研报速递Palantir：从情报分析工具
一家以「人机共生」为设计原点的公司，用二十三年把数据、本体、算力与人的判断编织成一个可写回、可审计、 可对抗的认知闭环。本文系统梳理其产生、现状、趋势、技术体系、应用场景，并专章对照 VR/AR 与本体计算的技术同构关系。
什么是「人机环境智能系统」
理解 Palantir，不能只把它当作一款大数据可视化或 BI 工具。它的内核是一套 由人、机器、对抗环境三者持续闭环迭代的动态认知系统。
Palantir 的设计哲学直接继承自 J.C.R. Licklider 的「人机共生」理念—— 目标不是打造替代人类的 AGI，而是做 智能增强（IA）。其内部反复引用 2005 年自由式国际象棋锦标赛的经典案例：
公式揭示了核心判断：算力 c 的边际提升会被摩擦 f 抵销，真正能撬动分析能力的变量是交互摩擦。 现实中，分析师约 85% 的时间耗费在数据查找、清洗、格式转换等机械工作上。
一、产生与源起：从反恐情报到组织操作系统
2003 年成立；被众多硅谷投资人拒绝后，获得 CIA 旗下风投 In-Q-Tel 约 200 万美元投资。 2008 年发布首个旗舰产品 Palantir Gotham，面向情报分析师， 核心能力是人机协同的关联分析——在飞行记录、通话记录、银行转账等庞杂数据中「连接点」。
向私营部门延伸，最初聚焦金融服务业。核心技术转向 语义数据建模（Ontology）： 把数据库的行与列，翻译为现实世界可交互的「对象」——人、车辆、武器、订单，用户无需写代码即可操作。 2015 年私募估值约 200 亿美元。
2016 年推出 Palantir Foundry，面向商业客户，成为空客（Airbus）、BP 等企业的核心平台。 与 Gotham 的「调查」定位不同，Foundry 是企业的中枢操作系统：构建集中式数据管道、打破数据孤岛、 建立企业运营的数字孪生。营收从 2018 年 5.95 亿增至 2019 年 7.43 亿美元。
2020 年 9 月 30 日通过直接上市（DPO）登陆纽交所，总部迁至丹佛。 2022 年推出 Apollo——持续交付与基础设施管理平台， 解决「Palantir 自身如何部署到云、本地、隔离网与边缘」的问题。
2023 年推出 AI Platform（AIP），把大语言模型接入既有本体与安全体系。 2024 年纳入标普 500，主上市地转至纳斯达克。核心叙事从「决策支持」升级为「决策执行」—— 从 dashboard 走向 workflow，从洞察走向行动。
图 1 Palantir 营收演进（2018–2026E，单位：亿美元）
二、现状全景：一条陡峭的复合增长曲线
2026 年第二季度，Palantir 交出了公司二十年历史上最强的一份季报，增长曲线近乎垂直。
图 4 业务结构：Q2 2026 vs 上年同期
三、发展趋势：四条主线的收敛
Palantir 的未来不是单点产品的堆叠，而是四条趋势线的交汇。
图 · 平台能力演进：从「看数据」到「做决策」
四、技术体系：五大平台 + 一个本体内核
Palantir 的技术栈可以概括为「一个内核、五层平台、一个交付面」。 本体（Ontology）是全部能力的交汇点。
| Gotham | ||
| Foundry | ||
| Ontology | ||
| AIP | ||
| Apollo |
AIP 解决大模型「企业失明」的机制可以概括为五步： 用户提问 → 本体解析（把「订单 123」解析为具体 Object）→ 上下文组装（相关属性 + 权限打包成 Prompt） → 受限推理（LLM 仅在安全上下文中推理）→ 动作执行（写回必经 Action + 审计留痕）。 因为 Agent 被授予的 Tools 其实就是本体中定义的 Actions，其能力、权限、审计边界全部由本体统一约束。
VR/AR 与本体计算：一次同构的技术演进
为什么把 VR/AR 和 Palantir 放在一起看？因为二者解决的是同一个问题的两个面向—— 如何让机器理解「世界是什么」以及「在世界里能做什么」。 VR/AR 在空间维度上做这件事，Palantir 在业务维度上做这件事。把两条线叠起来，就能看清一条清晰的技术演进路径。
1. 一次判断：两条同构的演进曲线
VR/AR 的「空间理解」与 Palantir 的「业务理解」，在方法论上高度同构。下表把两条线并排放，可以看到同样的五步走：
| ① 采集 | ||
| ② 建模 | ||
| ③ 语义 | 语义空间理解 | 本体（Ontology） |
| ④ 动作 | Actions / Functions | |
| ⑤ 闭环 |
2. 关键跃迁：从「几何」到「语义」
设备知道「那里有一个长 1.8 米的平面」 输出：三角网格、点云、平面方程、空间锚点 只能做：把虚拟物体放上去、遮挡、碰撞 局限：厨房台面和办公桌在机器眼里没有区别 代表：HoloLens 1 的 Spatial Mapping、早期 ARKit 平面检测
设备知道「这是一张沙发，属于客厅功能区」 输出：带类型标签的场景图（Scene Graph） 能做：虚拟角色真实地「坐」到沙发上；UI 自动适配房间布局 能力：Meta Quest 的 Scene API 已可自动标注 table / couch / window 与 Palantir 对齐：这正是 Ontology 在业务世界的角色
3. 落地案例：空间智能的四级台阶
HoloLens 1（2016）：四颗环境理解摄像头 + ToF 深度相机（0.85–3.1 m），实时生成物理表面的三角网格， 以 8 cm 体素网格存储。学术对比激光扫描仪（TLS 真值）显示厘米级精度， 但存在 3–4% 系统性距离高估，天花板、弱纹理表面偏差更大。 → 对应 Palantir：数据接入层
HoloLens 2（2019）/ Vision Pro（2023）：FOV 从 34° 提升到 52°（对角），47 像素/度； Vision Pro 配备 12 摄像头 + 5 传感器 + 6 麦克风，由专用 R1 芯片处理。 关键能力：手部追踪（每手 21 个关节点）、眼动追踪驱动注视点渲染、空间锚点跨会话持久化。 → 对应 Palantir：交互与探索层
当前前沿：从几何走向语义。Meta Quest Scene API 自动识别并标注桌、沙发、窗、墙等物体类别； MRTK 的 Scene Understanding 模块识别地板、墙壁、天花板，并可按约束寻找「空墙面」等； 3D 场景图（3D Scene Graph）成为统一语义、几何与相机关系的标准结构。 → 对应 Palantir：核心本体层（决定性的一跃）
目标形态：AI 主动理解空间关系与物理常识，并参与决策。代表方向包括 World Labs（可对空间关系与物理交互进行类人推理的 AI）、 Niantic 大地理模型（5000 万+ 神经网络、150 万亿+ 参数的行人视角全球 3D 地图）、 AR Cloud（多用户聚合共享的持久化空间数字孪生）。 数字孪生正从「静态三维模型」转为「动态智能表示」。 → 对应 Palantir：AIP + 决策编排层
图 6 VR/AR 空间智能四级成熟度（示意性评估）
4. 语义通信：把本体思想「下沉」到通信层
同一条逻辑还在通信层重演。传统通信追求 比特级还原（把每个像素都传过去）， 语义通信追求 意义级还原（只传「不理解的部分」）。这与 Palantir 「只把有意义的对象和动作交给模型」是同一个哲学。
三方在 6G/IOWN 平台上展示 AR 眼镜实时辅助，融合三项技术：
- 流式语义通信
：检测上下文变化，只传语义差分，大幅降低无线资源占用 - 面向 AI 的媒体控制
：给 AI Agent 分配数据标识，只喂关键传感器数据 - 网内计算 INC
：不依赖单一超大模型，把分布式的小型专用 AI 与外部信息源组合
结果：通信流量与计算负载同时下降，端到端时延在全视频流中保持近乎恒定，AI 推理精度无退化。
面向 6G 沉浸式体验的多模态大模型集成语义通信框架，采用「设备—边缘」协同架构：
边缘侧 MLLM 综合图像、语音、眼动信号、任务请求与信道状态，生成语义注意力热图 双路径重要性感知编码器：关键区域走高保真网络，次要区域走轻量网络激进压缩 接收端 VAE 粗重建 + 条件扩散模型精修，可按终端算力切换「高清重建 / AI 补帧」
结果：AR 导航场景中 MLLM 在 10 ms 内标记建筑轮廓为最高优先级； 6G 空口可用带宽提升 最高 30%；500 MHz 毫米波小区实测平均端到端时延 从 28 ms 降至 18 ms，块错误率降低 42%。
5. 映射表：空间本体 ↔ 业务本体的逐项对应
| 对象 | ||
| 关系 | ||
| 动作 | ||
| 约束 | ||
| 持久化 | ||
| 多用户 | ||
| 人机协同 | ||
| 核心风险 |
6. 分歧与边界：不要把类比推得太远
① 实时性量级不同。空间本体必须在毫秒级完成理解与响应（眼动、手势、遮挡）， 否则破坏沉浸感甚至引发眩晕；业务本体的响应尺度是秒、分钟乃至天。这决定了二者在算力部署、模型规模上的根本差异。
② 真值来源不同。空间本体的真值来自物理世界，可由传感器反复核验，误差是可度量的（厘米、像素）； 业务本体的真值来自组织与人的判断，误差是可争议的（虚假情报、认知偏见）。后者更需要「人」这一环。
③ 失败代价不同。空间语义误标导致虚拟物体穿墙，体验受损； 业务本体误判导致错误行动落到真实系统，代价可能不可逆。这解释了为什么 Palantir 坚持人类问责与审计留痕。
7. 本章结论：VR/AR 技术发展的一个缩影
① VR/AR 的竞争焦点已从「显示」转向「理解」。 分辨率、FOV、重量仍是工程问题，但决定体验上限的，是设备能否理解空间是什么，而不只是在哪里。
② 语义化是本体的前奏。 Meta Scene API、MRTK Scene Understanding、3D Scene Graph 正在做的，就是把空间「本体化」。 一旦对象、关系、动作三者齐备，AR 眼镜就具备了与 Palantir 同构的可推理基础。
③ 语义通信是这条路径的基础设施。 当通信从「传比特」转向「传意义」，带宽、算力与模型的分配逻辑必然需要一层语义调度。
④ AR 眼镜有机会成为「个人版 Palantir」。 它同时承载通信、计算、感知与 AI，是离人的意图最近的一台机器。 如果空间本体成熟，人在物理世界中的每一次注视都能触发一次「本体查询 + 动作编排」。
六、应用领域：政府与商业的双引擎
Palantir 以政府 / 国防为根基，以商业企业为增长极。两条腿走路，但商业侧的增速已在 2026 年全面超越。
图 7 行业覆盖强度（示意性归类）
政府与国防领域
| 军事情报与指挥 | ||
| 战术级目标处理 | ||
| 陆军企业级软件 | ||
| 航空安全 | ||
| 网络安全 | ||
| 公共服务 | ||
| 卫生体系 | ||
| 能源系统 |
商业与产业领域
高端制造 空客、GE 航太：多厂区协同。GE 航太使用 AIP 后发动机产量增加 26%。
供应链物流 英伟达、温蒂汉堡：本体连接物料、供应商、产能，做分配优化与情景推演。温蒂汉堡把原本需要数周的库存问题压缩到 5 分钟。
金融保险 AIG、摩根大通：多智能体核保与理赔，通过本体协调「特定用途的代理」。
能源电力 Hexion 三年转型实现 3 亿美元 EBITDA 改善；英国 NESO 支撑并网连接关键流程。
医疗健康 克利夫兰诊所：患者流向、人员配置与资源可用性协同分析，合规调取诊疗数据。
零售消费 沃尔格林：从试点 10 家门店快速扩展到 8 个月覆盖约 4000 家门店。
七、典型场景：六个可验证的落地切片
图 8 典型场景效率改善幅度对比
英伟达供应链涉及数百万个零件、数千家供应商。双方共建的 Command Center 由 Palantir 本体连接物料、制造商、 厂址、产能、配额与生产承诺数据，叠加英伟达 cuOpt 决策优化库与 AIP，用于评估「内存供应减少」「新增工厂」等情景。 追踪指标「Time of Ownership」用于减少部件等待其他物料时的闲置时间。该部署完全本地运行， 双方共同发布为「Palantir 主权 AI 操作系统」——人类规划师始终掌握分配决策权。
这家国防承包商基于 Palantir 建立企业级统一数据层，连接 33 套 ERP 系统， 现有 350 万个数据连接与 5000+ 定时数据馈送流入 Foundry。 成效：识别受电路板玻璃短缺影响的项目，过去需要约 30 人、耗时最多 3 个月，现在 10 分钟完成。 另有用 L3Harris 数据微调的开源模型在 48 小时内即超越前沿模型，成本低 95%。
与海军部合作的 ShipOS 在造船与物料规划环节带来数量级的效率改善：
制造用料清单审批：200 小时 → 15 秒 合约审查周期：加快 57%–73% 每月物料规划时间：减少 94%
美国联邦航空管理局把此前孤立的多个数据源整合进共享本体，形成国家层面的安全风险视图。 系统综合天气、事件报告、空管音频等信号，辅助分析人员调查风险，并把缓解措施路由到责任团队。 关键设计：人仍然对 AI 生成分析的评估与后续行动负责。
媒体集团把第一方读者数据接入共享本体。典型工作流中，智能体基于匿名化的读者行为生成个性化新闻简报与推荐， 而编辑内容仍受 USA Today 的标准治理。战略目标：让媒体保留对读者关系、数据治理与变现决策的控制权。
在电信，规则与实时告警能力识别指定条件并触发警报或关联动作；在制造，多厂区生产数据汇聚为集中视图； 在医疗，平台支持患者流向、人员配置与资源可用性的协同分析。 共性：对象清晰、关系复杂、动作明确、责任边界重要——这正是渐进式本体最擅长切入的场景类型。
八、风险、争议与系统内生缺陷
- 虚假关系放大
：敌方伪造的污染情报一旦被采信，会污染整个知识网络 - 认知偏见嵌入
：分析人员的偏见会沿本体底层固化，形成系统性偏差 - 相关性误判为因果
：图谱中的强关联容易被误读为因果链条 - 本体膨胀过载
：持续膨胀后复杂度超出人的认知负荷 - 人退化为「盖章」
：一旦简化研判流程，动态本体将退化为失效的静态关系图谱
- 估值压力
：交易于 160 倍以上前瞻 P/E，定价隐含「十年零失误执行」 - 客户集中
：显著收入绑定美国及盟友政府预算，政治风向可能引发合同重置 - 竞争加剧
：Microsoft Fabric、Databricks、Snowflake、C3.ai、Scale AI 等在各层面施压 - 合规与伦理审查
：欧盟对 AI 伦理的审视、英国 NHS 采购程序的公平性质疑 - 供应链风险
：2026 年五角大楼与 Anthropic 的争议一度要求移除 Claude，法院禁令才暂缓执行 - 治理结构
：多类股结构使创始人在满足条件时可控制约 50% 投票权
九、结论：护城河在「架构」，不在「模型」
① Palantir 的本质是一套人机环境智能系统，而非一款数据分析软件。 它的竞争力来自「机器识、人定义、环境扰动」三者持续闭环所形成的动态本体，无法通过采购一个模型来复制。
② 其优势是架构性的。当客户用 Palantir 治理数据、连接模型、执行运营工作流时， 替换这个平台比替换某一个 AI 模型要困难得多——在基础模型日益同质化的市场里，这个区别至关重要。
③ 增长的真实检验在商业侧。政府业务依然是战略基石与最深的护城河， 但商业客户的规模化才是决定其能否摆脱政府采购周期依赖的关键。美国商业收入 +149% 是目前最强的正向证据。
④ 人始终不可替代。从 FAA 到英伟达，Palantir 每个高价值场景都保留了人类对关键决策的问责权。 这既是设计哲学，也是它在高危场景获得信任的前提。
对中国产业实践的启示
中国不会出现一个等比例复刻的 Palantir——它形成于非常特殊的历史条件：从政府与国防客户起步， 在高安全、高复杂、高后果场景中磨练能力，通过 FDE 交付深度服务，再向商业客户迁移。但核心思想值得认真对待：
Palantir Technologies，《Q2 2026 Letter to Shareholders》，2026 年 Palantir Technologies，《Palantir Reports Q2 2026 Results》，Business Wire / FT 公告，2026-08-03 Palantir，《Foundry Building Blocks / Palantir for Builders》，官方产品文档 Palantir Docs，《Foundry Announcements》（AIP Evolve、认证体系更新），2026-09-08 Defense World，《Palantir Showcases Sovereign AI Wins With NVIDIA, Cisco and FAA》，2026 New Market Pitch，《Defense Tech: What Is Getting Real Adoption Now?》，2026 Remio，《Palantir Fujitsu Sovereign AI Partnership》，2026-09-10 Complete AI Training，《Palantir and Rackspace Partner to Deploy AI Platforms》，2026-07-09 The Register，《UK energy operator sticks with Palantir in £21M direct award》，2026-09-08 TECHi，《Palantir's AI Growth Is Accelerating—but Expectations Are Rising》，2026 FinancialContent，《Palantir (PLTR) 2026 Deep Dive: From Secretive Startup to AI Operating System》，2026-01-28 Encyclopædia Britannica Money，《Palantir Technologies, Inc.》，2026 Tencent，《Palantir 的三大核心要素》（人机环境系统与动态本体论），2026-09-18 NTT，《University of Tokyo, NTT, and NEC demonstrate real-time AR assistance on 6G/IOWN》，2026-02-26 北京交通大学 × 帝国理工学院，《MLLM-SC 多模态大语言模型集成语义通信框架》 Taylor Francis，《Spatial computing in digital twins》，2025 arXiv，《Towards Ubiquitous Semantic Metaverse》/《Recent Advances in Extended Reality (XR)》 VR AR Wiki，《Spatial computing》/《Spatial mapping》（HoloLens / Vision Pro / Quest 对比） MDPI，《A Semantic Backbone for Heritage Digital Twins: Ontology Development and Knowledge Graph Generation》，2026 爱分析，《2026 中国市场 Palantir 落地进展与趋势研究报告》
发表评论
2026-10-11 18:03:05 回复该评论
2026-10-11 21:06:19 回复该评论
发表评论: