Palantir与本体论（八）：AI之前，Palantir靠什么赢？

现在提到Palantir，很多人第一反应是"AI公司"。2023年AIP发布之后，Palantir的股价从不到8美元一路飙升到超过200美元，市场叙事几乎把它的成功等同于AI的成功。

但如果把时间线拉开看，会发现一个容易被忽略的事实：Palantir在AI之前就已经赢了。

时间线

Palantir成立于2004年，最初服务于美国情报机构。第一个产品是Gotham——一个面向国防、情报和执法机构的数据融合平台，核心能力是把散落在十几个互不相通系统中的碎片化数据（从卫星图像到银行记录到社交媒体）整合到一个统一界面中，帮助分析师发现隐藏的关联、识别威胁、支撑作战决策。2016年发布Foundry，把同样的思路带入商业领域——供应链、医疗、制造、能源。Foundry的定位是企业级数据操作系统，能从ERP、IoT、数据库等上百种数据源中整合信息，通过ontology将数据转化为可理解、可操作的业务对象。Ontology作为Foundry的核心架构，在这个阶段就已经完全成型了：语义层定义业务世界的结构，动力层连接实际数据，动态层嵌入可执行的业务逻辑。

AIP（AI Platform）是2023年才推出的。

也就是说，ontology的三层架构跑了至少七年，覆盖了从军事情报到商业运营的大量场景，在没有LLM的年代就已经被验证过了。Palantir在AI之前靠的是什么？靠的就是前面几篇讲的那套东西——范畴框架的准确性、数据的持续流动、业务逻辑的可执行性。

这不是AI的功劳。这是ontology的功劳。

没有ontology的AI是什么样的？

现在市场上有大量"AI+数据"的方案：把LLM接到企业数据库上，让它用自然语言查数据、写SQL、生成报表。听上去很美好，但实际效果往往不理想。

原因不难理解。LLM面对的是原始数据表——几十张表、几百个字段、字段命名五花八门（create_dt、crt_date、created_at可能都是"创建时间"）。没有语义框架告诉它"客户"是什么、"订单"是什么、它们之间什么关系、哪些字段是关键的哪些是冗余的。LLM只能根据字段名猜，猜错了就是幻觉。

更麻烦的是，即使LLM猜对了某个查询，它也不知道查询结果在业务上意味着什么。"华东区上周补货达成率72%"——这个数字是高还是低？需要预警还是正常波动？应该触发什么动作？LLM不知道，因为这些判断标准不在数据表里，而在业务逻辑里。

没有ontology的AI，就像一个空降到陌生公司的实习生——他很聪明，但他不了解这家公司的业务结构、不知道什么是重要的、不知道该找谁。你问他问题，他只能翻数据库碰运气。

Ontology给了AI什么？

一套"可以说的话"和"可以做的事"。

有了ontology，LLM不需要理解数据库的表结构。它面对的是ontology里定义好的业务对象——"供应商""补货工单""交付周期"——每个对象有明确的属性和关系。业务人员问"帮我看一下华东区上周的补货达成率按供应商拆解"，LLM在ontology的语义框架内解析这个请求：识别出涉及的对象类型、属性、关系，然后返回结果。

它之所以能工作，不是因为LLM变聪明了，而是因为ontology给了它一个结构化的业务世界来操作。ontology定义了AI可以看到什么、可以操作什么、什么动作是被允许的。

用前面的比喻来说：ontology是AI的操作系统。

AI给了ontology什么？

三个东西。

第一，降低了使用门槛。第六篇讲FDE时说过，ontology最难的环节是"把业务认知翻译成范畴定义"，高度依赖人。AIP加入后，业务人员可以用自然语言跟ontology交互——不需要学会系统的操作界面，不需要知道对象类型叫什么技术名称，直接用业务语言提问。ontology还是那个ontology，但"戴上眼镜"的动作变简单了。

第二，扩展了动态层的能力边界。之前动态层的业务逻辑是预定义的——"库存低于安全水位→触发补货"，这条规则是人事先写好的。AIP加入后，LLM可以在ontology的语义框架内做更灵活的推理："这个供应商的交付周期最近异常波动，历史上类似情况出现过三次，前两次最终导致断货，建议提前启动备选供应商。"这种推理以前需要有经验的人来做，现在LLM可以辅助。

第三，引入了Branching——让AI"提案"而非"执行"。第七篇讲过Write-back是从"看"到"做"的分水岭，但AIP进一步解决了一个问题：AI提出的操作万一错了怎么办？Palantir借鉴了Git的分支模型——AI agent提出的操作不直接执行到生产数据上，而是生成在一个"分支"里，人类审核确认后才merge到生产系统。AI从"替你做决定"变成了"替你准备好决定所需的信息和方案"，按下按钮的那个动作永远是人的。从2004年服务情报机构到2025年的AIP，这个原则二十年没变。

但——这是关键——LLM的推理质量完全依赖ontology的范畴框架。如果ontology里没有"交付周期""历史异常记录""备选供应商"这些对象和关系，LLM就推不出上面那段话。框架里没有的东西，AI看不见。

正确的优先级

所以这件事的因果关系不能搞反。

不是"有了AI就不需要费劲建ontology了"——恰好相反，ontology建得越好，AI能发挥的价值越大。ontology建得差，AI就在一堆垃圾上做推理，出来的结论也是垃圾。

正确的优先级是：先把ontology建对——选准范畴、接通数据、嵌入业务逻辑——然后让AI在这个已经验证的基础上跑。Palantir自己的发展历程就是这个顺序：先花了将近二十年打磨ontology体系，然后在一个成熟的基础上叠加AI能力。

回到这个系列一直在用的比喻：ontology是认知眼镜，AI是让这副眼镜更容易使用的交互方式。AI能帮你更方便地戴上眼镜、更快地调焦，但眼镜的度数——范畴框架——还是得人来配。

---

参考资料：

1. Palantir, "Overview", palantir.com/docs/foundry/ontology/overview
2. Palantir, "The Ontology system", palantir.com/docs/foundry/architecture-center/ontology-system
3. Palantir, "Connecting AI to Decisions with the Palantir Ontology", blog.palantir.com, 2025