Prototypes, Pilots, and Polymers: Cooper Standard’s Chris Couch
31:59 Share

今天，我们播放的是由我们的朋友 Modern CTO Podcast 制作的一期节目，他们最近很友好地邀请我作为嘉宾参加。我们讨论了生成式 AI 的兴起，技术成功的意义，以及领导者在指导技术实施工作时需要考虑的一些因素。您可以在 Apple Podcast、Spotify 或您收听播客的任何地方找到 Modern CTO Podcast。

诸如制动液和化工制造之类的事情似乎并非令人惊叹的人工智能，但我们所有人可能已经在不知不觉中受益于人工智能了。今天，我们将与 Cooper Standard 的高级副总裁兼首席技术官 Chris Couch 谈谈我们每天如何间接地从人工智能中受益。欢迎收听《我和 AI》，这是一档关于商业中人工智能的播客。在每一期节目中，我们都会向您介绍一位正在使用 AI 进行创新的人，

我是 Sam Ransbotham，波士顿学院信息系统教授。我还是麻省理工学院斯隆管理学院 AI 与商业战略大型项目计划的客座编辑。

我是 Sherven Kodabande，BCG 的高级合伙人，我与人共同领导 BCG 在北美的 AI 业务。麻省理工学院斯隆管理学院和 BCG 合作研究 AI 已有五年时间，采访了数百名从业人员，并对数千家公司进行了调查，了解在整个组织中构建、部署和扩展 AI 能力以及真正改变组织运营方式需要什么。

今天，我们与 Chris Couch 进行了交谈。Chris 是 Cooper Standard 的高级副总裁兼首席技术官。Chris，感谢您抽出时间与我们交谈。欢迎。当然。非常感谢您。我们不妨先了解一下您在 Cooper Standard 的角色？您现在做什么？

我是 Cooper Standard 的首席技术官。我们是一家全球一级汽车供应商。我同时也是一家名为 LiveLine Technologies 的 AI 初创公司的创始人兼首席执行官，这家公司源于我们在 Cooper Standard 内部进行的一些研发工作。我们提供的零部件涵盖车辆密封和封闭以及流体处理领域，无论是制动液、燃油还是冷却液，所有车辆的流体系统都是如此。

我们还投资于我们认为可以对汽车行业以外的领域产生影响的材料科学技术。我们的许多产品普通消费者可能看不到。事实上，我们的一些产品，希望没有人需要担心它们在移动车辆燃油时的情况，但它们对驾驶体验以及拥有安全可靠的车辆至关重要。例如，我们开发了一种全新的聚合物类别，

我们称之为四轨。四轨为车辆的车门和车窗提供了更好的密封性。为什么这很重要？这很重要，尤其是在我们转向电动汽车世界的时候。随着发动机和变速箱噪音的降低（因为不再有汽油发动机），其他噪音来源变得更加普遍。其中最大的一种是由于车门和车窗周围的风而产生的噪音。

因此，通过为这些部件提供增强的密封套件，我们相信我们拥有合适的的产品来服务于电气化世界。那么，人工智能是如何参与聚合物开发的呢？我们花费大量时间和金钱来开发先进的聚合物配方。历史上，很多都是反复试验。这就是工业化学家经常做的事情。

我们使用 AI 开发了一个系统，该系统可以为我们的化学家提供下一步要尝试的配方建议，以便他们在迭代过程中找到最终的解决方案。我们发现，通过这种方法，在许多情况下，研发周期都大大缩短了。而“大大缩短”是指将这些研发周期缩短了 70% 或 80%。

明白了。但在我们进一步讨论 Cooper Standard 在 AI 方面的成功之前，您能否告诉我们一些关于您自己的背景和职业道路的信息？我认为最好的描述方式是，首先，我是一个终生的制造业狂热者。小时候，我把家里所有的东西都拆开了，可能不止一次被墙上的电流击中过。我想，这解释了我今天很多情况。你知道，我是那种用工具箱组装第一辆汽车的孩子。

我是一名专注于制造控制的资深机械工程师。我的副业包括建造能够在高空飞行的自主无人机等。我只是一个制造业书呆子。这在我的职业生涯中非常有用。我的职业生涯的前三分之一是在一家日本公司度过的。我在丰田工作过。

并前往日本加入他们，在那里与他们一起工作了十几年，从事设计、建造，并最终参与工厂运营。

我的职业生涯的接下来的三分之一是在一家汽车供应商担任损益负责人，主要在亚洲工作。因此，我也有一定的商业倾向，这可能会影响我今天所说的话。然后，我职业生涯的最后三分之一左右的时间都在担任首席技术官。这是我的第二个首席技术官职位。我再次担任汽车供应商，但鉴于当今世界正在发生的事情，我们涉足各种有趣的事情。

技术领域，无论是材料科学还是人工智能。所以，我在这里，如果你两年前问我，我并没有真正期望在这里做我的第二份工作，但这绝对很有趣，我们很高兴能够利用这些技术带来一些影响。Chris，跟我们说说 Cooper Standard 的开放式创新吧。这到底是怎么回事？几年前我加入公司时，我们环顾四周查看我们的技术产品组合，

首先，我被我们真正需要竞争的不同领域所淹没。我之前提到了材料科学，但还有制造技术和产品设计的不同方面，我们今天要谈论的分析和人工智能的整个主题，对吧？我坚信，我们不可能自己完成所有这些工作。Cooper Standard 并非小公司。我们的营收略低于 30 亿美元，但我们并非最大。

因此，开放式创新实际上是试图建立一个渠道，以从外部世界获取想法、技术，甚至人才。因此，通过这种方式，我们与世界各地的大学和联盟机构建立联系。我们与初创公司密切合作，并将此作为获取想法的来源。

事实上，我们的第一个正式的 AI 项目（如果你愿意这么说的话）确实是通过这个开放式创新渠道实现的。我们与一家名为 Uncountable 的全新初创公司（位于湾区）建立了合作关系。他们帮助我们开发了一个系统，该系统可以有效地作为我们化学家的顾问，为我们一直使用的材料制定新的配方。

这最终成为我们研发流程的巨大加速器，减少了设计和测试循环中的迭代次数。而且，你知道，这是一个重大的顿悟时刻，对吧？看看，我们有巨大的潜力来加速我们在许多需求方面的进步。我们不可能自己完成所有这些工作。那么，我们该如何真正建立这个外部渠道呢？我们现在称之为 CS 开放式创新，但这就是其动力。

这听起来是一种非常独特的方式，可以将具有不同背景和不同才能的人聚集在一起，让他们一起工作。您发现实现这一目标的秘诀是什么？我认为，无论是人工智能、材料科学还是其他领域，我的答案都是一样的。这实际上都与专注能力有关。

我们以及许多其他公司之所以制定创新渠道、流程和管理创新的阶段性流程，原因就在于此。我们如何快速缩小我们将为其分配宝贵研发资金的范围？我们如何……

正确地管理这些资金。因此，我们像初创公司一样思考，我们进行最少的投资来回答下一个最重要的问题，要么快速终止项目，要么将其付诸实施。

以及相当多的快速失败、测试和学习，以及对有效的事情进行大力投资，并关闭无效的事情，对吧？我听对了吗？没错。这并不独特。我认为，基于 AI 的项目没有什么特别之处，对吧？我们以同样的方式思考，并迅速尝试以清晰的投资回报率视角来激励他们。坦率地说，我认为，多年来，在分析、人工智能方面，尤其是在与制造业和工业 4.0 相结合的情况下，

投资回报率有时难以实现。许多有创意的想法，许多有趣的事情都可以用数据来做。但问题是，它如何转化为最终结果？如果这个故事无法讲述，即使是一个我们将通过创新项目来证明的假设，那么也很难证明值得开展这项工作。但这似乎恰恰相反，让我稍微反驳一下。

如果您过于关注投资回报率，那么您将在哪里获得一些奇怪而重大的非同寻常的东西？绝对正确。那么，您是如何平衡关注投资回报率与避免错过或避免过于渐进的这种矛盾的呢？我认为阶段性思维方式在这里很有用。我认为在早期阶段，我们会关注很多疯狂的事情。我们有一些通过开放式创新获得的疯狂想法。我们团队也有疯狂的想法，这太棒了。我们毫不犹豫地去关注它们。

甚至可能，你知道，花一点零钱在某种程度上追逐它们。然后问题是，你知道，我们将投资什么来尝试将产品化？如果可以这么说的话，这实际上是下一个阶段。因此，绝对的，探索很重要。我们当然会做一些这样的事情。你知道，我几乎犹豫要不要说，但这就是要有空间去发挥，对吧，发挥想法和技术的潜力。但是，当需要进行产品化时，你必须清楚地了解你将从中获得什么。

这似乎是 AI 方法可能有所不同的地方。我的意思是，你刚才说，AI 没什么不同。但似乎，你知道，我想知道这些新技术是否需要事先有更多的自由度来做一些奇怪的事情，而不是其他一些技术。

我认为这是公平的。根据我们的经验，我认为 AI 的一个区别在于，普通技术人员对工具和应用程序的熟悉程度可能较低。因此，如果您与设计工程师或制造工艺工程师交谈，

他们可能读过一些东西，可能在某个地方看过有趣的演示，但可能并不太了解其工作原理的来龙去脉，更不用说在企业层面扩展它需要什么了，对吧？因为在你的硬盘上从 CSV 文件运行 Jupyter 笔记本中的模型与在全球范围内进行生产是完全不同的。因此，我认为仅仅是缺乏对这些技术的了解就使其有所不同，对吧？如果我们谈论的是收发器

传统的机器人技术或可能更简单的物联网概念。许多工程师对此都有很好的了解，并且可能在他们的职业生涯中使用过一些东西，但在人工智能方面则少得多。我同意，这就是区别。好消息是，我坚信，人工智能的一个好处是，它很容易进行试点。我刚才只是在编造一个关于 Jupyter 笔记本的愚蠢例子，

CSV 文件，但这是一种探索一些概念的好方法。除了获取执行它的知识之外，它的成本非常接近于零。而且，你知道，即使那样，我认为我们也在内部团队中反复证明，即使是知识获取也是相当划算的。

Chris，我想在你刚才说的 AI 试点成本相对较低这一点上展开。我同意这一点，因为我们当然看到了概念验证的激增，以及不同的团队尝试不同的方法、不同的想法。这也似乎是一个事实，即 AI 也相当难以扩展。因此，我想了解一下您的观点

对某些事情容易试点、难以扩展的反应，真正的有意义的投资回报率将在您扩展之后才能实现。那么，您是如何进行这种转变的呢？您是如何将那些很容易试点并引发兴奋的事情，最终却难以嵌入到业务流程和工作方式中的呢？您如何设想这种转变？

对。是的，这是一个很好的问题，而且绝对不容易，也许不适合胆小的人，对吧？因为有时它确实需要对最终扩展的能力进行信念的飞跃。根据我们与 LiveLine 的经验，我可以说，我们进行了一些非常早期的原型设计。我们认为我们理解数据科学方面，对吧？但这仅仅是开始，那是大约两年前的事了。

而且，你知道，直到最近几个月，我们才开始进行全球范围的推广。我在这里唯一的想法是，你知道，当你进行原型设计、进行试点时，你必须尽可能谨慎地选择那些现实的用例，并且每个人都能理解这些用例，并最终将这些用例与投资回报率联系起来。你如何让人们……

一旦您有了这些解决方案，那么组织内部的采用情况如何呢？您是如何让人们在以前有人类合作伙伴的团队中与机器合作伙伴一起工作的呢？对于 LiveLine 来说，LiveLine 的基本概念是自动化复杂制造环境的自动化创建。我们正在使用机器学习技术来设计部署到生产线上的控制策略，以实时控制机器参数。

我们认为这对于处理各种各样的流程非常有用，这些流程以前过于复杂或成本过高，无法通过其他方式实现自动化。我们早期的成功是在连续流制造流程、化学转化和聚合物挤出方面取得的。我们认为这在石油和天然气、电缆布线等领域具有广泛的适用性。

当我们第一次进入工厂进行现场生产试验时，我的一个担忧是工厂人员可能会将此视为一种威胁，对吧？我们正在进行自动化，这有时在影响人们的工作方面会有一些负面含义。

但我想有两件事真正让我们获得了一些吸引力，而且反响相当热烈。事实上，工厂现在正大力推动这一举措的实施。我的态度是真正实现信息的民主化以及工具正在发生的事情。

因此，例如，我们花费了相当大的努力来确保工厂环境中的操作员能够实时查看以前无法查看的数据流。有时，我们会为了机器学习而创建数据流。我们让他们了解情况。如果他们愿意，我们会让他们了解系统正在做出的决策，并且

我们还赋予他们关闭它的能力，也就是那个大红色的按钮，对吧？如果他们对 HAL 9000 在他们的生产线上所做的事情感到不舒服的话。我们还赋予他们偏置它的能力，对吧？因此，如果他们根据他们的经验认为系统制造的零件有点——

你知道，让我们说太薄或太厚，他们可以稍微偏置一下。因此，我认为这种对系统的公开和开放，至少在工厂环境中，对于人们的认同和对正在发生的事情的信任至关重要。LiveLine 在这方面的一个经验教训是，我们收到了增强的反馈。

我们从那些只是查看数据流并观察系统做出决策的人那里收到了许多非常有影响力和有用的想法。

他们向我们提出了很好的问题，并给了我们很好的见解，建议我们可以标记新的数据站点，一旦他们真正开始对我们试图用数据科学做什么产生一些直觉，这些数据站点可能会有用。因此，我认为这种对系统的民主化，如果你愿意这么说的话，以及打开并暴露其内部结构，至少在这个案例中，是成功因素之一。

这是一个很好的例子。它涵盖了……没错。Sam，我觉得它涵盖了我们讨论过的很多内容。我知道你会跳到这个话题上，Jervis。在我们的报告中，关于人机交互的不同模式，没有黑盒，允许人类覆盖或偏置。但是，我还想问你，Chris，你之前提到了这一点，我有机会问你，那就是反馈循环？我想我的后续问题是，

就那些持怀疑态度的人变得更加友好或在人和人工智能之间建立了更多信任而言，这个反馈循环的效果如何？你能评论一下这方面的任何轶事吗？

绝对可以。所以我会给你讲一个来自我们美国南部一家工厂的很好的轶事。事实上，这是我们在做出公司进行全球推广的决定之前为 LiveLine 进行最终试点的工厂。我们首先让生产线以我们所说的自动模式运行。天哪，我认为那是去年的第三季度。试点的一个标准是我们会进行一些 A 对 B 的运行。

这个概念很简单。在这四个小时内，我们将让系统以自动模式运行。在这四个小时内，我们将关闭它。你们可以像往常一样运行工厂。然后，在一系列的几天和几周内，我们将总结关于报废率、质量和计划外停机时间的统计数据。我们将准确量化其价值。我们在几周后的第一次审查点来到了这里。

当他们与团队坐在一起时，你知道，他们有点，你知道，拉起椅子，看着他们的鞋子说，嘿，我们有一个问题。我们没有关闭系统时的 B 数据。我说，为什么？他们说，因为一旦工厂启动，他们就拒绝再次关闭它。他们不想再在系统未启动的情况下运行了，因为其影响对他们来说非常重大，并帮助他们更好地操作生产线。他们不想再在系统未启动的情况下运行了。

这与我们在加拿大和其他试点以及我们在密歇根州的技术中心看到的反应非常一致。这太好了。是的，这种反馈非常令人放心。但是，我认为，从一开始，就秉持着真正开放和向人们展示正在发生的事情的理念，让他们查看数据，参与问题解决、调整和改进，这确实为这种情感联系和对项目的承诺奠定了基础。

这些似乎是一些获取系统反馈的不同方法。然后你提到的另一个是建议新的标签或新的数据返回。对。例如，我可以看到，调整偏差是一种实时的反馈，并且很明显，按下红色按钮会立即发生，我希望如此。这就是红色按钮。没错。

那么，这些非即时反馈呢？例如，您如何处理这些关于新数据和标签的建议？这些，是否有关于这些的流程？顺便说一句，对不起，打断你的回答了。这是一个……

sam，在某种程度上，我的化学工程背景也很好地体现了出来，你可以认为，至少对于 Cooper Standard 来说，我们的大多数生产线都是化学加工生产线，我们正在使用……不同的化合物，我们正在挤压它们，并且在恒温器的情况下，将它们通过烤箱阶段，非常……200 米的流程，它在很大程度上是化学过程，是的，所以你们是

你们在自己的最佳领域。但是，那么新的数据标签的流程是什么呢？您如何规范这个流程？顺便说一句，这并不是实时发生的。当然。我会给你，我会给你一个真实的例子。我们大约一年前，呃，

我们有一位工艺工程师，他不是机器学习专家，他正在观察系统的运行，查看数据，查看机器学习生成的分析以及生产线的输出结果的可预测性。而且

在这个阶段，我们没有得到我们想要的结果。我们看到现实世界中的输出变化，而我们并没有在硅世界中捕捉到并预测到这些变化。对。当他观察生产线时，他说，看，我有一个理论。我有一个理论，认为我们向生产线输送的一种原材料存在问题。

我的理论是，这种材料更容易受到其在运输到工厂的过程中所经历的温度和湿度的历史的影响。所以，为什么我们不在这些托盘上安装一些数据记录设备，当我们将其运送到全国各地时，能够查看其时间和温度历史记录，并将这些信息整合到分析中，看看它是否能帮助我们更具预测性。

结果证明，这实际上很有帮助。这是一个非 AI 专家与系统交互并使用他们的判断来建议改进方法的真实例子，即使他们不会编写 AI 代码，对吧？但是，一旦我们向他们展示了足够多的内容以及正在发生的事情，他们就能够对这里发生的事情产生一些人类直觉，然后他们就能够参与到这个过程中。这是一件非常强大的事情。

Chris，我想问你关于人才的问题。你知道，你一直在谈论很多创新，很多很酷的想法，内部和外部的不同群体走到一起，真正尝试新事物，尝试新事物，产生真正具有变革意义的影响。

您认为需要什么才能获得合适的人才，激励他们，保持他们的兴奋，并让这种良性循环的兴奋、活力和创新持续下去？

是的，这是一个很好的问题。我认为答案可能因您谈论的技术人才类型而异。我们对制造工艺工程师或控制工程师的思考方式可能与我们对拥有 AI 领域不同技能的人的思考方式有所不同。有时，人才在全国的不同地方。

所以我不确定是否存在一个万能的答案。我认为，总的来说，当我们找到我们想带入公司的人时，我认为如果我们能向他们展示对创新和做酷事的持续承诺是真实的，这会有很大帮助。

因此，我认为能够向人们证明你愿意坚持你正在投资的东西，这是故事的一部分。然后我认为第二件重要的事情是文化。

让人们相信，你知道，除了，你知道，资源可用性的投资之外，我们只是认真对待创新。我们只是认真对待做得更好。我们认真对待通过技术从董事会到车间取得胜利。如果这种文化是真实的，人们就会知道。如果它不是真实的，而你是在伪装它，我认为人们也会知道。

你不能在一个季度内就能做到这一点。你必须在几年内才能做到这一点。我喜欢认为我们在这方面做得相当不错，但这在我看来确实至关重要。

Chris，非常感谢您抽出时间与 TalkList 交流。他们提出了一些非常有趣的问题。感谢您抽出时间。是的，Chris，非常感谢您。非常欢迎。希望您能看出我对 AI 感到兴奋。我对它在制造业以及其他行业所能做的事情感到兴奋。我认为这将是一个充满乐趣的未来，并期待着帮助构建它。

Sherbin，Chris 涵盖了许多关键点。什么特别值得注意？是的，我认为这非常有见地。我的意思是，他们显然在 AI 方面做了很多工作，有很多创新和很酷的想法，他们已经将许多这些想法投入生产。我觉得他谈到的很多关于从 AI 中获取价值的关键步骤都与我们一直在谈论的内容相呼应，即实验和测试与学习的概念，以及

以及允许人们尝试想法并快速失败，然后继续关注一些需要扩展的事情，关注很多需要测试和原型设计的事情，但关注一些需要扩展和投资的事情，我认为这非常有趣，我认为

我认为 Chris 也很好地融合了兴奋和耐心。我的意思是，一些，他们显然对他们正在做的一些事情感到兴奋，但与此同时，你知道，一些举措需要两年的时间才能实现。这必须很难平衡，对某事感到兴奋，然后还要等两年才能实现。

我认为这是一个很好的融合。是的，而且到这一点，重点的重要性，对吧？我的意思是，一旦你选择了它，并且你已经决定这是正确的事情，并且你正在看到它朝着那个方向发展，

意识到现在不是放弃的时候。你只需要动员起来，加倍努力。真正让我印象深刻的一件事是文化的重要性，以及他如何说，从董事会到中层管理人员，他们都必须相信

我们支持它，我们正在投资，这不仅仅是一个时尚，这必须渗透到整个组织中，才能让人才真正感到兴奋和感兴趣。——它甚至影响到那些使用系统的人。我认为这是一个很好的例子，说明那些人可能非常忙碌

试图完成他们的工作，以至于他们无法退后一步思考一下。他很好地举例说明了让机器做一些工作，让人类做人类擅长的事情的自由度。他几乎涵盖了我们之前报告中关于人们与机器合作的不同方式的所有步骤。我们没有提示他这样做。

我真正喜欢的是他对人才的看法。你知道，我问他，招募和培养和留住优秀人才需要什么？他说，这不是一个万能的答案。并且认识到并非所有人才都是……

同一种类型，不同的人，不同的技能组合，不同的敏感性，他们寻找的东西也不同。但共同的主题是，你知道，去那里的人希望持续关注和致力于创新。

他们想看到这一点。也许这就是共同点。然后，你知道，数据科学家、技术专家、化学家和工程师可能有不同的职业道路和职业愿望，但他们都在这种对创新的共同追求中分享。是的，我认为他没有提到，但克里斯是Techstars的导师，我相信他的一些背景也影响了他对不同的人和不同的想法以及这种人才如何结合在一起的思考方式。是的，没错。

他没有提到，但这是真的。感谢您今天加入我们。下次，我们将与魏明克讨论家得宝如何继续构建其人工智能能力。请加入我们。

感谢收听“我和AI”。如果您喜欢这个节目，请花一点时间给我们写评论。如果您给我们发送截图，我们将向您发送MIT SMR关于人工智能的最佳文章合集，限时免费。将您的评论截图发送至[email protected]。