Daptic CEO Baptiste Bouvier 访谈：用 AI 连接法规情报与产品开发

Baptiste Bouvier 是 Daptic 的首席执行官兼联合创始人，他在那里致力于将法规情报与产品开发相连接。他毕业于麻省理工学院计算机科学与工程专业，其经验涵盖麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）的 AI 与自主系统研究、Babylon Health 的医疗 AI、J.P. Morgan 的量化研究、Meta 的 AR/VR 工程以及 McKinsey 的咨询工作。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 AI 驱动的产品合规平台，在产品生命周期内将法规变化、解读与产品需求连接起来。其软件帮助法规专家、工程师和产品团队监测全球要求、评估其影响并将其纳入开发工作流程，同时具备来源可追溯性和人工监督。在本次访谈中，Bouvier 讨论了法规情报、物理 AI、机器可读的设计约束，以及向持续的产品合规生命周期管理的转变。

您的职业生涯从 MIT CSAIL 的 AI 与自主系统研究，到 Babylon Health 的医疗 AI、J.P. Morgan 的量化研究、Meta 的 AR/VR 工程，再到 McKinsey 的咨询。这些经历如何影响了您联合创办 Daptic 的决定，又是什么让您确信法规情报是一个 AI 能够从根本上改变的问题？

真正让我豁然开朗的，是看到产品开发在多大程度上受到法规的塑造，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，也涉猎一些机械工程，在创办 Daptic 之前，我曾在多种技术环境中工作过。不过，正是在 McKinsey，我才更近距离地观察到大型企业如何开发实体产品，以及法规如何拖慢这一进程。

我看到那些极其成熟的公司，竟然通过文档、电子表格、电子邮件以及众多不同团队之间的沟通来管理产品开发中一个至关重要的环节。一项法规可能最初只是政府发布的法律条文，但最终总得有人把它转化为具体的工程要求，从而改变产品的设计方式。

真正让我感兴趣的是法规与工程之间的这道鸿沟。这其中涉及大量的专业知识，但连接这项工作的基础设施却少得可怜。我们把这一更广泛的类别称为产品合规生命周期管理。也就是将法规变化、解读和产品需求，与团队在整个产品开发过程及产品生命周期中所做的决策连接起来。

AI 之所以能改变可能性，是因为它可以同时处理大量法规材料、产品信息和组织知识。这让我们有机会围绕一个历来依赖大量人工投入的工作流程来构建基础设施。这实际上就是 Daptic 的基础。

汽车、航空航天、国防、医疗器械和机器人等领域的 product engineers 可能面临数千条不断演变的法规。在将这一庞大的法规信息转化为工程师在产品开发过程中真正可用的内容方面，AI 在哪些地方能提供最大的优势？

最大的优势在于能够保持法规动态与产品动态之间的连接。

设想您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。您需要了解哪些法规适用、监测这些法规如何变化、确定哪些变化对您的产品有影响，并将相关要求转化为工程决策。

AI 可以持续监测这一法规环境，并缩小团队需要评估的信息量。如果某项要求发生变化，系统可以帮助识别哪些产品、组件或工程决策可能受到影响，并将相关背景信息提供给需要的人。

更有趣的机会在于，当这种法规背景成为工程工作流程本身的一部分时会发生什么。做出设计决策的工程师应当能够快速理解与该决策相关的要求，而无需手动检索各个司法管辖区、标准和法规领域。

法规在变，产品也在变。真正的价值在于让这两个系统保持连接，使团队在仍有时间做出不同工程决策时就能理解其影响。这种持续连接是产品合规生命周期管理的核心部分。

法规合规是 AI 一个风险极高的应用领域，忽视某项要求或生成错误解读都可能带来严重后果。在将 AI 应用于法规情报时，Daptic 如何对待准确性、可解释性和人工监督？

信任在这个领域是根本。

监管决策需要高度信心，因此可追溯性必须内置于工作流程之中。团队需要能够看到信息来自何处、审查底层源材料，并理解某一解读是如何得出的。

人类专业知识仍然极其重要，因为法规存在模糊性。法规可以告诉你很多信息，但将其应用于特定产品往往需要背景、经验和判断。不同专家也可能对同一要求得出不同的解读。

我们的方法是利用 AI 来支持这种专业知识。AI 可以查找并结构化信息，将其与相关的产品背景联系起来，并保留已经完成的推理过程。工程师和法规专业人员仍然是这一流程的一部分，可以审查、完善并贡献自己的专业知识。

这也会随着时间推移为组织创造有价值的成果。监管决策背后的推理会成为可被引用和在此基础上继续构建的机构知识，而不是只存在于一封电子邮件线程中或某一个人手中。要让产品合规生命周期管理大规模发挥作用，这种背景和专家判断需要在团队、产品和开发周期之间持续保留。

物理 AI 正迅速从受控的工业环境转向可能在家中和公共场所运行的产品。随着人形机器人和机器狗等系统能力不断增强，您认为哪些监管挑战将成为阻碍消费者广泛采用的最大障碍？

物理 AI 正在将历史上可以更独立对待的监管领域汇聚到一起。

以一台在家庭或公共环境中运行的人形机器人为例。同一款产品可能涉及物理安全、电气系统、电池、无线通信、网络安全、隐私和自主行为。根据该机器人的功能，还可能涉及机械、运输、医疗用途或其他受监管活动方面的额外要求。

尤其值得关注的是，这些产品正日益由软件定义。一款实体产品在售出之后，仍可能通过软件发生实质性变化。通过更新引入的新能力或新行为，可能改变与该产品相关的监管考量。

这意味着企业必须在整个产品生命周期中考量监管，而不是只在上市前的某个时间点。对于能力可能在进入市场后持续演进的产品而言，从时点式合规转向持续的产品合规生命周期管理（Product Compliance Lifecycle Management）尤为重要。

这还存在全球维度。不同司法管辖区正以不同速度、且往往从不同起点出发，为这些技术制定规则。

对于构建物理 AI 产品的企业而言，监管战略正日益成为产品战略的一部分。关于传感器、自主性、数据收集、材料、连接性和产品行为的决策，可能影响产品可在何处部署、需要如何测试以及需要满足哪些要求。这些关联需要在产品仍处于设计阶段时就被理解。

如今，合规往往被视为产品开发接近尾声时才发生的事情。当监管要求从一开始就成为工程和产品设计的输入时，会发生什么变化？

你为工程师提供了大得多的解空间。

工程领域有一个关于面向可制造性设计的有用类比。你可以在CAD中设计出看起来完全合理的东西，然后发现要规模化制造它需要一种完全不同的方法。业界开发了工具和方法论，将可制造性信息更早地引入设计流程，使工程师在仍具有灵活性时就能考虑这些约束。

监管要求也可以朝同一方向发展。

如果工程师在设计时就能理解监管约束，他们就能在更好的背景下评估不同的架构、材料、组件和产品行为。他们还可以在投入数月开发工作之前，就了解某项决策可能如何影响测试、认证或市场准入。

这可以对开发速度和成本产生重大影响。更重要的是，它把监管变成了工程流程的一项输入，而不是在许多重要产品决策已经做出之后才到达的信息。这就是产品合规生命周期管理背后的根本性转变之一：监管情报成为产品开发方式的一部分，而不仅仅是产品后来必须通过的一道关卡。

监管最终能否几乎变成机器可读的设计约束，使AI系统能够实时警告工程师：拟议的组件、材料、软件功能或产品行为可能在特定市场违反要求？我们距离这类工作流程还有多远？

我们正朝这个方向推进，但关键不在于简单地把法规变成机器可读的形式，而在于把法规语言转化为在特定产品语境中有意义的约束条件。

法规通常不像工程规范那样撰写。它们由政府机构和标准组织为人类编写，从法规文本到工程师实际需要的技术约束之间，存在多层解读。

AI为我们提供了更好的工具来连接这些层次。系统可以理解法规要求、官方解读以及正在设计的产品的语境。当工程师更改材料、组件、软件功能或产品行为时，系统可以提示可能受影响的要求，并解释其中的关联。

重要的是产品语境。同样的法规语言，可能因产品、市场、组件或预期用途不同而产生截然不同的影响。

我们已经在朝这一工作流程的各个部分迈进。要在工程环境中实现深度集成的法规反馈，需要结构化的产品语境，以及法规语言、内部解读和技术要求之间的可靠连接。AI加快了我们构建这些连接的能力。

随着时间的推移，我预计法规反馈将更加深入地融入工程师已经在使用的工具中，就像其他工程约束已经越来越靠近设计决策制定的环节一样。

全球制造商经常需要遵守数十个司法管辖区中各不相同、有时甚至相互冲突的规则。AI如何帮助工程团队不仅确定哪些法规适用，还能判断在某一市场做出的设计决策会如何影响全球范围内的产品？

这正是将法规情报与产品语境相结合后能发挥巨大作用的地方。

制造商通常希望尽可能提高各市场之间的通用性，因为维护同一产品的多个不同版本会显著增加成本和复杂性。与此同时，各司法管辖区的要求各不相同，因此有些情况下产品确实需要做出调整。

AI可以帮助团队更有条理地梳理这些关系。如果你正在考虑某种材料、组件或功能，你可以评估产品将要销售的市场，并了解每个市场的相关要求。

这使工程团队能够更早地看到某项设计决策的全球影响。某个选择可能在25个市场都适用，但会在5个市场引入额外要求。团队随后可以决定是修改全球设计、创建区域变体，还是做出不同的权衡。

制造商今天已经在做这些决策。机会在于让人们更好地了解法规与产品之间的关联，从而能够更早地、在更充分的语境下做出这些权衡。

法规情报不仅仅是跟踪已经颁布的法律。AI如何从规则草案、政府讨论、标准机构、执法行动及其他来源中识别早期信号，使企业能够在要求影响产品发布之前就预见到它们？

当产品开发周期跨越数年时，前瞻性扫描变得尤为重要。

对制造商而言，了解昨天发生了什么变化只是全貌的一部分。团队还需要洞察产品在设计、测试和准备发布期间可能发生的变化。

潜在的信号有很多。政府会发布拟议规则和咨询文件。标准机构会讨论变更。监管机构会发布指引和执法行动。这些来源合在一起，可以提供关于要求走向的有用指示。

规模相当可观。一家全球制造商可能需要监测数十个司法管辖区、语言和监管领域内的来源，然后确定哪些进展实际上与其产品相关。

AI可以持续监测这些来源，识别可能相关的进展，并将其与特定产品、组件或业务领域关联起来。这使法规专家能够将更多时间用于评估那些可能对产品路线图产生实质性影响的进展。

这些语境越早到达产品团队，公司拥有的灵活性就越大。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个月后发布，那么这今天就可能成为一项产品规划决策。

随着AI智能体更深入地嵌入工程工作流程，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中与工程师、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需要监测等式的两边。法规会变化，产品也会变化。

你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把这些要求转化为工程层面的影响。

与此同时，智能体还可以监测产品本身的变化。团队可能会更换材料、更新软件、更换供应商、修改组件或引入新的产品能力。这些决策中的任何一项都可能改变适用的要求，或改变现有要求应如何解读。

这些系统需要共享上下文。法规智能体需要理解产品。工程智能体需要获取相关的法规约束。两者都需要获取组织以往的决策和解读。

在这一架构中，人的判断仍然是一个重要组成部分。当智能体遇到歧义、相互冲突的要求或具有重大后果的决策时，相应的专家应当能够审查底层来源、贡献解读，并为组织其他部分保留这一推理过程。

我认为这一架构将演变为一个由专业系统和专家组成的网络，基于对产品的共同理解协同工作。对于实体产品而言，这一点尤其强大，因为一项工程决策可能对制造、安全、认证、法规和市场准入产生下游影响。在许多方面，这种共享基础设施正是产品合规生命周期管理（Product Compliance Lifecycle Management）可以成为的样子：一个在整个生命周期中协调法规情报、产品上下文、AI和人类专业知识的系统。

展望未来五到十年，随着物理AI、自主机器以及日益软件定义的产品成为主流，您预计工程、AI与法规之间的关系将如何演变？您认为Daptic在这一生态系统中将扮演什么角色？

我预计法规情报将成为实体产品设计方式的一项标准输入。

我们已经在工程的其他领域看到过这种情况。曾经存在于独立流程中的信息，最终会向工程师靠拢，并在做出决策的环节变得可用。面向可制造性设计就是一个很好的例子。

法规正在朝这个方向发展，因为AI为我们提供了一种方法来应对所涉及的规模和复杂性，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和软件定义，这一点变得越来越重要。一次软件更新可以在产品发布后改变实体产品的行为。供应商或组件可能发生变化。一项新能力可能改变哪些要求是相关的。与此同时，法规和标准在各个市场持续演变。

产品在变，法规环境也在变。企业需要能够持续连接两者的基础设施。

这正是我们打造Daptic的方向。我们希望法规情报成为产品开发基础设施的一部分，让工程师在仍拥有设计灵活性时就能了解法规影响，并让法规专家能够将其专业知识应用于规模大得多的组织。

最终，我们认为产品合规生命周期管理将成为该基础设施的核心部分。目标是贯穿产品生命周期将法规与工程连接起来，使企业能够做出更好的产品决策、保留关键的机构知识，并更快地将实体创新推向市场。

感谢这次精彩的访谈。希望进一步了解AI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。