍能不断演进的情况尤为重要。

此外，监管还具有全球性。不同司法管辖区制定这些技术相关规则的速度各不相同，而且往往起点也不一样。

对于开发物理人工智能产品的企业而言，监管策略日益成为产品策略的一部分。关于传感器、自主能力、数据收集、材料、连接方式和产品行为的决策，会影响产品能够部署在哪些地方、需要如何测试，以及必须满足哪些要求。必须在产品仍处于设计阶段时就弄清这些关联。

如今，合规工作往往被视为产品开发接近尾声时才进行的事项。如果从一开始就将监管要求作为工程和产品设计的输入，会带来哪些变化？

这能为工程师拓展出大得多的设计空间。

工程领域有一个很贴切的类比，那就是面向可制造性的设计。你可以在 CAD 中设计出看似完全合理的东西，却随后发现，要大规模制造它，必须采用截然不同的方法。后来，行业开发出相应的工具和方法，将可制造性信息更早地引入设计流程，让工程师在仍有灵活调整空间时就能考虑这些限制条件。

监管要求也可以朝着同样的方向发展。

如果工程师在设计过程中就了解监管限制条件，就能在更充分的背景信息下评估不同的架构、材料、组件和产品行为。他们也能在投入数月开发工作之前，了解某项决策可能对测试、认证或市场准入造成的影响。

这可能对开发速度和成本产生重大影响。更重要的是，它将监管要求变为工程流程的输入，而不再是许多重要产品决策已经做出之后才出现的信息。这正是产品合规生命周期管理背后的基本转变之一：监管情报成为产品开发方式的一部分，而不只是产品日后必须通过的一道关卡。

监管规定未来能否变成近乎机器可读的设计约束，让人工智能系统实时提醒工程师：拟议采用的组件、材料、软件功能或产品行为可能违反某个特定市场的要求？我们距离实现这种工作流程还有多远？

我们正朝这个方向迈进，但关键并不只是让法规变得可供机器读取，而是要把法规语言转化为适用于特定产品情境的约束条件。

法规通常不会以工程规范的形式撰写。它们由政府和标准组织为人类读者制定，从法规文本到工程师实际需要的技术约束条件之间，还隔着多个层次的解读。

AI 为我们提供了更强大的工具，帮助打通这些层次。系统能够理解法规要求、官方解释，以及正在设计的产品所处的情境。当工程师更改材料、组件、软件功能或产品行为时，系统可以指出可能受到影响的要求，并说明两者之间的关联。

产品情境至关重要。同一段法规语言，根据产品、市场、组件或预期用途的不同，可能产生截然不同的影响。

我们已经在逐步实现这一工作流程的部分环节。要让法规反馈深度融入各种工程环境，就需要结构化的产品情境信息，并可靠地连接法规语言、内部解读和技术要求。AI 加快了我们建立这些连接的步伐。

随着时间推移，我预计法规反馈将更加深入地融入工程师现有的工具，就像其他工程约束逐渐融入设计决策制定环节一样。

全球制造商往往需要遵守数十个司法管辖区各不相同、有时甚至相互冲突的法规。AI 如何帮助工程团队不仅判断哪些法规适用，还能了解在一个市场做出的设计决策可能如何影响全球产品？

将法规情报与产品情境结合起来，能发挥出巨大的作用。

制造商通常希望尽可能提高各个市场之间的通用性，因为同一产品维护许多不同版本会大幅增加成本和复杂性。与此同时，各司法管辖区的要求并不相同，因此有时产品确实需要调整。

AI 可以帮助团队以更加系统化的方式梳理这些关系。如果正在考虑采用某种材料、组件或功能，就可以评估产品将在哪些市场销售，并了解每个市场的相关要求。

这样一来，工程团队就能更早了解设计决策对全球市场的影响。某种选择可能适用于 25 个市场，却会在另外 5 个市场引出额外要求。随后，团队可以决定是调整全球设计、创建区域版本，还是采取其他权衡方案。

制造商如今已经在做这些决策。关键在于让相关人员更清楚地了解法规与产品之间的关联，从而能更早做出权衡，并掌握更充分的背景信息。

法规情报不仅涉及追踪已经颁布的法律。AI 如何从法规草案、政府讨论、标准组织、执法行动及其他来源中识别早期信号，帮助企业在相关要求影响产品上市之前提前做好准备？

当产品开发周期长达数年时，前瞻性扫描尤为重要。

对制造商来说，了解昨天发生了哪些变化只是全貌的一部分。团队还需要掌握产品设计、测试和上市准备期间可能发生的变化。

潜在信号有很多。政府会发布拟议法规和征求意见文件；标准组织会讨论变更；监管机构会发布指导意见并采取执法行动。综合这些来源的信息，可以帮助判断相关要求的发展方向。

这项工作的规模不容小觑。全球制造商可能需要监测数十个司法管辖区内不同语言和监管领域的信息来源，然后判断哪些进展确实与自身产品相关。

AI 可以持续监测这些信息来源，识别可能相关的进展，并将其与具体产品、组件或业务领域关联起来。这样，法规专家就能把更多时间用于评估可能对产品路线图产生重大影响的进展。

相关背景信息越早传递给产品团队，公司就越有调整余地。如果某项要求可能在两年后发生变化，而你的下一款产品将在 18 个月后上市，那么今天就可以将其纳入产品规划决策。

随着 AI 智能体在工程工作流程中不断深入应用，我们最终是否会看到专门的合规智能体在整个产品生命周期内与工程师、产品经理及其他 AI 系统协同工作？这种架构在实践中会是什么样子？

是的，我认为关键在于，这些系统必须同时监测问题的两面：法规会变化，产品也会变化。

可以让专门的智能体持续监测法规动态，并判断哪些变化与特定产品组合相关。其他智能体则可以帮助将这些要求转化为对工程工作的具体影响。

与此同时，智能体也可以监测产品本身的变化。团队可能会更换材料、更新软件、改换供应商、修改组件，或引入新的产品功能。上述任何一项决策都可能改变适用的要求，或影响对现有要求的解读。

这些系统需要共享背景信息。负责法规事务的智能体需要了解产品，负责工程事务的智能体则需要获取相关法规约束。两者都需要了解组织以往作出的决定及其解读。

人的判断仍然是这一架构中的重要组成部分。当智能体遇到模糊不清、要求相互冲突，或后果重大的决策时，相关专家应能够审阅基础资料、提供解读，并将推理过程留存下来，供组织其他成员参考。

我认为，这种架构将逐渐发展为由专业化系统和专家组成的网络，大家基于对产品的共同理解开展工作。对于实体产品而言，这种架构尤为强大，因为一项工程决策可能对制造、安全、认证、法规合规和市场准入产生连锁影响。从许多方面来看，这种共享基础设施正是产品合规生命周期管理可能发展成为的形态：在整个生命周期内，协调法规情报、产品背景信息、人工智能和人类专业知识的系统。

展望未来五到十年，随着物理 AI、自动化机器以及日益软件定义化的产品逐渐普及，您认为工程、人工智能与法规之间的关系将如何演变？您认为 Daptic 将在这一生态系统中发挥什么作用？

我预计，法规情报将成为实体产品设计过程中的常规输入。

我们在工程的其他领域已经看到这种变化。过去独立于工程流程的信息，最终会逐渐融入工程师的工作，并在作出决策时便可获取。面向可制造性的设计就是一个很好的例子。

法规也正朝着这个方向发展，因为人工智能让我们能够应对其中的规模和复杂性，并将法规要求与具体产品和工程决策联系起来。

随着产品变得更加自主、更加由软件定义，这一点也变得愈发重要。软件更新可能改变实体产品上市后的运行方式。供应商或组件可能发生变化。新的功能可能改变相关要求的适用范围。与此同时，各个市场的法规和标准也在不断演变。

产品在变化，法规环境也在变化。企业需要能够持续连接两者的基础设施。

我们正在朝着这一方向建设 Daptic。我们希望让法规情报成为产品开发基础设施的一部分，使工程师能够在仍有设计调整空间时了解法规影响，同时让法规专家能够在规模大得多的组织中发挥专业所长。

最终，我们认为，产品合规生命周期管理将成为这一基础设施的核心组成部分。目标是在整个产品生命周期内连接法规与工程，帮助企业作出更好的产品决策、留存重要的组织知识，并加快实体创新产品推向市场的速度。

感谢您带来这场精彩的访谈。希望进一步了解人工智能驱动的法规情报和产品合规生命周期管理的读者，请访问 Daptic。