- Authors
- Name
- Youngju Kim
- @fjvbn20031
- 引言 — 名字响亮，实体却模糊的公司
- 简短背景
- 产品线 — Gotham、Foundry、AIP、Apollo
- 核心 — 本体论这个概念
- 为什么这是一条护城河
- AIP 带来的东西
- 均衡的批判
- 工程师能带走的教训
- 结语
- 参考资料
引言 — 名字响亮，实体却模糊的公司
Palantir 是近几年科技与投资新闻中被提及频率最高的公司之一。但如果问「Palantir 到底是一家做什么的公司」，能给出清晰答案的人却出乎意料地少。人们脑海中飘荡的，只是「大数据公司」「AI 公司」「政府监控公司」这类零碎的印象。
本文试图拨开这层模糊。我会梳理 Palantir 的历史与产品线，说明这家公司真正的竞争力，并不在于人们通常联想到的华丽 AI，而在于一个叫 本体论(ontology) 的概念。最后，也会平衡地讨论围绕 Palantir 的那些正当批评。
简短背景
Palantir 成立于 2003 年。联合创始人包括「PayPal 黑帮」成员彼得·蒂尔(Peter Thiel)，以及至今仍担任 CEO 的亚历克斯·卡普(Alex Karp)等人。公司名字取自托尔金《魔戒》中出现的 palantír ——那块能映照远方之物的预知石。早期部分资金来自 CIA 的风险投资机构 In-Q-Tel，因此 Palantir 长期以来一直与情报、国防机构共同成长。2020 年，公司以直接上市(direct listing)的方式在纽约证券交易所挂牌，股票代码为 PLTR。
这段背景之所以重要，是因为 Palantir 的产品哲学，最初源自情报机构面对的问题——「必须在碎片化的数据中找出隐藏的联系」。这一根源，之后也原样延续到了商业产品中。
产品线 — Gotham、Foundry、AIP、Apollo
Palantir 的产品大致可以理解为四个分支。
- Gotham：面向国防与情报机构的产品。它把来自不同来源的碎片化数据编织在一起，让分析师能够看到人物、地点、事件之间隐藏的联系。它是 Palantir 的起点，也长期是其身份认同的核心。
- Foundry：面向商业企业的数据操作系统(data operating system)。它帮助制造、物流、金融、医疗等行业的企业整合分散的数据，并在此基础上做出运营决策。
- AIP(AI Platform)：让企业能够在自身受控数据之上使用大语言模型(LLM)的平台。后文会更详细地展开。
- Apollo：跨云端、本地部署、涉密环境、边缘等多种环境持续部署和管理软件的基础设施层。它并不显眼，却是支撑其他产品的管道。
看到这里，Palantir 像是一家「销售数据集成与分析工具的公司」。但它真正的差异化，在于底层铺垫的一个概念。
核心 — 本体论这个概念
把 Palantir 与其他数据平台区分开来的关键，是 本体论(ontology)。本体论原本是哲学中处理「存在之物及其关系」的一个分支，而 Palantir 把这个概念应用到了企业数据上。
一般的数据系统处理的是表、行、列这类 数据本身。而 Palantir 的本体论，则把这些数据连接到现实世界的 对象(object) 上。它把数据集、表、模型等数字资产映射到现实世界中的对应物——设备、订单、客户、运单、飞机——并同时表达这些对象的属性(property)以及对象之间的关系(link)。
到这里为止，它可能看起来和其他语义层(semantic layer)差不多。但 Palantir 本体论真正的特点，在于这里还加入了 动态要素(kinetic elements)。本体论并不止步于描述「存在着什么」，还包含 行动(action)与函数(function)。也就是说，一旦在本体论之上做出某个决定，这个决定就会被写回源系统，并反映到现实世界中。重新分配库存、批准订单、安排维护日程这类行动，与数据模型被捆绑成了一体。
正因如此，Palantir 把自家的本体论描述为组织的 数字孪生(digital twin)。本体论不是在描述数据，而是在为组织的 决策与运营本身 建模。这正是让 Palantir 与单纯的仪表盘或 BI 工具产生根本区别的地方。
为什么这是一条护城河
说 Palantir 真正的竞争力不是 AI，听起来可能有点意外。但冷静地看，事实确实如此。大语言模型本身，正日益接近由多家公司提供的商品(commodity)。Palantir 能够守住的真正护城河，不是 AI，而是 集成(integration)。
大型企业的数据，散落在几十甚至几百个孤岛(silo)之中。ERP、CRM、各种遗留系统、电子表格、传感器数据，彼此互不相通地存在着。把这些碎片捆绑成一个一致的运营模型，是一件极其困难的事；而一旦真正捆绑到位，拆除它、换用别的系统的成本就会变得巨大。本体论把这种集成变成了一种结构，而这种结构本身，就产生了转换成本(switching cost)与防御能力(defensibility)。
也就是说，Palantir 的护城河不是「最聪明的模型」，而是「纠缠最深的集成」。数据、行动、治理被捆绑在同一处的状态，竞争对手很难轻易复制。
AIP 带来的东西
那么 AI 究竟出现在哪里呢?AIP 把 LLM 架在这个本体论之上。核心在于，并不是把 LLM 放任到任意数据上，而是只让它在受控、施加了治理的数据上运作。AIP 强调的特点如下。
- 安全边界内的 LLM 连接：安全地连接多个模型，同时保持访问控制与安全边界。LLM 能看到的数据范围，从属于组织的权限体系。
- 智能体与自动化工具链：不止于简单的问答，还可以构建与本体论行动相连接的智能体(agent)和自动化流程。
- 评估(evals)框架：在把 AI 工作流投入生产时，系统性地评估和管理其性能与安全性。
- 审计追踪与可解释性：可以追踪是哪些数据影响了某个特定的 AI 响应。在监管严格的行业中，这种可追溯性是决定性的。
归纳来说，AIP 的价值不在于「更好的模型」，而在于「运作在可信数据与明确治理之上的 AI」。而这一点，同样只有在本体论这个基础之上才能成立。如果想亲眼熟悉 AI 概念本身，也可以参考本站的神经网络实验室或提示词工程指南等工具。
均衡的批判
要准确理解 Palantir，也需要批判性的视角。下面列举几点。
第一，价格昂贵，实施沉重。 Palantir 传统上会把被称为「前线部署工程师(forward-deployed engineer)」的人员，直接派驻到客户公司去搭建系统。这种方式很有力，但成本高昂，落地需要相当多的时间和人力。小型组织很难轻松采用。
第二，存在与政府、监控相关的争议。 Palantir 曾在国防、情报，以及移民执法(例如美国 ICE)等领域开展业务，也因此在人权与隐私方面持续受到批评。抛开技术本身的性能不谈，「这家公司的工作被用在何处」这一伦理问题始终正当，也不断被提出。
第三，客户集中度与估值问题。 有观点担心营收严重依赖少数大客户，尤其是政府合同，同时围绕股价估值相对实际业绩是否过高的争论也在持续。
第四，是「究竟是产品，还是咨询」这个由来已久的争论。批评指出，前线部署方式的沉重实施，与其说是可扩展的软件产品，不如说更接近高成本的定制咨询。公司一直试图通过 Foundry 和 AIP 的产品化、标准化来回应这一批评，但争论至今仍在继续。
工程师能带走的教训
即便不使用 Palantir 的人，本体论这个想法也有值得学习之处。我们在设计系统时，往往只从表和 schema 的角度去思考数据。但 Palantir 的做法是先建模「这份数据对应现实世界中的哪个对象，能对这个对象采取什么行动」。把领域建模为 对象与行动的集合，而不是表，这种思维方式与领域驱动设计(DDD)的精神相通，在设计复杂业务系统时，是一个强有力的视角。
结语
用一句话概括 Palantir，就是「把数据连接到现实世界的对象与行动、为组织打造数字孪生的公司」。它的核心不是华丽的 AI 模型，而是把碎片化系统捆绑成一个运营模型的本体论这一结构。AI 只是架在其上的强大工具，真正的护城河是集成。与此同时，这也是一家背负着关于成本、伦理、可扩展性的正当批评的公司。只有把这两面一起看，Palantir 的实体才会真正脱去模糊，变得清晰。