Palantir与本体论 · 番外八：为什么全量建模是一个不可能完成的任务

第五篇讲过，全量建模是对数据缺乏判断的表现。当时的批评主要从实操层面出发——信噪比变低、调度员看不到想看的东西、牛顿只保留了质量。但有读者问了一个更根本的问题：全量建模是不是在理论上就不可能？

答案是：不可能。不是技术做不到，是在认识论、本体论和工程实践三个层面上都不成立。

从本体论看：现实不具备"可被全量捕获"的属性

仓库里一箱货物，你要建模到什么精度？位置精确到哪个货架？精确到货架上的第几厘米？温度？湿度？包装的磨损程度？箱子上每一道划痕的深度——还记得"少了一颗钉子，丢了一个国家"的故事吗？

往下追没有底。现实是连续的、无限细粒度的。任何模型都必须在某个粒度上截断——而"在哪里截断"这个决定本身就是一个主观的认知判断，不是客观事实。所以任何模型都不可能是"全量"的，它永远是一个有选择的抽象。

更根本的是，真实系统是开放的。你画了一条边界说"我要建模这个工厂"，但工厂跟供应商之间、跟天气之间、跟政策之间、跟操作员今天的心情之间，都存在交互。边界是人为切割的，不是天然存在的。边界之外的变量、微小扰动、偶发事件，永远无法穷尽。

博尔赫斯写过一个帝国的制图师画出了跟帝国一样大的地图——完美精确但完全没用。因为地图的价值恰恰在于它比现实"小"，通过省略让你看到肉眼看不到的结构。全量建模追求的就是这张1:1的地图。即使你真的做到了，它也失去了一切认知功能——因为它跟原始数据一样复杂，不提供任何认知增益。

从认识论看：不存在"上帝视角"

这是更深一层的理由。全量建模隐含一个假设：存在一个无视角的、无偏见的、无遗漏的"上帝视角"，只要我们收集足够多的数据，就能逼近这个视角。

这个假设不成立。

任何建模行为都预设了一个观察视角——你选择看什么、忽略什么、从什么角度切入。没有"无视角的全量模型"这种东西。你说的"全量"，其实是在某个你没有意识到的视角下看起来"全"的东西。换一个视角，你会发现大量被遗漏的维度。

这就是盲人摸象的深层含义。不是说盲人们"不够努力"或者"数据不够多"——即使把所有盲人的感知汇总起来，你得到的仍然是"从触觉角度对大象的完整描述"，不是大象本身。你仍然缺少视觉、嗅觉、听觉、大象的内部器官结构、它的情绪状态、它跟象群的社会关系。每增加一个感知维度，你离"全量"更近一步，但永远到不了——因为维度本身是无穷的。

但问题还不止于此。盲人摸象暗示的是一种渐进逼近——维度虽然无穷，但至少可以不断叠加、不断趋近。然而更根本的困难是：不同视角之间未必可以叠加。

牛顿力学就是一个典型的例子。从力学视角看，它是"全量"的——质量、力、加速度覆盖了一切宏观低速运动。但换到热力学视角，它什么都没有。换到量子力学视角，它的基本范畴（质点、确定性轨迹）就失效了。牛顿不是"遗漏"了这些维度，是他的视角天然不包含它们——而且你不能简单地把力学、热力学、量子力学"合并"成一个包罗万象的超级模型，因为它们的基本范畴互相冲突。这不是维度不够的问题，是视角之间存在根本性的不兼容。

企业经营中也有同样的现象。财务视角追求利润最大化，合规视角追求风险最小化，增长视角追求市场份额最大化——这三套指标体系在底层经常是冲突的。压缩成本提升利润，可能触发合规风险；激进扩张抢市场，必然牺牲短期利润。你不可能把三套互相矛盾的指标合并成一个"全量经营模型"，因为它们的优化目标本身就是互斥的。这跟牛顿力学和量子力学的关系一样——不是数据不够，是视角之间存在根本性的不兼容。

每一个模型都是一副特定度数的眼镜，不是一面无所不包的镜子。Palantir的Ontology设计逻辑正是基于这个认知——它不试图把所有视角合并成一个全量模型，而是用目的因（你要做什么决策）来强制筛选建模范畴，天然隔离了跨视角的冲突维度。番外七讲的四因论在这里完成了产品落地。

从预测实践看：数据越多不等于预测越准

如果全量建模的逻辑是对的——数据越多、模型越复杂、覆盖的变量越全面，预测就应该越准确——那现实中应该看到复杂模型碾压简单模型。

事实恰好相反。

因斯布鲁克大学的统计学教授蔡利斯，从2008年开始用数学预测世界杯。到了2026年，他的模型已经相当精密：四个核心数据维度（历史表现、博彩赔率、球员个体评级、转会市场价值），加上FIFA排名、Elo评级、国家人均GDP、欧冠球员数量等次级变量，全部喂给随机森林算法，再跑10万次蒙特卡洛模拟。

结果如何？2014年模型的头号热门巴西，半决赛1比7惨败德国。2018年头号热门德国，小组赛垫底出局。2022年头号热门巴西，又没夺冠。连续四届大赛，模型给出的冠军预测全部落空。

有意思的是另一个对比。德国经济学家克莱门特做了一个极简模型：人均GDP、人口规模、气候、东道主身份、FIFA排名积分——没有任何球员数据，没有个体表现，没有身价。看起来粗糙到不行。但2014年选中德国、2018年选中法国、2022年选中阿根廷，三届全中。

数据越多、模型越复杂、变量越"全量"，预测反而越不准。为什么？

因为足球比赛的结局取决于大量不可建模的变量——球员那天的心理状态、裁判的一个争议判罚、更衣室里的一次冲突、某个球员赛前吃坏了肚子。这里说的"不可建模"需要界定清楚：不是指"当下技术采集不到、未来也许能采集到"的变量——也许有一天生物传感器能实时监测球员的肾上腺素水平。而是指那些不具备稳定因果关系、不可复现、甚至随观测行为本身发生改变的扰动变量。裁判在第87分钟的一个争议判罚，你事后可以分析它的影响，但你无法在赛前把"第87分钟会有一个争议判罚"建进模型里。这类变量不是算力和采集能力能解决的。

你把能量化的变量堆得越多，模型就越容易被这些量化变量的噪声所误导，反而忽略了那些真正决定结局的、不可量化的因素。

克莱门特的极简模型为什么表现更稳健？不是因为它"更正确"——如果某一届冠军是一个传统弱国，这个模型也会失败。而是因为它主动放弃了对动态噪声的拟合。蔡利斯的复杂模型试图捕捉球员状态、市场价值这些高度波动的变量，结果被这些变量的噪声所误导；克莱门特的极简模型只看宏观结构，虽然粗糙，但不会被短期噪声带偏。放弃拟合噪声，就降低了系统性误判的概率——这不保证每次都对，但保证不会每次都错在同一个地方。当然，这并不是说简单模型在所有场景下都优于复杂模型。在封闭的、规则明确的、状态空间有限的场景——比如围棋、工业产线的质量检测——多维模型确实有优势，因为那些场景的变量空间是有限的、规则是稳定的。但世界杯、战场态势、供应链风险这类开放场景，变量空间趋近无穷，复杂模型的优势就消失了。

量化交易抽象了什么

同样的逻辑也适用于股票市场。

如果全量建模是可行的，量化交易应该把一家公司的所有信息都纳入模型——财务报表、管理层简历、员工满意度、办公室装修风格、CEO今天早餐吃了什么。越全越好。

但实际上量化交易做的恰好相反。最成功的量化策略通常只抽象极少数变量——价格、成交量、波动率、动量。有些策略甚至不关心这家公司是做什么的。它们不追求"理解"一家公司的全部，而是在价格序列中寻找统计规律。

为什么？因为股价的短期变动取决于太多不可建模的因素——交易者的情绪、地缘政治的突发事件、一条社交媒体帖子引发的恐慌性抛售、大机构的仓位调整。试图把所有这些因素都建模进去，不但做不到，而且会让模型过度拟合——在历史数据上看起来完美，在真实交易中一塌糊涂。

量化交易最深刻的洞察不是"我们需要更多数据"，而是"我们需要找到那几个跟结果有稳定因果关系的变量，然后只用它们"。它的成功恰恰证明了：模型的价值在于隔离噪声、捕捉局部确定性，而不是包揽全部可能性。这跟番外四讲的奥卡姆剃刀是同一个逻辑。

回到Ontology

这三个层面的分析——本体论上现实不可穷尽、认识论上不存在上帝视角、预测实践中复杂模型不一定比简单模型准——指向同一个结论：全量建模不只是"做不到"，而是"做了也没用"。

这里需要做一个重要的区分：全域数据采集和全量数据建模不是一回事。采集可以尽量全面——传感器数据、业务日志、外部数据源，能收的都收，作为原材料兜底。但建模必须裁剪筛选——从收集到的海量原材料中，只选取跟决策有因果关系的变量进入模型。很多企业混淆了这两者，以为"我把所有数据都接进来了"就等于"我建好了全量模型"。数据采集是质料因的工作，建模是形式因的工作，两者由目的因来统摄——你要做什么决策，决定了从全量采集的数据中选哪些进入模型。

也许有工程师会说：你前面用宇宙的无穷来证明全量建模不可能，是偷换概念——我只是想把工厂里所有设备的数据都建进模型，不是要建模操作员的心情和天气。但即使退到"企业内部已知数据的全量映射"，问题仍然存在。企业不是一个封闭系统——供应商会换、客户会变、政策会调、竞争对手会出招。这些边界之外的变量，会通过因果链条传导到你的"内部全量模型"中，让昨天还准确的模型今天就失效。割裂环境的"局部全量"，同样是一种认知幻觉。

还有人会问：未来AI能力更强了，是不是就可以实现全量建模？不能。大模型提升的是拟合和推理的效率，但它无法消除三个根本约束——现实的无限粒度、开放系统的无穷外部扰动、观察视角的不可消除性。AI可以帮你更快地做裁剪，但裁剪本身不会消失。这个结论不会被技术迭代推翻。

这正是Palantir式建模的认识论基础。第五篇讲的"从决策倒推范畴"、番外四讲的"奥卡姆剃刀"、番外五讲的"Palantir在配眼镜不在造镜子"——所有这些判断背后的深层逻辑是一致的：好的模型不是现实的复刻品，而是一个经过精心裁剪的认知工具。它的价值不在于覆盖了多少变量，而在于选对了哪几个关键变量。

牛顿用三个概念孪生了力学世界。克莱门特用五个变量预测了三届世界杯冠军。好的建模不是做加法，是做减法。做加法靠堆数据，谁都会；做减法靠判断因果，这才是真正稀缺的能力。Ontology的核心工作从来不是"建更多的实体"以求面面俱到，而是"选对关键的范畴"以求每一个都不可或缺。