深圳10.16-17全球开源AI大会：聚焦智能体与大模型
当下企业界普遍面临一个棘手的困境：投入大量Token成本却看不到实际产出，同时还要面临商业机密被大模型厂商窃取的风险，这让不少企业对AI落地充满了抵触情绪。这一观点来自科技领域资深从业者的最新访谈，而提出这一观点的正是Palantir的掌门人Alex Karp。
很多人以为前沿部署工程师（FDE）是大模型落地遇阻后才诞生的新概念，但实际上这是一个有着二十年历史的老词汇。早在二十年前，当硅谷精英们还在专注于网页和App开发时，Palantir就已经将工程师派往战区、偏远油井和重工业车间，将软件部署到最复杂的真实物理场景中，Palantir才是FDE模式的真正鼻祖，而Alex Karp则是全球最懂FDE理念的行业领导者。
近期，Alex Karp接连两次做客财经媒体的直播专访，我们将两场总计约40分钟的独家对谈内容进行了合并梳理，整理出了技术社区广泛关注的核心观点：
- 大语言模型无法胜任高精度任务：“大语言模型确实有其应用价值，但如果你要制造汽车、将火箭送上月球，或是完成任何对精准度要求极高的工作，这类模型根本无法满足需求。”
- 企业早已不堪其扰：“企业界现在的普遍感受是：投入Token成本却看不到实际产出，同时自己的商业机密和核心优势还会被大模型厂商窃取，企业早就受够了这种现状。”
- 仅靠大语言模型毫无意义：“当OpenAI或是Anthropic提及关键基础设施应用时，绝大多数相关落地项目其实都运行在Palantir的产品体系中。”
- 华尔街不懂一线技术痛点：“我一辈子都在和最复杂的企业打交道，而华尔街的分析师们大多坐在办公室里喝着拿铁，阅读着自己根本无法理解技术细节的研报。”
- 靠人力堆砌的壁垒最脆弱：“依靠PhD团队和大语言模型搭建的技术壁垒其实是最低的。真正具有持久价值、难以被替代的，是企业的本体论管理架构和硬编码进自研系统的基础设施。”
真正能投入实战的AI，绝非几行“散漫的代码”
在访谈中，主持人首先询问了Palantir的AI操作系统在实战环境中的运作逻辑，以及能为用户带来的技术优势。Alex Karp表示，所有组织都面临着同一个核心问题：如何将传统的作战或业务模式进行现代化升级。
如果拆解Palantir产品的核心组成，最底层是一套集成基础设施，其作用是将各类独立的原有系统接入统一体系，实现数据互通，最终构建起全局的信息统一视图。但这一过程难度极大，因为不同数据源的安全密级各不相同，并非所有人都能查看完整的信息。
在此基础上，如何在保证数据安全的前提下，将所有系统整合进统一界面？又如何在此之上引入可靠的AI和机器学习辅助决策？绝非随便套用“野路子AI”就能实现——这类未经验证的模型不仅毫无实用价值，甚至根本无法在真实场景中放心使用。
真正的难点不在于将任务单元送达目的地，而在于穿越层层对抗性的复杂体系。我们往往低估了背后的技术复杂度，这类工作在两三年前根本无法实现，但现在已经能够以极高的精准度和极低的成本完成，其背后的技术门槛远超大多数人的想象。
当被问及Palantir有哪些外界一直在试图复制的核心能力时，Alex Karp表示：“人们谈论我们的前沿部署工程师模式，然后尝试复制；谈论我们的本体论架构，也尝试模仿；甚至有人声称软件毫无价值，但所有人都在悄悄复制我们的产品。”
他补充道，软件其实可以分为三类：第一类是本地部署的基础设施，直接硬编码进企业系统，数据完全不出企业内网，因此价值极高；第二类是管理层架构，比如Ontology、Foundry这类产品，解决的是“如何用好基础设施”的问题，这一层的价值持久且难以被替代；第三类则是依靠PhD团队搭建的大语言模型，这类壁垒最低，多数所谓的PhD团队不过是在用人力堆砌问题，换其他团队也能解决，再加上开源代码随处可得，很容易被复制。
但在真正关键的场景中，你面对的往往是极具竞争力的对手，他们有着独特且经过历史验证的业务模式，绝非轻易认输的角色。此时，你必须将专属的业务逻辑与他人不具备的技术能力结合起来，而我们的核心竞争力正是基础设施、自研软件、Foundry、Apollo以及自主打造并管理的大语言模型的组合，这才是具有决定性作用的核心优势。
他还提到，当前商业领域的“前沿实验室”运动存在认知偏差：哲学层面上，这更像是一种极度乐观的宗教，相信所有问题包括自身制造的问题，都能通过技术手段自行解决；技术层面上，企业客户早已受够了这种不切实际的宣传，因为真实的业务运转绝非如此简单。
脱离一线的华尔街，根本不懂企业的真实痛点
主持人随后问道，华尔街普遍质疑Anthropic、OpenAI这类大模型公司能否复制Palantir的业务模式，Alex Karp对此表示：“这是一个很好的问题，但在企业界，真正懂技术的人根本不会担心这个问题。投资者往往目光短浅，但从长期来看又时常是对的，我们不妨用事实来验证这一观点。”
“我这辈子都在与最复杂、最有趣的企业打交道，在这一领域我算得上是最深入一线的从业者之一。而华尔街的分析师们大多坐在办公室里喝着拿铁，阅读着自己根本无法理解技术细节的研报。”他补充道。
主持人追问，这些机构也在招聘顶尖工程师，Alex Karp回应：“那些工程师确实是顶尖人才，但他们大多不与企业直接交流，或是根本无法理解企业面临的真实技术挑战。大语言模型在某些概率性任务中确实更有用，因为它不需要达到100%的准确率，只要超过51%就能满足需求。但如果你要制造汽车、生产精密零部件，或是将火箭送上月球，这类模型根本无法满足要求。”
没有一家高端企业会容忍这种情况，这甚至还没上升到文化冲突的层面——你去和企业管理者交流，他们的基本态度都是：“我们今天不需要解决你的问题，因为明天你就会消失，你的所有问题都会被我们自行解决。”这本质上是一种基于自身业务安全的务实思维。
那些声称“只要做个简单部署就能复制Palantir”的说法完全是笑话，这些团队只是在解决最简单的问题，靠售卖Token盈利，他们根本没有意识到自己有多招人厌烦。他们的产品根本不像宣传的那样好用，价格还昂贵，同时还要面临一个他们自己都没意识到的事实：企业真正需要的是可控的技术服务，而非单纯的Token消耗。
当然，Alex Karp也表示，自己也曾和Sam Altman、Dario Amodei等人有过非常精彩的商业对话，和Dario的交流甚至堪称享受。
当被问及Anthropic是朋友还是对手时，Alex Karp表示：“他们公开谈论的很多应用场景，其实都运行在Palantir的产品体系中。从规模上看，我们已经达到了国家级别的体量。”
“Dario是当前领先的前沿模型公司的掌舵人，他能够从远远落后一路追赶至行业第一，这是我这辈子都没见过的成就，他确实是一位非常重要的人物。他真心相信自己所倡导的理念，相信当下和未来的所有问题都是通向完美未来的过渡阶段。而我则认为，我们需要的是当下的可行解决方案，而非二十年后的遥远愿景。我们在这些核心愿景上存在分歧，但这并不意味着我们在其他领域没有共识。”
这并非非黑即白的简单问题，这些人都是全球最有趣、最重要的行业参与者之一。大语言模型并非不重要，但至少在未来七年里，AI的核心价值在于落地实施，这也是我的客户们普遍认同的观点。至于十年后的情况，我也无法预测。
企业早已受够了Token付费却泄露核心机密的现状
主持人随后询问了Palantir大力押注医疗健康领域的背后逻辑，Alex Karp表示：“一些概率极低但能改变世界的事件往往被市场低估，而这类事件的落地恰恰需要软件基础设施、本体论管理层和大语言模型的组合支持。”
他举例说明，致命病原体进入系统的早期信号，与“有人将某个目标移动了两厘米，意味着即将到来的袭击”的信号非常相似，这类场景需要高度精准的AI辅助分析。
此外，数据安全是Palantir不可替代的核心基石，这一点往往被外界低估。你不能随意使用外部数据集，每一个微小的数据片段都必须是企业独立的主权数据集。我们在毫米级的精度上实现了这一点：如何界定哪些数据属于个人主权数据？哪些可以共享？哪些可以进行推断？哪些不能泛化共享？哪些专家在特定条件下可以查看哪些数据？测量数据的准确性如何？能维持多久？谁来实施数据权限管理？他们是否具备相应的资质？
所有这些问题都需要被精准建模，并在经过验证的平台上完成落地。网络安全威胁的应对也是如此，不能单纯依靠大语言模型。你如何在大规模发现漏洞的同时及时完成修补？就算完成了所有技术环节，你如何获得在安全网络上工作的资质认证？如果你从未真正实操过这类工作，你根本不知道其中的复杂度，也无法获得相应的认证资质。
当被问及与Nvidia的合作细节时，Alex Karp表示：“合作背后涉及大量技术问题：谁来控制模型？谁掌握模型权重？谁掌控企业的商业价值核心？我们本身就处于各类关键基础设施之上。”
“所有在高风险场景中使用大语言模型的客户，都运行在我们的Ontology架构之上。我们的客户对所谓的‘前沿实验室’服务非常不满意，就像在伯克利的圈子里不受欢迎一样，这种不信任感和不适感非常强烈。”
主持人请他进一步展开说明，Alex Karp表示：“当企业使用大语言模型时，所有懂技术的人都清楚，这是一种关键资源。但要让它在企业场景中真正发挥价值，比如高风险决策环境、受监管的行业或是制造业，就必须有一层‘应用层’作为支撑。”
“我们有一个名为Ontology的产品，现在很多人都在模仿，但它的核心作用是将大语言模型接入企业系统，让它变得安全、有用且精准。”他解释道，“安全，因为它不会触碰企业的底层数据；安全，因为它能防止大语言模型缓存企业数据、复刻业务流程；安全，因为它不会泄露企业的核心机密，无论是作战级数据、最高机密数据还是临床医疗数据。”
“过去这类技术服务的销售模式在某个环节出现了严重问题，企业界现在的普遍感受是：‘我在这里投入Token却看不到产出，我的核心知识产权还被人悄悄拿走了。’”
“我希望我们和全球盟友都能拥有最好的技术资源。事实上，Palantir的全部秘诀就在于前沿部署模式，以及领先行业五年以上的产品。曾经有人说PhD团队就是一切，也有人说‘我们甚至不知道Ontology是什么’，但现在这已经成为行业人人挂在嘴边的话题。我们的成功秘诀就是为用户提供真正优质的服务。”
“那些处于高风险场景的用户对‘前沿实验室’这类服务存在严重的信任危机，私营部门的企业也同样如此。他们为什么要让第三方接触自己的数据，并用这些数据构建出超越自身的竞争优势？为什么我不能自己掌控模型权重？这正是我们与Nvidia合作的核心逻辑。”
“我们与Nvidia的合作，正是基于技术客户的真实需求：掌控自己的算力、模型、数据栈和商业优势。他们希望拥有自己的生产资料，而不是将核心业务转移给第三方。他们对那种假模假样的‘部署代码’模式毫无兴趣，这种模式只是靠消耗Token盈利，将企业的商业核心转移给第三方，最终只会露出马脚。”
“我们的产品支持多模型兼容，可以让企业在不同模型之间自由切换，但我们需要重建行业信任。重建信任需要回答最基本的问题：谁拥有数据？数据缓存在哪里？提示词是否安全？如果这项服务真的能带来巨大价值——比如明天就能帮你赚一个亿，我难道不会要求分成吗？如果真的有这么高的价值，为什么只靠收取Token费用盈利？”
脱离应用层谈大模型落地，纯属天方夜谭
当被问及Palantir的模型能多快在前沿能力和自主智能体AI领域与行业玩家竞争时，Alex Karp表示：“我的核心主张是：模型+应用层+算力，三者缺一不可。”
“看看我们的财务数据就能明白，其他厂商大多财务状况糟糕且持续亏损，根本原因在于客户不愿意为真实的技术成本买单。真正能够实现自由现金流盈利的，只有我们的Ontology应用层和算力业务。”
“我的理念是，哪怕使用开源模型，我们也能在保密或非保密环境下将其调整到与前沿模型相同的水准，同时模型权重完全掌握在企业自己手中。前沿应用的效果可以完全对齐，同时不用担心商业核心被他人窃取。”
“即便是使用封闭的前沿模型，客户也必须能够得到最基本的问题的答案：你们会留存我们的数据吗？你们会进入我们的业务领域吗？当一个机构说‘我需要这个应用’时，到底是他们掌控模型权重，还是你们？我们真的要将这些最关键的决策外包给硅谷的主流共识吗？”
“每家企业私下里都憋着一肚子火，很多人不愿意公开谈论这件事。‘我在为毫无价值的Token付费，这些人正在偷走我商业模式的核心权重和竞争优势。’这是企业界的真实声音，这是一个真实存在的问题，企业早就受够了。”
当被问及当前是否处于AI泡沫中时，Alex Karp表示：“这就是悲剧所在。算力+应用层+模型的组合正在改变历史的走向，那些真正在应用这一技术的企业就是最好的证明。我们根本不需要过度吹捧我们的产品，我们也拥有世界级的开源模型可供使用，完全不需要将行业炒到惹上麻烦的地步。”
主持人随后问道，如果一家药企或大型机构在没有应用层的情况下直接使用Anthropic或OpenAI的模型，是否会存在风险。Alex Karp回应：“首先，有一件事让我有些抓狂：当OpenAI或是Anthropic，尤其是Anthropic，谈到他们的模型在关键基础设施中的落地应用时，绝大多数相关项目其实都运行在Palantir的产品体系中。”
“我并非在挖苦他们，他们构建模型的成就确实具有历史意义，尤其是Anthropic的Dario，能够从远远落后一路追赶至行业第一，这是我这辈子都没见过的成就。但现实情况是，在任何关键基础设施场景中，如果没有应用层的支撑，这些模型根本无法落地，而我们的Ontology正是这类关键应用层。”
“企业愿意为我们的服务买单，并非因为我们的个人魅力，而是因为系统必须保证绝对安全。硅谷那种‘相信我，我从不撒谎’的说法，在这个层面根本行不通，毕竟大企业的掌舵人都是全球最精明、最老练的一批人。”
当被问及AI基础设施的未来竞争格局时，Alex Karp表示：“我们倾向于一个拥有更多超大规模云服务商和各类新玩家的市场环境，我们喜欢这种格局，道理就像你在网上搜索能找到五十款外套，可以挑选自己喜欢的款式。但技术层面最懂行的企业都会说：‘我想要属于自己的东西。这是我的业务，我想拥有GPU、数据、模型，我想掌控自己的商业优势。’”
当被问及Palantir的业务状况时，Alex Karp表示：“市场需求远超我们的供给能力，我们的业务量已经超过了当前的消化上限。只要看看我们的财务数据，两年后我们的自由现金流将达到150亿到180亿美元。”
当被问及是否对股票表现感到沮丧时，Alex Karp表示：“你知道吗，我在这一行已经干了二十年了。一开始人们会问‘这是不是一家服务公司？是不是毫无价值？’市场总是短视且反复无常的。我真想挖苦一下：有哪个投资者真正懂技术？他们觉得自己智商很高、懂一些东西，就以为理解了自己正在使用的产品。但企业真正在用的技术，比如复杂制造、药理研究、高精度任务，和你日常使用的消费级AI产品，相差了十万八千里。”
