Title: Palantir CEO 亲自谈 FDE：买 Token 创造不了价值，这就是为什么所有人都在抄我们 | BestBlogs.dev
URL Source: https://www.bestblogs.dev/article/b41ebc873d?amp%3Butm_medium=feed&%3Butm_campaign=resources&%3Bentry=rss_article_item
Published Time: 2026-08-04 15:56:00
Markdown Content: 最近 FDE（前沿部署工程师）的话题爆火，很多人以为，这是大模型落地难之后，大家才想出来的新概念。但这其实是个老词。
二十年前，当硅谷精英们还在写网页和 App 的时候，Palantir 早就把自己的工程师派去了战区、偏远的油井和重工业车间写代码。要说怎么 把软件砸进最脏、最复杂的真实物理世界里跑通，Palantir 才是 FDE 真正的鼻祖。而它的掌门人 Alex Karp，绝对是这个世界上最懂 FDE 的人。
最近，Karp 连上了两次 CNBC 的直播专访。我们将这两场总计约 40 分钟的独家对谈做了合并与梳理，整理出了技术社区关心的那些内容： 要点速览：
* 大语言模型造不了火箭：“大语言模型确实有用，但如果你要造汽车，或者要把火箭送上月球，或者要完成任何对精准度要求极高的任务，这东西根本不够用。”
* 大企业受够了：“企业界现在的普遍感受是：我在这里烧着 Token、没有任何产出，然后我的商业机密和核心优势就这么被大模型厂商偷走了。企业早就受够了。”
* 光有模型没用：“当 OpenAI 或者 Anthropic 谈到关键基础设施，那些应用只在我们的产品里跑。”
* 华尔街不懂一线：“我这辈子一直在跟最复杂的企业打交道。而华尔街那帮人，大多悠哉哉地坐在那里喝着拿铁，读着一份自己根本看不懂技术细节的研报。”
* 用人堆出来的壁垒最低：“PhD 团队加大语言模型，这层的壁垒其实最低。真正价值持久、很难被替代的，是管理层 Ontology 和硬编码进企业系统的基础设施。”
!Image 2 真正能实战的 AI，绝不是几行“散漫的代码” 主持人：Palantir 的 AI 操作系统在实战环境中是怎么运作的？你能说说你们给用户带来了什么样的技术优势吗？ Alex Karp：其实有两件事。所有组织都面临同一个问题——你在各种实战环境里都能看到——就是怎么把原有的作战方式现代化。
如果你拆解 Maven 的组成部分，最底层是一套基础设施，作用是把各种原有的独立系统接入同一套体系里，让它们能互通。这样你才能实现整个战场信息的统一视图——但这极其困难，因为不同数据源的密级不一样，不是谁都能看到所有东西。
那么，怎么在保证安全的前提下，把这一切收进同一个界面？怎么在这个基础上引入 AI 和机器学习来辅助决策？而且不是随便塞进来的“野路子 AI”——那种东西毫无用处，实际上根本没人敢用在真实场景里。
怎么增强感知能力？怎么处理极度复杂的系统？真正的难点不是把任务单元送到目的地，而是在这之前要穿越一层一层的对抗体系。我们往往低估了背后有多复杂。这些事情放在两三年前根本不可能做到，现在真的能以极高的精准度、极低的代价完成——这背后的技术门槛，远超大多数人的想象。 主持人：Palantir 有哪些外界一直在试图复制的核心能力？ Alex Karp：人们谈论我们的前驱工程师（FDE），然后试着复制；谈论 Ontology（本体论），然后试着复制；说软件毫无价值，但所有人都在复制我们。
有时候，软件确实不值钱，但某些部分至关重要。
软件说白了就三种。第一种是基础设施——硬编码进企业系统、必须本地部署的那层。正因为它在你自己手里、数据不出门，所以价值极高。
第二种是管理层——Ontology、Foundry 这类东西，解决的是“怎么用好基础设施”的问题。这层价值持久，很难被替代。
第三种是 PhD 团队加大语言模型。但这层的壁垒其实最低——大多数所谓的 PhD 团队，不过是在用人堆问题，而这些问题换个人也能解决；开源代码满地都是，谁都能拿来用。
但在真正关键的场景里，你面对的往往是极具天赋的对手，有其独特且历经历史考验的方式——不是一个会乖乖认输的人。在那种时候，你必须把独属于自己的方式，叠加上别人没有的东西。现在，那些东西是：基础设施、软件、Foundry、Apollo，以及我们自己打造并管理的大语言模型。是这些的组合，让它具有决定性作用。
顺便说一句，在商业领域你也能看到这一点。现在有一场重要的运动，叫做前沿实验室。但我认为大家看待它的方式，在哲学上和技术上都错了。哲学上，它是一种极度乐观主义的宗教——相信所有问题，包括他们自己制造却不肯承认的问题，都会被自己解决。技术上，企业客户早就受够了，因为他们知道事情根本不是这么运转的。
!Image 3 喝着拿铁看研报的华尔街，根本不懂一线企业的痛点 主持人：华尔街现在对 Palantir 最大的疑问，是 Anthropic、OpenAI 这些大语言模型公司能不能复制你们在做的事。你怎么看？ Alex Karp：这是一个很好的问题，但在企业界，实际上没有一个真正懂技术的人担心这个。投资者特别短视，但从长期来看往往又是对的。我们就用事实来辩这个问题好了。
我这辈子，无论好坏，一直在跟最复杂、最有趣的企业打交道，我在这行里大概算是最深入一线的了。他们大多悠哉哉地坐在那里喝着拿铁，读着一份自己看不懂技术细节的报告。 主持人：但他们在招你们那样的顶尖工程师。 Alex Karp：那种工程师确实是顶尖工程师。但我告诉你，他们不跟企业交流，或者根本不理解技术挑战所在。大语言模型在某些地方确实更有用，因为它是概率性的，不需要超过 51% 的准确率就够了。但如果你要造汽车、需要一个零部件，或者要把火箭送上月球，或者要完成任何对精准度要求极高的任务，这东西根本不够用。
没有一个高端企业会容忍这个。还没到文化碰壁的层面——你去跟他们谈谈，他们的基本态度是：“我们今天不需要解决你的问题，因为明天你就会消失，你所有的问题都会被我们解决。”这基本上是一种类似宗教的思维。
然后就有人说“我们只要做个部署，就能复制 Palantir”——这完全是笑话。这些人跑过去，解决的是最简单、最容易的问题，来卖 token……他们没意识到的一件事，老实说，就是他们不知道自己有多招人烦。
所以，产品根本不像宣传的那样管用，价格还贵，你还得克服一个他们自己都没意识到的事实——当然，话虽如此，我在商业上有过的一些最精彩的对话，其实就是跟 Sam Altman、Dario Amodei 他们聊出来的。跟 Dario 聊天，真的是享受。 主持人：Anthropic 是朋友还是对手？是竞争者还是合作伙伴？ Alex Karp：他们公开谈的很多东西，基本上都跑在 Palantir 上面。从规模上说，我们已经是国家体量的存在了。
Dario 是目前领先的前沿模型公司的掌舵人，从远远落后一路跑到第一，这个人很重要。他是真的相信他在说的东西。他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。而我相信我们需要的是此刻的天堂，而不是二十年后的天堂。在这些事上我们意见不同，但不意味着我们在其他事上没有共识。
这不是一道简单的非黑即白的问题。这些人是这个世界上最有意思、最重要的人里的一些。大语言模型不是不重要，但至少在未来七年里，价值在于落地实施（我的客户基本也同意这个观点）。你要问我十年后会怎样，我也不知道。
!Image 4 企业界早就受够了！ 主持人：你们现在大力押注医疗健康领域，背后的逻辑是什么？ Alex Karp：一些概率低但改变世界的事件往往被低估，而这类事件需要的正是软件基础设施、本体论层，以及大语言模型。
举个例子，如果一种致命病原体进入某个系统，它的早期信号，跟“有人把某个目标移动了两厘米，这意味着一次即将到来的袭击”的信号，非常相似。
然后还有安全问题。这是 Palantir 不可替代性的基石，外界往往低估这点。
你不能随便拿数据集来用。每一个微小的数据片段都必须是自己独立的主权数据集。我们在毫米级别做到这一点：这个属性的哪一部分属于个人主权数据？哪些可以共享？哪些可以推断？哪些不能泛化共享？哪些专家在哪些条件下可以看到什么？测量数据准确吗？准确性能维持多久？谁来实施？他们有对应的权限吗？
所有这些都必须被建模，在一个经过验证的平台上完成。网络安全威胁也是如此——你不能只是跑大语言模型。你怎么在大规模发现漏洞的同时及时修补？而且，就算你把这一切都做到了，你怎么获得在安全网络上工作的资质认证？如果你从来没真正做过这件事，你不知道里面有多复杂，也没有相应的认证资质。 主持人：再聊聊你们和 Nvidia 的合作。这个协议是怎么走到一起的？ Alex Karp：说实话，里面有很多技术问题。谁控制模型？谁控制权重？谁掌握你商业价值的核心？我们坐在各类关键基础设施上。
所有在高风险场景里使用大语言模型的客户，都跑在我们的 Ontology 之上。我们的客户说他们对前沿实验室“不满意”，就好像说我在伯克利的圈子里“受欢迎”一样。那种不信任感和不适感，真的非常、非常强烈…… 主持人：展开说说。 Alex Karp：当你使用大语言模型，现在所有技术上懂行的人都意识到，它是一种关键资源。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、或者制造业），就必须有一层叫“应用层”的东西。
我们有一个叫 Ontology 的东西，现在人人都在抄，但说白了，它的作用是拿来一个大语言模型，让它变得安全、有用、精准。
安全，因为它不会碰你的底层数据。安全，因为它防止大语言模型缓存你的数据、复刻你的业务。安全，因为它不会泄露你的核心机密——无论是作战级别的数据、最高机密数据，还是临床医疗数据。
过去这些东西的销售方式在某个地方确实彻底出了问题。企业界现在的普遍感受是：“我在这里像是混日子。烧着 token、没有任何产出，然后我的 IP 就这么被人拿走了。”
我希望我们和全球盟友能拥有最好的技术资源。事实上，Palantir 的全部秘诀就是前驱模式——以及那些领先同行五年的产品。所有人曾说博士（PHDs）就是服务，说“我们甚至不知道 Ontology 是什么”。而现在，这是人人挂在嘴边的唯一话题。秘诀就是：我们为用户提供了最好的东西。
那些处于高风险场景的用户对前沿实验室有严重的信任危机。私营部门的企业也有同样的问题。他们为什么要让这些人接触自己的数据，然后让人家用来建立超越自己的 alpha（超额优势）？我为什么不自己控制模型权重？这就是这个合作的逻辑所在。
我跟 Nvidia 走到一起，背后也是技术客户真正需要的东西：掌控自己的算力、模型、数据栈和商业优势。他们希望自己拥有生产资料，不把它转移给别人。他们不感兴趣那种假模假样的“部署代码”——只是在输送 token，把商业核心转移给第三方，然后骗局就穿帮了。
我们的产品是模型无关的，可以让你在不同模型之间自由切换。但我们需要重建信任。重建信任，就要能回答这些最基本的问题：谁拥有数据？缓存在哪里？提示词安全吗？如果它真的那么有价值——假设我明天能帮你赚一个亿，我难道不会说“帮你赚一个亿，我要三成”吗？真有那么有价值，为什么只是收 token 费？
!Image 5 撇开“应用层”谈大模型落地，纯属天方夜谭 主持人：那你们的模型能多快在前沿能力和 agentic AI 上与那些前沿玩家竞争？ Alex Karp：我的主张是：模型 + 应用层 + 算力，三者缺一不可。
就看我们的财务数据。其他人财务状况一塌糊涂、还在亏钱，根本原因是客户不愿意支付真实成本。真正能赚到钱——自由现金流意义上的利润——的，只有两块：我们的应用层 Ontology，以及算力。
我的主张是，拿一个开源模型，无论在保密还是非保密环境下，我们能把它调到跟前沿模型一样的水准，但权重在你手里。前沿应用的效果可以完全对齐，同时不用担心商业核心被人拿走。
用封闭的前沿模型也可以做到，但客户必须能问出和得到非常基本的问题的答案：你们在留存数据吗？你们会进入我们的业务吗？当一个机构说“我需要这个应用”，是他们掌控模型权重，还是你们？我们真的要把这些最关键的决策，外包给硅谷的主流共识吗？
每一家企业，在私下里都憋着一肚子火。很多人不愿意公开讲这点。“我在为没有任何价值的 token 掏钱，这些人在偷走我商业模式的权重和核心优势。”这是企业界的真实声音，是个真实存在的问题。企业早就累了。 主持人：如果你说的是对的，这是否意味着我们正活在某种 AI 泡沫里？ Alex Karp：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。那些真正在运用它的企业就是证明。我们根本不需要过度吹捧我们拥有的东西。我们也有世界级的开源模型可以使用。我们完全不需要把它炒到让整个行业惹上麻烦的地步。 主持人：那么，如果一家药企或者大型机构，在没有应用层的情况下直接使用 Anthropic 或 OpenAI，你会说这样做是危险的吗？ Alex Karp：首先，有一件让我有点抓狂的事：当 OpenAI 或者 Anthropic——尤其是 Anthropic——谈到他们的模型在关键基础设施里落地时，那些应用其实绝大多数只跑在我们的产品上。
我这不是在挖苦他们。他们构建模型这件事确实具有历史意义，特别是 Anthropic 的 Dario，从远远落后一路追到第一，我这辈子都没见过这种事。
但现实情况是：在任何关键基础设施场景里，如果没有应用层，这些模型根本跑不起来。而那个应用层，就是我们的 Ontology。
大家愿意买单，不是因为喜欢我这个人，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，可都是这个星球上最精明、最老练的一批人。 主持人：你对 AI 基础设施的未来怎么看——竞争格局会走向何方？ Alex Karp：我们倾向于一个有更多超大规模云服务商、各种各样新玩家的世界。我们喜欢这种格局。为什么？道理就像你在网上一搜有五十款外套，你能挑一件自己喜欢的。但技术层面最懂行的那批人，他们说的是：“我想要我自己的东西。这是我的业务，我想拥有 GPU，我想拥有数据，我想拥有模型，我想掌控商业优势。” 主持人：你们的业务状况怎么样？ Alex Karp：需求远超供给。我们的业务量已经超过能消化的上限。你只要看我们的财务数据，两年后，你可以看到 150 亿到 180 亿美元的自由现金流。 主持人：你对股票表现感到沮丧吗？ Alex Karp：你知道吗，我干这行有二十年了。
一开始人们会说“这是不是一家服务公司？是不是毫无价值？”市场是短视的、反复无常的。有一点我真想挖苦一下：有哪个投资者真正懂技术？他们觉得自己智商很高、懂某些东西，就以为理解了他们在用的东西。但企业真正在用什么——做复杂的制造，做药理研究，高精度任务——跟你日常使用的，差了十万八千里。