AI技术坟场笔记——Palantir: 美国中情局背后一家不依赖LLM的智能公司

始于咨询.终于因果

前七期我们走完了LLM路线的六轮技术浪潮。每一轮的终点都是同一句话：地基没变，装修升级。但有一家硅谷公司，2003年成立，2023年之前根本不碰大语言模型。它的客户是CIA、美军、大型制药公司。它靠的不是更大的模型——是一张每一个概念、每一条关系都精确定义的地图。这张地图，叫本体论。

Palantir：AI泡沫退去之后，谁已经在岸边站了二十年

先讲一个你可能不知道的事实。

在2023年之前，硅谷最神秘的大数据公司Palantir——那个帮美军在战场上实时决策、帮药企追踪全球供应链、帮FBI做反恐分析的公司——根本不碰大语言模型。不是"没有Fable-5级别的模型可用"。是"它的核心系统不需要LLM"。二十年。它的客户做的是真正的生死决策——一颗导弹往哪飞，一个恐怖分子是不是威胁，一个疫苗批次能不能出厂。如果你靠一个会"幻觉"的系统做这些决策，你活不过第一年。

那Palantir靠的是什么？一个叫"本体论"的东西。

这个名字听起来很学术。但它的逻辑，任何一个制造企业的老板都能秒懂。

一、本体不是数据库——它是你企业的"世界地图"

你企业现在有ERP、有OA、有财务系统、有MES、有WMS、有CRM。六个系统，六套数据，六种口径。同一个东西——比如一笔采购订单——在ERP里叫"PO2026-0731"，在财务系统里叫"应付-原料-华北区-7月"，在WMS里叫"来料单-20260731-03"。

三个系统，三个名字。人知道这是一笔单子。系统不知道。系统之间互不认识。它们各自活在自己的数据库里——几十个表，几百个字段，几千条关联——但所有这些"关联"都只在自己那一个数据库里成立。跨系统之间，"采购订单"和"应付账款"之间的关系，不存在。

Palantir做的事情，就是把"不存在"变成"存在"。

它定义了一个叫"本体"的东西。本体不是什么高深的概念。本体就是你企业里所有事物的统一字典+统一地图。 字典：每一个东西叫什么。"采购订单"——不管你在哪个系统里看到它，不管你在ERP里叫它PO、在财务里叫它应付单、在WMS里叫它来料单——在本体里，它只有一个名字：ProcurementOrder。这个名字对应的，是它在六个系统里所有变体的完整映射。 地图：每一个东西和其他东西是什么关系。一个ProcurementOrder——它关联到哪个供应商（Supplier）、包含哪些物料行（LineItem）、对应的入库记录是哪几条（Receipt）、触发付款的是哪几笔（Payment）、如果有质量问题关联到哪个质检报告（InspectionReport）。所有这些关系，在本体里是精确定义的边。不是"可能在向量空间里相近"——是"显式地、确定地、可追溯地、有方向地关联"。

这和数据库有什么区别？数据库告诉你"采购订单表第37行，供应商代码是V8823，金额50万"。本体告诉你"这笔50万的订单——它关联的供应商是谁，这个供应商的历史交货准时率是多少，这笔订单对应的物料在哪个仓库、还有多少库存、消耗速度是多快，如果这笔订单的物料出现问题、会影响哪几条产线的哪几个成品、影响哪几个客户的哪几张销售订单"。

数据库存的是"是什么"。本体存的是"是什么，和什么有关，影响了什么，被什么影响"。数据库给你一个点。本体给你整个网。而企业经营的每一个真正的决策——都需要网。不需要点。

那这张网，是怎么被用来做实际决策的？

二、一颗螺丝钉的前世今生——Palantir如何在因果链上跑

Palantir最经典的使用场景，是美军在阿富汗的前线后勤。

一个前哨站的报告说："某个型号的螺丝钉快用完了。"放在传统系统里——不管是Excel还是ERP——你看到的就是一行库存数字：螺丝钉A，剩余37颗。你最多能推断出来的结论是：螺丝钉A需要补货。然后你发一个补货请求。等三周。到货。结束。

Palantir的引擎看到的是另一张图。

它从"螺丝钉A库存不足"这个点出发，沿本体图自动向上游和下游追溯：

这颗螺丝钉——是哪个型号的设备在用的？（在图上游走：螺丝钉A → 所属BOM → M777榴弹炮的炮架连接件。）

那这个型号的设备，在这个前哨站还有多少台？（继续游走：炮架连接件 → M777榴弹炮 → 该前哨站部署数量 → 当前可作战数量。）

如果缺了这颗螺丝钉，多少台设备会在多长时间内丧失作战能力？（交叉"螺丝钉消耗率"×"设备故障率"×"维修周期"——这些关系都在本体图里预定义好了。）

螺丝钉A是从哪批采购过来的？那个供应商还有没有库存？如果有，最快的运输路线是什么？（继续游走：螺丝钉A → 采购批次 → 供应商 → 供应商库存 → 物流路线 → 当前路线安全状态 → 替代路线。）

注意这里面的核心差异。一个普通的系统会回答你："螺丝钉A库存不足，建议补货。"Palantir回答你的是："螺丝钉A短缺将在72小时内导致3台M777榴弹炮丧失作战能力。最近的补给来源是供应商X的库存，通过路线Y可以在48小时内送达。替代方案是使用供应商Z的螺丝钉B作为临时兼容件，但使用寿命只有标准件的60%。"

第一个答案是基于一个数据点的检索——"找螺丝钉A的库存，数字小于阈值，触发告警"。第二个答案是基于一张本体图的因果推理——"从螺丝钉沿着关系边一路追溯，直到找到所有被影响的事物和所有可能的应对路径"。

第一个答案，LLM能给你。因为它本质上是在做"相似度检索"——"螺丝钉库存不足"和"建议补货"在训练数据里出现了一百万次，它把它们组合成了一段话。 第二个答案，LLM给不了。因为LLM不知道"M777榴弹炮的炮架连接件需要螺丝钉A"。这个知识不在它的训练数据里。它在Palantir的本体图里。那条从"螺丝钉A"到"丧失作战能力"的因果链——不是LLM"推理"出来的。是本体图"预定义"的。LLM在这一步完全没有出场。

那LLM在Palantir的系统里到底做什么？

三、LLM是翻译官，不是法官——AIP的架构真相

2023年，Palantir发布了AIP（AI平台）——首次把大语言模型引入它的产品体系。外界一片惊呼：连Palantir都开始用LLM了！

但如果你真的打开AIP的架构图，你会发现一件很有意思的事。

LLM在Palantir的架构里，只放在最外面一层。 核心层（最里面）——本体图。这是20年没变的东西。所有对象、所有关系、所有约束，全在这里。 推理层（中间）——AIP Logic + 各种确定的工具（优化引擎、预测模型、规则引擎）。这是"干活"的地方。当系统需要从"螺丝钉短缺"追溯到"丧失作战能力"——它在本体图上走。不靠LLM。 接口层（最外面）——LLM。它做两件事：把你说的话翻译成本体查询，把本体查询的结果翻译回人话。

你说："这个前哨站还能撑多久？"LLM把它翻译成：Query(螺丝钉A库存) → Traverse(所属BOM → 设备 → 作战状态) → Simulate(缺料时间窗口)。本体图跑完。返回数据。LLM再把它翻译成："根据当前消耗率，72小时内将影响3台设备的作战能力。"

LLM在这个流程里的角色不是"思考"。是"翻译"。真正的思考——确定哪些概念之间有关系、关系是什么类型、沿着关系走多远、走到哪里停——全部在本体图和推理引擎里完成。

Palantir花了二十年搭这张图。OpenAI花了两年训练一张巧嘴。当LLM泡沫来的时候，Palantir做的事不是"赶紧把我们的本体换成LLM"。它做的事是：把LLM贴在最外面。让它当翻译。核心引擎——那个在地基层面就是为因果推理设计的系统——纹丝不动。

而且Palantir给了这个架构一个正式的名字：OAG——Ontology Augmented Generation，本体增强生成。这名字本身就是对RAG的回应。RAG是"用检索到的文档片段增强生成"。OAG是"用本体图定义的确定关系增强生成"。

RAG的增强材料是"和你的问题向量距离最近的那几个段落"。向量距离错了——答案就错了。OAG的增强材料是"和你的问题在本体图上有因果边连接的那几个实体"。因果边是人定义的、是经过验证的、是可追溯的。不是相似度。是确定度。

但Palantir模式有没有局限？有——而且这个局限对"经营智商"的培育至关重要。

四、Palantir的天花板——凡是本体，都贵在"搭"上

Palantir的模式有一个让人望而却步的门槛：搭建本体的成本。

把企业里所有重要事物定义清楚——每一个概念叫什么、有哪些属性、和其他概念是什么关系——这需要几个月甚至更长时间的系统性工作。需要领域专家坐下来和知识工程师一起，把几十年的隐性经验翻译成显式的对象和关系。

Palantir自己用"Bootcamp"（训练营）模式来解决这个问题——把客户团队关在一个房间里几周，集中定义本体。它的美国政府收入在2026年Q1达到6.87亿美元，同比增长84%。这证明了这个模式在高端客户身上是成立的——美国政府愿意为"搞清楚自己的数据里到底有什么"花几千万美元。

但年营收几个亿的制造企业花得起这个成本吗？花不起几千万美元请Palantir。也花不起几个月时间关起门来从零定义本体。

这就是GOS-MEGA提出的第三条路的价值——不是"复制Palantir"，是"把本体建设从定制工程变成行业模板+企业微调"。食品行业有一套预定义的核心因果轴（原料质量 → 生产损耗 → 成本 → 毛利），机械加工行业有另一套（订单变更 → 排产调整 → 外协依赖 → 交期），电子装配行业有另一套（BOM变更 → ECN管理 → 物料齐套率 → 产线效率）。

企业不需要从零定义本体。它只需要在行业模板上做微调——把"原料质量"这个通用概念映射到自己的"小麦粉含水量"、"大豆油酸价"这些具体数据字段上。几周的工作，不是几个月。

Palantir证明了本体路线的正确性——它二十年的客户留存率和104%的营收增速就是证据。但它没有解决"中小企业怎么走这条路"的问题。而这恰恰是"经营智商"这个品牌真正的价值所在——不是告诉你"Palantir是对的"，是告诉你"你也能走这条路，而且不用花几千万"。

更重要的是——Palantir的存在本身就回答了一个问题。如果LLM路线是唯一正确的路，为什么这家帮美军做生死决策的公司，二十年不碰LLM，靠的是一张地图？如果"更大的模型"是唯一的答案，为什么Palantir在2023年把LLM加进系统的时候，把它放在最外面一层——当翻译官，不当法官？

AI坟场笔记 · 第八期 · 完

系列转折

前七期：六轮LLM技术浪潮的完整解剖——Agent编排、RAG、1M上下文、MCP/CLI、Harness/Manus、Loop/Fable 5。六轮，一个地基：向量数学。第八期：另一条路——Palantir用二十年证明，企业智能的地基可以不是"更像人说话"，是"更像地图一样精确"。

系列简介

一个前企业战略投资总监，三年每天实测AI在真实经营场景中的表现。每一期拆解一轮技术浪潮——它解决了什么、没解决什么、为什么天花板在第一天就已经写好了。从第八期开始，系列进入下半场：另一条路的存在。

下期预告：

把企业智能想象成一个人——骨架、血脉、皮肤，三层各司其职。

关注我,带你持续提升企业经营智商！