从核潜艇到食品工厂，同一套逻辑

始于咨询.终于因果

上周见了一个做调味料的老板。他年营收大概1个多亿，两个工厂，二百多家加盟商。聊到一半他打断我，表情很认真——不是质疑，是真的困惑。

"你讲Palantir讲了五篇。Palantir的客户是美军、空客、BP——一年几百亿美金的预算。我一个1个亿的调味料厂，你确定这套东西放我身上能跑？"

这个问题我答了很多次，但那天下午我才终于找到了一个让我自己满意的回答方式。不是"能"，也不是"不能，但可以简化"——这些都没说透。真正说透的答案，藏在Palantir那四个产品摆在一起的时候。

把Apollo、Foundry、Gotham、AIP从上到下排列——不对，应该是从下到上。最底下那层是Apollo，管的是"软件装在哪、怎么跑、断了网怎么办"。再往上是Foundry和Gotham，管的是"数据怎么接进来、应用怎么搭起来"。中间夹着一层他们没有单独卖、但所有产品都共享的东西——一套企业知识框架。最上面那层才是AIP——它做的事情其实很简单：把人话翻译成查询，把结果翻译成人话。仅此而已。

这四层摊开看，哪一层跟"行业"有关系？跟"规模"有关系？

Apollo的设计逻辑是"不管部署在哪儿、不管网络好不好、系统自己活着"。美军核潜艇潜下去三个月，浮上来几分钟完成数据同步。你那两个工厂的WiFi死角、冷库里的无网区、总部和工厂之间那条会断的专线——要解决的是同一个问题：断网了系统别死。复杂度不一样——核潜艇要管几千个节点，你只需要管总部服务器加两个工厂的几台边缘设备加几台iPad。但设计逻辑不需要改。

中间那层知识框架也一样。军队里定义的对象是基地、部队、装备、目标。你的工厂里是供应商、原料批次、产线、工单、成品、退货、加盟商。对象不同。关系不同。但把它们组织起来的那套方法——"让步放行"是一个对象、它和"生产工单"之间有一条有方向的关联、这条关联可以被自动追溯——这个方法跟行业无关。军队追溯的是"目标→打击效果→战损评估"。你追溯的是"让步放行→退货率→加盟商闭店"。一个是五十个节点的图，一个是五个节点的图。图的规模不同，图的计算方法一样。

规模变，原理不变——反过来看这张表

我把四个产品对应的场景列在同一张表里给那个老板看。左边是国防，右边是他的调味料厂。 最底层Apollo：让核潜艇在海底待几个月后浮出水面、几分钟同步完毕的东西，和让他工厂WiFi死角里那台平板在断网后还能继续跑、恢复后自动补日志的东西——是同一个设计思路。 中间的知识框架层：让情报分析师把基地、部队、装备之间的关系变成可自动推导的网络，和让他的品控主管把让步放行到退货之间的关系变成可自动追溯的链条——是同一套组织数据的方法。 最上层AI翻译：让分析师用自然语言问情报系统"这个区域的风险排序"，和让他的车间主任用iPad问"这批次的退货率为什么高"——AI的位置完全一样：只做翻译，不进推理内核。  行业差异只进了中间那一层里"定义了什么对象和什么关系"。其他三层——部署底座、应用搭建、AI交互——全都不挑行业。这套架构造出来的时候就没打算绑定任何一个行业。

他听完沉默了几秒。然后问了一个不像老板问的问题——像工程师问的。

"那每一层的投入怎么算？我一个一亿的企业，不可能像Palantir那样养几百个工程师。"

我说这就回到刚才那个逻辑了：架构不变，实现复杂度可调。Apollo你不用管几千个集群——管三台服务器加几台边缘设备就行。知识框架层你不用定义几十万条关系——定义几千条就够了。应用层你用不上混合现实的作战中心——一个iPad上的品控追溯面板就够。AI那层你甚至不需要云端算力——一台本地服务器跑一个轻量助手，够用了。

这个回答他接受了。但我后来回想这场对话，觉得真正的转折点不是那个表——是不久之前我在整理整个"经营智商系列"前五篇的时候突然意识到的一个结构。

五篇文章讲了五件事。Palantir的AIP不能独立卖——它的价值不来自AI模型，来自下面那套知识框架。Apollo能部署到核潜艇——因为真正的"智能"包括断网时自己活着。Bootcamp五天搞定客户——不是技术快，是行业知识积累密度够高。花了二十年积累的东西不可能六个月复制——因为可计算化的行业知识只能用时间生产。

这四件事指向同一个结论：AI只该做翻译，不该做推理。推理应该放在一个可追溯、可验证、确定性的系统里。

然后我突然发现——这个结论不是只有Palantir在用工程说。

陶哲轩在另一个完全不同的领域——数学——得出了同样的结论。他说现在的AI不具备真正的推理能力。它不是在推导——是在拼接，是在从训练数据里找最像"严谨推导"的文字排列。他给这种现象起了个名字叫"伪正确"——格式完美的、语言通顺的、但每一步都经不起推敲。他用了一个比喻：AI像一只弹跳机器人，可以原地跳起两米高，但没法在半空中抓住岩石上的握点停下来。要么一次成功，要么摔回原地。

华尔街——又是另一个完全不同的领域——也得出了同样的结论。Burry做了超过十亿美元的AI看跌期权。Panmure Liberum算出来AI投资和收入之间差46%，超过了2001年电信泡沫的32%。他们不是在赌AI没用——在赌"烧钱做更大模型"这个商业循环撑不住。

同一个结论，从三个完全不相关的方向，用三种完全不相关的方法，独立到达了。

Palantir用工程证明了"AI该放在哪里"。陶哲轩用数学证明了"AI的推理边界在哪里"。华尔街用金钱证明了"以AI为商业中心的模式为什么不可持续"。三个人、三个领域、三套完全不同的工具——画了同一条线。线这边是翻译、检索、格式生成。线那边是推理、判断、因果推导。跨过去的都付出了代价。

回到那个调味料老板的问题。

你不是美军。你不需要核潜艇版的Apollo。你不是NASA。你不需要混合现实的作战中心。但你需要的东西是一样的——让你的经营数据之间的关系不是散落在六张表里靠人手动拼，而是被自动串联成一条从头到尾都能追溯的链。你需要的是让AI在问"为什么退货率高了"的时候，给你的不是一段听起来很对但没有来源的段落，而是一条从这里、经过这里、传导到这里、最终落到这里的完整路径。

做到这件事需要的不是钱。是架构。而那套架构跟你的企业规模无关。跟你的行业也无关。它只跟一个问题有关：你愿不愿意让AI只做翻译，让推理留给那个每一步都能被验证的系统。

Palantir用二十年走了这条路。我们不需要二十年——因为我们不是从国防做起，是从调味料厂做起。但路的方向是一样的。

写这五篇文章的时间里，我反复在确认一件事：我说的这些东西——企业知识框架、跨部门因果关系、AI只做翻译不做判断——到底是只有Palantir那个规模才需要的奢侈品，还是任何一个想做长久生意的企业都需要的必需品。

# 标签

#Palantir#数据架构#AI翻译#数据治理#经营智商

经营智商系列 · 数字化转型专题

本文为系列文章，后续将陆续探讨「中小企业该先建数据架构还是先上大模型」「如何判断一家软件厂商靠不靠谱」「数据治理的脏活怎么干」等话题。

关注我，带你持续提升企业经营智商！