企业界普遍担忧：在消耗大量 Token 却无实际产出的同时，商业机密与核心优势正面临被大模型厂商窃取的风险。
出品丨奇点折射（ID：rgznai100）
近期，“前沿部署工程师”（FDE）概念引发热议。许多人误以为这是大模型落地受阻后的新造词汇，实则该角色早在二十年前便已存在。彼时，Palantir 已将工程师派驻至战区、偏远油井及重工业车间，致力于将软件植入最复杂、最恶劣的真实物理环境中。作为 FDE 模式的鼻祖，Palantir 掌门人 Alex Karp 对此拥有最深刻的理解。
Karp 近日两次接受 CNBC 专访。以下梳理了这两场对谈中技术社区关注的核心内容：
要点速览：
- 大语言模型无法胜任高精度任务：“大语言模型虽有用，但在造车、发射火箭或对精准度要求极高的任务中，其能力远远不够。”
- 企业客户信任危机：“企业界普遍感到，在燃烧 Token 却无产出的同时，商业机密和核心优势正被大模型厂商窃取。”
- 模型需依托应用层：“当 OpenAI 或 Anthropic 提及关键基础设施落地时，其应用实际上仅在我们的产品中运行。”
- 华尔街脱离一线现实：“华尔街投资者往往坐在办公室里喝着拿铁，阅读着他们根本看不懂技术细节的研报。”
- 人力堆砌的壁垒最低："PhD 团队叠加语言模型的壁垒其实最低。真正持久且难以替代的价值，在于管理层 Ontology 和硬编码进企业系统的基础设施。”
实战 AI：绝非几行“散漫的代码”
主持人：Palantir 的 AI 操作系统在实战环境中如何运作？为用户带来了哪些技术优势？
Alex Karp：所有组织都面临同一挑战：如何将原有的作战方式现代化。以 Maven 系统为例，其底层是一套基础设施，旨在将各种独立的原有系统接入统一体系，实现战场信息的统一视图。这极具难度，因为不同数据源的密级各异，访问权限受到严格限制。
核心难点在于：如何在保证安全的前提下，将所有信息整合至同一界面？如何在此基础上引入 AI 和机器学习辅助决策？绝非随意嵌入的“野路子 AI"，那种方案在真实场景中毫无用处，无人敢用。
真正的挑战在于增强感知能力并处理极度复杂的系统。难点不在于将任务单元送达目的地，而在于穿越层层对抗体系。这些在两三年前无法完成的任务，如今能以极高精准度和极低代价实现，其背后的技术门槛远超想象。
主持人：Palantir 有哪些外界试图复制的核心能力？
Alex Karp：人们谈论复制我们的前驱工程师（FDE）、复制 Ontology（本体论），甚至声称软件毫无价值，但所有人都在模仿我们。软件主要分为三类：
第一类是基础设施，即硬编码进企业系统、必须本地部署的层级。因数据不出域且掌握在用户手中，其价值极高。
第二类是管理层，如 Ontology 和 Foundry，解决“如何用好基础设施”的问题。这一层价值持久，难以被替代。
第三类是PhD 团队加大语言模型。这层的壁垒最低，大多数所谓 PhD 团队不过是在用人力解决问题，而开源代码随处可见，谁都能使用。
在关键场景中，对手往往极具天赋且拥有独特的历史经验。此时，必须叠加独家的基础设施、软件、Foundry、Apollo 以及自研大模型，这种组合才具有决定性作用。
此外，当前所谓的“前沿实验室”运动在哲学和技术上均存在误区。哲学上，它是一种盲目乐观的宗教式信仰，认为所有问题（包括其自身制造的问题）都会自行解决；技术上，企业客户早已受够，因为现实并非如此运转。
脱离一线的华尔街，不懂企业痛点
主持人：华尔街担心 Anthropic、OpenAI 等公司能否复制 Palantir 的模式，您怎么看？
Alex Karp：在企业界，真正懂技术的人并不担心此事。投资者往往短视，但从长期看有时又是正确的。我用事实回应：我一生都在与最复杂的企业打交道，深入一线。而许多投资者只是坐着喝拿铁，读着看不懂技术细节的报告。
主持人：但他们正在招募顶尖工程师。
Alex Karp：那些确实是顶尖工程师，但他们不与企业交流，也不理解技术挑战。大语言模型在某些概率性场景（准确率无需超过 51%）确实有用，但在造车、制造零部件、发射火箭或任何对精准度要求极高的任务中，它根本不够用。
高端企业不会容忍这种不确定性。这不仅是文化冲突，更是一种类似宗教的思维：“今天不需要解决你的问题，因为明天你就会消失，所有问题都会被我们解决。”声称“做个部署就能复制 Palantir"完全是笑话。这些人只解决最简单的问题来售卖 Token，却未意识到自己多么令人厌烦。
产品不仅不如宣传般有效，价格昂贵，还忽视了一个事实。当然，我与 Sam Altman、Dario Amodei 等人的对话非常精彩，尤其是 Dario，与他交谈是一种享受。
主持人：Anthropic 是朋友还是对手？
Alex Karp：他们公开谈论的许多应用，实际上都运行在 Palantir 之上。从规模上看，我们已是国家体量的存在。
Dario 是领先的前沿模型公司掌舵人，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。而我认为我们需要的是“此刻的天堂”，而非二十年后的愿景。尽管意见不同，但这不影响我们在其他事项上的共识。
这不是非黑即白的问题。大语言模型固然重要，但至少在未来七年，价值在于落地实施。至于十年后会怎样，无人知晓。
企业界的愤怒：拒绝数据泄露与无效投入
主持人：Palantir 大力押注医疗健康领域的逻辑是什么？
Alex Karp：一些低概率但能改变世界的事件往往被低估，这类事件需要软件基础设施、本体论层以及大语言模型的结合。例如，致命病原体进入系统的早期信号，可能与军事袭击的信号高度相似。
安全是 Palantir 不可替代的基石。每一个微小的数据片段都必须是独立的主权数据集。我们在毫米级别进行管控：明确哪些属性属于个人主权数据？哪些可共享？哪些可推断？专家在何种条件下可见？数据准确性如何维持？谁来实施？权限是否匹配？
所有这些必须在经过验证的平台上建模。网络安全亦是如此，不能仅靠跑大语言模型。如何在大规模发现漏洞的同时及时修补？若无相应资质认证和实操经验，根本无法在安全网络上工作。
主持人：谈谈与 Nvidia 的合作逻辑。
Alex Karp：核心在于控制权：谁控制模型？谁控制权重？谁掌握商业价值的核心？所有在高风险场景使用大语言模型的客户，都运行在我们的 Ontology 之上。客户对前沿实验室普遍存在强烈的不信任感。
主持人：请展开说明。
Alex Karp：懂行的技术人员都意识到大语言模型是关键资源。要使其在企业场景（如高风险决策、受监管行业、制造业）发挥价值，必须有一层“应用层”。
我们的 Ontology 正是为此而生：拿来一个大语言模型，使其变得安全、有用、精准。它防止模型触碰底层数据，防止缓存和复刻业务，确保核心机密（无论是作战数据还是临床医疗数据）不泄露。
过去的销售模式出了问题。企业界的普遍感受是：“我在这里混日子，烧着 Token 却无产出，IP 还被人拿走。”
Palantir 的秘诀在于前驱模式及领先同行五年的产品。曾经被质疑的 Ontology，如今已成为行业焦点。处于高风险场景的用户对前沿实验室有严重信任危机：为什么要让他人接触自己的数据，进而建立超越自己的优势？为何不自己控制模型权重？
与 Nvidia 合作，正是为了满足技术客户的真实需求：掌控算力、模型、数据栈和商业优势。客户希望拥有生产资料，而非将其转移给第三方。那些假模假样的“部署代码”，实则是输送 Token 并将商业核心转移给第三方的骗局。
我们的产品模型无关，支持自由切换。重建信任需回答基本问题：谁拥有数据？缓存在哪里？提示词安全吗？如果真有价值，为何只收 Token 费而不分享收益？
撇开“应用层”谈大模型落地，纯属空谈
主持人：你们的模型在前沿能力和 Agentic AI 上多久能与竞争对手抗衡？
Alex Karp：我的主张是：模型 + 应用层 + 算力，三者缺一不可。看财务数据可知，真正能产生自由现金流利润的只有两块：我们的应用层 Ontology 和算力。其他公司财务状况糟糕，是因为客户不愿支付真实成本。
我们可以将开源模型调优至与前沿模型同等水准，且权重掌握在用户手中。这样既能实现前沿应用效果，又无需担心商业核心流失。若使用封闭模型，客户必须能质问并得到答案：你们留存数据吗？会介入我们的业务吗？最关键决策是机构掌控还是外包给硅谷共识？
每一家企业私下都充满怒火：“我在为无价值的 Token 掏钱，这些人正在偷走我商业模式的核心。”这是真实存在的问题，企业早已疲惫。
主持人：这是否意味着我们正处于 AI 泡沫中？
Alex Karp：悲剧在于，算力 + 应用层 + 模型的组合正在改变历史，真正运用它的企业就是证明。我们无需过度吹捧，也拥有世界级开源模型可用，不必将整个行业推向麻烦。
主持人：若药企或大型机构在没有应用层的情况下直接使用 Anthropic 或 OpenAI，是否危险？
Alex Karp：事实是，当 OpenAI 或 Anthropic 谈论关键基础设施落地时，那些应用绝大多数只跑在我们的产品上。在任何关键基础设施场景中，如果没有应用层，这些模型根本跑不起来。而这个应用层，就是我们的 Ontology。
大家买单是因为系统必须保证绝对安全。硅谷“相信我，我从不撒谎”的说法在大企业面前行不通，毕竟这些掌舵人是星球上最精明的一群人。
主持人：您对 AI 基础设施的未来竞争格局有何看法？
Alex Karp：我们倾向于一个拥有更多超大规模云服务商和新玩家的世界。技术层面最懂行的人会说：“我想要我自己的东西。这是我的业务，我想拥有 GPU、数据和模型，我想掌控商业优势。”
主持人：业务状况如何？
Alex Karp：需求远超供给，业务量已超过消化上限。预计两年后，自由现金流将达到 150 亿至 180 亿美元。
主持人：对股票表现感到沮丧吗？
Alex Karp：我从事这一行二十年，市场总是短视且反复无常。许多投资者自以为智商高、懂技术，但实际上，企业用于复杂制造、药理研究和高精度任务的技术，与日常使用的技术差了十万八千里。