Palantir：隐秘的数据分析巨头如何在GenAI时代成功

创业故事：难以估值的透视石

最聪明的人
最顶尖的技术
最困难的问题

Palantir^[1]成立于2003年，五位联创中有四位来自「PayPal黑帮」，其中当然也包括教父级人物Peter Thiel（注：「PayPal黑帮」常用于指代一群PayPal公司的早期关键人物，他们在离开PayPal后成功创办了多家知名科技公司并对硅谷创投文化产生了深刻影响，他们包括Peter Thiel、Elon Musk，以及近期被提名为美国共和党副总统人选的J.D.Vance）。Palantir的名字源于《指环王》中一个神秘而强大的透视石，这隐含了创始团队对Palantir能够洞悉过去、洞见未来的期待。

在不安情绪弥漫的「后9·11」时期，Peter带领团队将PayPal在反欺诈领域积累的经验迁移到反恐领域，致力于召集世界上最聪明的人、利用最顶尖的数据分析和人工智能技术、解决这个世界上最困难的问题。2004年，在自费研发出第一代产品原型后，Palantir迅速得到了来自美国CIA风投部门的种子轮融资^[2]，并开始在其核心机构进行产品试点。从2005年到2008年，CIA一直是Palantir的金主和唯一的客户^[3]，深度打磨了Palantir的产品，这为Palantir在美国政府市场的成功奠定了重要的基础。

政府业务初具雏形后，Palantir带着技术专长进军华尔街^[4]。金融交易本质上是风险定价，而有效的定价依赖于对多源异构数据进行精确、高效的整合分析，交易过程中的风险防控同样需要对大量数据进行实时计算并提供可视化的监控，这恰恰都是Palantir擅长之处。2010年，Palantir在纽约警察局客户的介绍下与JPMorgan合作并正式开辟金融市场，这也是Palantir在商业领域的第一家客户。据JPMorgan的一位前员工称^[5]，「这些工具已经为公司节省了数亿美元，解决了从网络欺诈到不良抵押贷款等各种问题。银行使用Palantir的用户可以在几秒钟内看到一个尼日利亚的IP地址、一个在美国某地的代理服务器和一笔从被劫持的房屋贷款账户中流出的付款之间的联系，就像军方客户将炮弹碎片上的指纹、位置数据、匿名举报信和社交媒体消息拼凑在一起以追踪阿富汗炸弹制造商一样。」

从大数据反恐到GenAI商业应用

在2020年上市之时，Palantir已建立起两条成熟的产品线^[6]，分别是2008年发布的Gotham和2016年发布的Foundry。

Gotham是Palantir的早期核心业务，主要服务于包括美国国家安全局（NSA）、联邦调查局（FBI）、中央情报局（CIA）、美国海陆空军在内的美国政府和军事机构，这也是让Palantir看起来如此神秘的主要原因。「Gotham」的名字同样很有意思：在DC漫画中，「Gotham City」是一座笼罩在黑暗、犯罪和腐败中的城市，是蝙蝠侠行侠仗义的主要背景。在恐怖主义和战争的波诡云谲中，Palantir希望通过Gotham，为「掌握正义力量」的政府机构提供更高效的情报挖掘、事态分析、风险监测和决策建议工具。

Foundry是Palantir面向商业领域的平台产品，旨在为大型机构提供统一的数据管理系统，进行企业级的数据全生命周期管理、运营和决策辅助。为了平衡ToG业务独大的风险，Palantir利用Foundry不断挖掘ToB客户，并成功从金融机构开始，将其商业领域的业务版图逐步拓展到能源、交运、生物医药、消费品等多个行业。

2019年，在Gotham和Foundry两条产品线的驱动下，Palantir已创造了7.4亿美金的收入，并且商业领域收入已经超越政府收入，占比达到53%。

Palantir随后推出的Apollo是一个CI/CD平台，便于Palantir的产品技术能够在不同客户的复杂环境中实现快速部署和便捷运维。

2023年4月7日，在ChatGPT问世几个月后，Palantir正式发布了第四个平台产品——AIP (Artificial Intelligence Platform)。这是Palantir首个将GenAI技术进行深度应用的产品，旨在为大型机构提供一个能够基于LLM快速构建、应用AI产品并实现运营成果转化的平台。

AIP的推出启动了Palantir在过去一年多以来业绩和股价的持续增长。2023年Palantir录得22.3亿美金收入，同比上涨17%（其中商业领域收入同比上涨20%），全年净利润2.1亿美金，为上市以来首次实现净利润为正^[7]。2024年7月，Palantir市值已逾630亿美金，自AIP发布以来价格回报率已超240%，远超其他同体量软件公司。现在的Palantir市盈率已超80倍，被许多分析师认为已「超出合理范围」。

AIP的产品优势和商业化思路

AIP如何发挥Palantir的传统优势

「Garbage in, garbage out.」——这是AI从业者常说的一句话，不管从模型训练的视角还是从大数据分析应用的视角，输入数据的质量往往对模型的效果和决策的质量有决定性影响——大模型时代的AI应用同样如此。以RAG为例，我们知道RAG的核心是「R」（召回），而R的关键是知识库中的数据是否面向业务领域进行了高质量的标准化构建和增强。

Palantir在数据复杂度极高的军事领域积累了20年的经验，并能深刻理解从原始数据导向决策辅助的数据处理管道、领域建模、人机交互应该如何通过产品设计来衔接。这为其AIP产品沉淀了天然的数据层和应用层的优势。

我们可以通过Palantir官方发布的一个军事领域示例来感受一下AIP的运作方式^[8]：

示例从一位负责监控东欧军事活动的军官视角开始。他刚刚收到一个警报，显示在距离友军30公里的某处集结了军事装备。军官迅速向AIP Assistant提问（注意看截图中AIP给出的回复）：

• Show me more details.（显示更多细节）

• What military unit is in the region?（该地区有什么敌方军事单位？）

• Show options for tasking imagery at this location at a resolution of 1 meter or higher.（帮我找到可以对这个位置捕获更清晰图像的选项）

• 针对第三个提问，AIP Assistant提供了部署无人机的选项，军官输入指令「Task the MQ-9 to capture video of this location.」，指令发出后，无人机传回的视频图像确认了目标区域有一辆敌方的主战坦克。

• 军官接着输入指令：Generate 3 courses of action to target this enemy equipment.（生成三个针对这个敌方装备的行动方案）——AIP迅速回复行动建议并列出了每种行动建议所需资源和时间。军官再次输入「Send these three options to my commander for review.」——AIP随即将行动建议发送至指挥官审核。

• 视频中展示了这一系列丝滑操作的后台逻辑：军官在提问的同时，AIP对多源收集的实时数据进行遍历分析，数据经过清洗、分类打标、被映射到分析对象，并进行严格的权限划分。这些数据进入传统模型和分析系统，由AIP基于用户的请求调用对应系统工具（Tool call）并对分析结果进行总结。针对每一个分析结论，AIP都保留了其与底层数据和系统工具的溯源关系。

在介绍完基层军官的使用后，示例切换到指挥官的视角——在收到三个行动方案的审核请求后，指挥官最终选定方案三。在后续的交互过程中，AIP辅助指挥官制定具体的作战计划，这包括利用地理空间情报和军事单位的分布情况制定行动路线、准备弹药供应、设置敌方通信干预计划。交互界面不再一一展示，感兴趣的朋友强烈建议观看原视频。

• 值得一提的是，在这一部分展示的后台逻辑中，我们能清晰地看到：这样一个复杂的系统性工程绝不是由大模型独立完成的，它依赖于Palantir长期积累的复杂数据处理经验，这包括成熟的数据处理管道和基于传统算法训练的领域小模型（参考图中Model Library）。大模型在AIP中扮演的角色，更多是一个把Palantir过去的深厚积累串联起来的智能中枢，通过RAG、Tool call、Prompt engineering等技术手段（参考图中AIP Control Panel中GPT-NeoX模型的管理菜单），最终达成在Palantir传统优势领域中的惊艳表现。

AIP和本体论（Ontology）

Palantir将企业的决策过程分解为三大要素：数据（Data）、逻辑（Logic）和行动（Action），这共同构成了Palantir设计的企业决策模型——Ontology（本体），同时也是AIP产品的核心。相对广为人知的RAG概念，Palantir创造性地提出OAG（Ontology Augmented Generation），意在表达AIP的优势在于：不只是做知识、数据的召回，而是同时融合企业私有数据（Data）、企业内部系统工具（Logic）、业务人员交互反馈（Action）对大模型能力进行增强，以达成业务优化的目标。具体而言：

• 在数据（Data）层，Palantir的优势在于深入理解业务，能够对（the「nouns」of the enterprise）进行有效的抽象、提炼，并基于此对多源异构数据进行归一化处理，形成统一的语义表示（面向人的Human interfaces）和服务接口（面向系统的AI interfaces）。

• 在逻辑（Logic）层，主要体现为大模型与传统小模型的结合、与业务系统/业务逻辑的结合（通过tool call），及能够将其有效串连起来的低代码/无代码流程编排工具。这部分可能是AIP平台和常见Agent平台最为相似的地方。

• 在行动（Action）层，Palantir十分明确地表示LLM不是代替而是辅助人行动，因此为AIP的Workflow Services设计了完整的控制（Controls）、审核（Reviews）、模拟（Simulations）的程序，包括独立的沙盒环境和人在反馈回路，以确保AI的行动建议能够得到安全的执行，并通过人工的反馈对「逻辑」层的模型和流程进行不断迭代更新。

在前述军事场景样例中，Palantir在「数据层」的能力被发挥到淋漓尽致，不管是原始数据的获取、处理，还是结果数据的展现，都能支持多模态和实时性。在「逻辑层」，AIP的出色表现则依赖于Palantir在军事领域的长期积累，能够快速调用传统模型、分析工具，其中不乏Palantir的传统产品Gotham中的核心能力。在「行动层」，我们能够看到用户与AIP、AIP与系统操作的实时互动，但更多的控制手段发生在背后，包括权限控制、内容审核、数据溯源。

基于Ontology的构建和Palantir的历史积累，AIP平台为客户提供了两种选择：使用开箱即用的AI应用（AIP Now），或自定义搭建新的AI应用（Build with AIP）。

在Palantir官网AIP Now的介绍页，能够看到上百个应用示例，并按行业和职能进行了分类——这几乎是一个大模型产品PMF地图，任何一个场景可能都能找到一个对应的创业公司。这也不得不归功于Palantir过去多年在政府和商业领域积累的业务know-how。

我们可以再看一个金融领域的示例：在一级股权投资中，公司筛选和尽调一直是一项耗时耗力的工程。视频中提到的一家VC机构一年要看7000多家公司的BP，其中1000家进入尽调阶段，250家进入深度调查和沟通，最终仅对20家进行投资。在这个转化率不到0.3%的漫长过程中，AIP可以在公司材料审阅与筛选、尽调问卷生成与答案分析、投决会报告编制等全流程对投资团队进行辅助，并实现进度可视化和数据溯源。这可以显著提升工作效率，让投资团队在「大海捞针」的投资筛选中专注于真正高价值的企业。在这个样例中，我们同样能看到Palantir的数据处理能力、业务流程的编排及工具对接能力、人机交互的产品实现能力。

训练营：用5天时间培育一个新客户

对任何一家做大模型产品ToB商业化的公司来说，都面临这样一个问题——如何让客户认知并认可大模型的「基建」价值，而不是仅从孤立的、碎片化的场景中衡量大模型项目的ROI？

Palantir选择现身说法，通过举办类似于超短期POC的训练营，完成对客户的教育和销售。

为期1-5天的AIP训练营为Palantir带来了大量商机：截至2024年2月，Palantir已为465个客户完成了560次训练营，2月到7月又新增了450个客户参与。Palantir管理层表示AIP训练营正在「迅速转化付费客户」，一家头部公用事业公司在完成训练营五天后就签署了一份七位数的合同，另一位客户在为期几天的训练营结束一天后立即签署了付费协议，并在三周后转化为七位数的交易。2024年Q1，Palantir美国商业领域签约同比增长94%至136笔，合同总价值（TCV）同比增长131%至2.86亿美元^[9]。

We are good at educating customers on what is the art of the possible, and then some portion of those customers buy it. — Alex Karp, CEO of Palantir

成功背后的「艺术家部落」

在文章的最后，我想花点时间讲讲Palantir背后独特的管理团队。

CEO Alex Karp：一个「离经叛道」的哲学家

I view building a business as an art form. I believe that if you change 'artists' into a 'I-want-to-do-it-in-a-creative-way' endeavor, it means I’m going to build something not in the way I was taught in school. However, it addresses the underlying issues of your art. — Alex Karp, CEO of Palantir (source)^[10]

CEO Alex Karp和Peter Thiel一样，都从斯坦福大学获得了法律博士学位，但相比Peter，他接受了更深入的人文学科训练——离开斯坦福后Alex没有从事法律工作，而是前往法兰克福歌德大学继续攻读博士，研究方向是新古典社会理论（Neoclassicial Social Theory^[11]）。Alex沉迷于研究西方社会构建的哲学基础，但他渐渐发现学术研究能在现实世界中发挥的作用太有限了，并开始转向商业领域，直到与斯坦福的老相识Peter重新建立联系并以CEO的角色加入了Palantir的创始团队^[12]。而Peter愿意邀请毫无技术背景的Alex成为联合创始人，也沿袭了他在PayPal时期一以贯之的「任人唯贤，不论背景」的习惯。

Alex被媒体称为一个「离经叛道」的哲学家，他会引用弗洛伊德的观点探讨社会暴力不完全来自于经济因素，而是深植于人内心的破坏性的冲动——因此这种风险不能只依赖结构化的经济分析来捕捉，而还需「通过解析语言来找到无意识攻击的痕迹，揭示隐藏的身份和亲缘关系，以及潜藏在其中的暴力动机」^[13]。在阐述Palantir的使命时，Alex常常提到黑格尔的辩证法，Palantir一直致力于将相反的数据和观点进行聚合、揭示深层次的联系以接近「更高的真理」；并且无论是在大数据还是人工智能的应用上，Palantir始终坚信人类思维和机器智能的结合才能实现理性决策，机器智能仅能发现形式逻辑当中的规律，这不足以应对可以跳出形式逻辑的「适应性」的人类对手——这也与黑格尔对「实践理性」的强调一脉相承。

源于自己与艺术的紧密联系，Alex将商业也视为一种艺术形式。他反对将艺术狭隘地划定为美术、写作、音乐等活动，在更广泛的意义上，艺术是一种用有创意的方式、从本质上解构并解决复杂问题的思考习惯^[14]。或许正是这样的思考习惯，让一位哲学家可以带领Palantir全球顶尖的工程师团队在复杂的商业世界中持续取得成功。

CTO Shyam Sankar：技术是一张离开第三世界的单程票

Instead, you want to be an artist colony. What does managing and leading 10 of the world’s greatest artists look like? It isn’t command and control. It doesn’t hew to any structure or strictures. Instead, the leader must maximize the unique strengths of each individual in the colony — with the right person in the right role in the right time — to produce a great work of art. — Shyam Sankar, CTO of Palantir (source)^[15]

Shyam Sankar是公司第13号员工，目前担任公司CTO。Shyam出生于印度孟买，并在尼日利亚经历了动荡的幼年时期，两岁的时候曾遭遇武装分子入室抢劫并将他父亲打伤。在全家搬到美国奥兰多定居后，父母的创业之路也充满艰辛。Shyam高中时期开始接触技术并对软件产生了强烈的热爱，他后来分别进入了康奈尔大学和斯坦福大学，并在2006年正式加入Palantir。

2024年4月，Shyam在Pirate Wires上发表了一篇长文^[16]，介绍了他对于高绩效团队的理解。他强调要将对「赢」的追求内化到组织文化中，创造一个能充分激发每个人独特才能、包容混乱、自驱式增长的「艺术家部落」，而不是一个靠管理制度维系的雇佣兵工厂。为此，Palantir给员工的工资会低于市场水平，但提供慷慨的股权。Shyam在文章中提到，「我们将成为一个邪教，加入会很痛苦，所以申请者必须非常想加入。」

Shyam将这篇文章转发到了自己的Twitter并置顶，配文中重申了他文中的另一观点：

Engineers get caught up in how they want the world to work, how they’ve been taught the world should work, but they rarely understand how the world actually works. And you can’t win if you aren’t living in reality. It’s a natural human tendency to define the problem based on what you can win at, but that is the ultimate corruption. You have to take the red pill and see how far down the rabbit hole goes (18 years in, and I haven’t hit bottom yet).

工程师们往往沉迷于他们希望世界如何运作，以及他们被教导的世界应该如何运作，但他们很少理解世界实际上是如何运作的。如果你不活在现实中，你是无法获胜的。人类有一个自然的倾向，就是根据自己擅长的领域来定义问题，但那是最终的腐败。你必须服下红色药丸，看看兔子洞究竟有多深（已经18年了，我还没到达底部）。

这几乎是对技术理想主义者对现实世界存在认知偏差的完美阐释。为了不让公司的技术精英们陷入「拯救世界」的自嗨，Shyam提出了「Forward Deployed Engineering」的模式，他要求工程师深入一线参与项目部署和交付，这可能意味着要搭上某天最后一班军用飞机飞往阿富汗前线送电脑设备。

读完Shyam的文章，我想到《权力的游戏》里那句「Chaos is the ladder」。Palantir以一种近乎宗教的力量，在没有组织规范的混沌中，凝聚了一群有着非凡能力、复杂性格、同时或许也有着深刻缺陷的人才，并不断创造了Palantir今天难以逾越的商业地位。

写在最后

维特根斯坦说，语言的边界塑造了我们世界的边界。大语言模型的出现让硅基世界的语言无限接近人类的符号体系，我们不需要再理解机器语言便可直接与其交互，但在那之后呢？

如果数据能够直接导向真相，是否不需要再通过人类符号的转译？正如在Palantir塑造的Ontology中，在Data和Action之间的「逻辑」桥梁，未来会有多少人类参与的空间？

汉娜·阿伦特把人类活动分为「劳动」、「工作」和「行动」，我对于美好世界的愿景是AI可以代替人们劳动和工作，而人类需要创造新的空间来承载我们的积极「行动」。

本文作者：Jing

在大模型公司从事金融行业解决方案

🔴 小红书：泽雉的书房和大海

🟢 微信：BC369_ZZ

十字路口 AI Research Fellow

「十字路口」在 7 月初发布「AI Research Fellow」的招募，我们一共收到了近 50 封邮件，经过仔细阅读每一位朋友的邮件和资料、约时间线上聊天，我们从中选出第一季（S24）的 6 位 Fellow，他们将与「十字路口」一起围绕 AI 展开研究与分享。

参考资料