卡普在第三季度致股东信《卡普致股东信全文：我们要拿下整个市场》里写过一句很容易被当成修辞的话：Palantir把自己看作“一场真实而可行的反战运动的先驱”。当时我把这句话归入了管理层的世界观表达，没有当作证据。
2026年11月，Palantir发布了一份《平民伤害缓解技术白皮书》，讲的恰好是这句话在产品里的实践。通读之后，我的判断是：它最有价值的地方不是立场，而是把“保护平民”拆成了一组可以逐项检查、可以配置、可以留痕的工程动作。这是它比口号强的地方。
先说清楚一件事：白皮书里所有数据和截图都是虚构演示，地点与真实军事行动无关，全文没有任何实战案例和效果数字。所以这篇文章只拆机制，不评价实战效果。
白皮书开篇先界定对象：决策支持系统（DSS）在军事场景里要满足三类额外要求。
技术上，军方数据量巨大、分散在不同系统和格式里，常处于断网环境，还要满足严格的密级要求。仅仅是把数据管起来就已经很难，更谈不上在此之上做分析。
决策类型上，军方要作出其他组织不该面对的决策，也就是何时、如何使用致命武力。这套流程在其他行业没有对应物。
条令与程序上，军事条令对作战活动有明确要求，系统必须严格承接这些要求，而不是另起一套流程。
白皮书的责任表述值得细看，它把两件事同时说了。一方面，国家保留作战决策的最终责任，包括是否在某个场景使用某项技术；另一方面，厂商应当主动开发帮助决策者识别和降低平民风险的功能，既有条令实践是设计的下限，而不是上限。
这两句话放在一起，才是这份文档的完整立场：软件不能替人决定是否使用武力，但软件可以决定，作决定的人眼前摆着什么信息、必须走完哪些步骤、事后能不能被追溯。
二、Ontology：把平民环境变成可计算的对象
第二章回到Palantir的技术底座。Ontology通过数据、行动、逻辑、安全四部分建模决策：数据对应组织里的名词，行动对应用户可以作出的动词，逻辑可以是业务规则、传统机器学习模型、大模型函数或多步编排，安全则直接织进这三者之中，对象可以带角色、标记和密级权限，函数可以限制输入输出范围，行动可以配置提交条件。
在平民保护这个场景里，最关键的设计是一个叫Collateral Concern Candidate的接口。禁打清单（NSL）、限制目标清单（RTL）以及客户自定义的其他清单，在数据结构上往往差异很大，但只要它们都实现这个接口，就拥有了统一的字段和关联对象。
来源：白皮书第7页，官方虚构演示数据。国防本体的示例图。
Defense Ontology本身遵循“禁止修改、开放扩展”的原则，Palantir可以基于这套标准模型开发应用，客户也能在其上扩展自己的上下文信息。
这带来两个实际好处。对应用开发者来说，不必关心每份清单的具体实现，就像面向对象编程里依赖接口而不是实现。对客户来说，只要把自己的数据标记为附带关切对象，平台级的检查功能就能直接作用于这些数据，不需要Palantir再做一次定制开发。
对象化还有一层意义：每个对象都带元数据，可以追问来源、检索时间、可靠性和归属。
来源：白皮书第12页，官方虚构演示数据。选中一个禁打清单对象，右侧可以看到属性、检索日期、来源、可靠性和对象类型。
图里这个演示对象的来源标注为NGA GeoNames，带有检索日期和可靠性字段，类型是学校。也就是说，清单不再是一行坐标，而是一条可以被追问“你是谁、从哪里来、多久没更新”的记录。
三、Gaia：承认没有单一数据源能代表现实
第三章讲地理空间应用Gaia，核心动作是把不同来源的数据叠到同一张通用态势图（COP）上。
白皮书在这里有两处自我限制，写得比很多厂商坦诚。
第一处，禁打清单不等于平民环境。它只是被明确识别出来的、通常优先级较高的那部分设施，比如医院、关键基础设施和文化场所。城市作战里，还有大量信息要靠人口密度、生活规律等其他图层补充。
来源：白皮书第12页，官方虚构演示数据。绿色点位为禁打清单中的民用设施，红色区域和菱形符号属于冲突环境图层。
第二处，没有任何单一数据源能覆盖当前的平民环境。白皮书专门演示了两份清单互相补充的情况：官方禁打清单提供点位，开源情报提供建筑轮廓，轮廓里出现了点位视角下被漏掉的附属建筑，而开源情报也缺少官方清单里的一部分对象。
来源：白皮书第13页，官方虚构演示数据。开源情报以多边形轮廓表示民用建筑，可补足单一点位看不到的边界与附属建筑。
这一章还有两个容易被忽略的工程细节。
一是新情报可以从任意工作面写回。分析人员在地图上手工圈出一片新发现的民居，保存为对象并写回Ontology，所有引用同一对象的应用都会同步更新，不必在多个系统之间重复录入。
二是数据健康被当成决策前提。上游连接失效会触发告警，前端也会标记渲染异常，因为在这类场景里，看到一份过期数据，往往比看不到数据更危险。
四、流程：把条令变成默认动作
第四章是全文技术含量最高的一章，讲的是怎么把条令要求变成用户绕不开的操作步骤。
第一个机制是附带关切检查（CCC）。过去分析人员要用尺子工具手动测量目标与周边民用设施的距离，现在在提名目标的窗口里，系统会自动列出附近相关对象的名称、所属清单、距离和方位。搜索半径和参与检查的清单都可以配置，而且即使某个图层没有在地图上打开，检查也照样会跑。
来源：白皮书第19页，官方虚构演示数据。提名窗口按清单分组列出附近民用设施，演示中两份清单分别采用300米和500米搜索半径，每条记录带距离与方位。
这个设计的价值不在于省了多少测量时间，而在于一致性：每一次提名都按同一套口径检查，不依赖某个分析人员当天是否想起要查。
第二个机制是把目标做成流程中的对象。Target Workbench用看板管理目标，每张卡片代表一个目标，列代表 targeting 生命周期中的阶段，演示里分为已识别、分拣、准备、执行中和完成。卡片上有优先级、责任人和时限，过期需要重新评估。
来源：白皮书第20页，官方虚构演示数据。每个目标是一张卡片，按阶段推进，带优先级与时限。
第三个机制最关键：确认留痕是流程推进的前置条件。每个阶段可以配置检查清单，清单由附近的对象自动生成，操作者逐项查看对象元数据、来源和可能的过期情况，确认之后才能进入下一阶段。
来源：白皮书第21页，官方虚构演示数据。右侧面板按清单列出需要核查的对象，底部为确认检查结果的按钮。
第四个机制是情报有效期。情报报告可以附加到目标上，位置等元数据可以从中抽取，同时可以设置过期时间，情报一旦过期，系统会把目标自动打回生命周期的上游阶段，而不是让它带着旧信息继续往下走。
最后是配置权。看板的列、每个阶段的检查项、参与检查的清单和半径，都通过无代码界面由使用方自己设置，因为不同司令部、不同法域的条令并不相同。白皮书对此的表述很谨慎：平台提供的是把各自条令编码进去的能力，具体检查什么由用户按自己的程序标准决定，功能是否有用取决于背后数据的质量和可得性。
五、法律审查与审计：在同一份数据上问责
第五章解决的是另一个老问题：审查者不在系统里。
军法顾问需要在目标周期中审查并签署意见。如果他们在另一套系统里工作，甚至靠纸质和邮件流转，就得自己拼凑目标情况、周边设施和行动依据，再把意见传回操作人员。
白皮书的演示是，军法顾问基于同一个Ontology自建了一套法律审查工作流，直接嵌入Target Workbench。审查字段由军法顾问自己定义，以匹配他们原有的审查方式，也保留法律允许的自由裁量空间。
来源：白皮书第25页，官方虚构演示数据。审查面板包含是否建议、附带损伤、武器配置、风险与缓解、身份确认是否持续有效、交战规则等栏目。
演示面板里能看到“是否建议该目标”“附带损伤”“武器配置选择”“风险与缓解措施”“是否已建立并持续保持身份确认”“是否处理了二次爆炸风险”等栏目，还有一段总体严重性摘要。这些字段的意义在于，法律判断不再是系统之外的一句话，而是与目标数据绑定的一条记录。
与之配套的是审计。平台保留不可变的详细审计日志，前端可以回放一个目标走到当前阶段之前经历的每一步，谁在什么时候移动了它、更新了位置、补充了情报、修改了属性。
来源：白皮书第26页，官方虚构演示数据。活动时间线记录分配、移动、位置更新、情报补充与属性修改，带日期与操作人。
这类回放支撑的是事后报告和复盘，也让“当时看到了什么、谁确认了什么”成为可以重建的事实。
六、AI用在哪，边界在哪
第六章讲AI，白皮书把它放在既有数据底座之上，而不是另起一套叙事，具体分三类。
文本与情报处理。大模型可以一次完成开源情报的翻译、实体抽取和光学字符识别，专用自然语言模型也可以串行清洗大规模文本，把需要尽快纳入平民环境的信息挑出来。
影像分析。视觉语言模型和计算机视觉模型可以在影像情报中识别可能的平民存在，分析人员据此补充权威的禁打清单或禁火区。注意这里的定位是补充线索，不是自动生成清单。
二次效应仿真。物理模型、统计模型或规则模型可以接入Ontology，帮助评估一个决策的间接影响。白皮书的例子是军法顾问在法律审查里嵌入电网仿真，模型直接读取Ontology中的电力线路和设施对象，在沙箱中运行假设情景，再按用户需要生成自然语言摘要。
来源：白皮书第28页，官方虚构演示数据。演示摘要给出去电的负荷点、损失负荷和受影响民用设施数量，并列出学校、交通、宗教场所、医疗、供水等依赖链。
演示报告的结构值得一看：先给总体严重性，再说明哪些电网设施落在影响半径内、哪些负荷点失电，然后展开“级联依赖链”，逐项讨论学校、公交与轨道交通、宗教场所、灯塔助航、医疗与生命支持、供水、冷链和脆弱人群可能受到的影响，最后列出受影响的受保护设施。对其中没有数据的项，报告写的是“未列出相关设施，但如果存在，可能受到何种影响”，而不是直接断言安全。
白皮书同时强调前置条件：数据治理、测试评估和运行监控，包括数据质量评估、传统模型评估、生成式AI的evals以及分阶段上线。在军事领域，这些不是加分项，而是能否使用的前提。
七、结论里的反馈回路
白皮书最后一章归纳了三条主线：人在整个生命周期中的分层作用、数据整合是所有功能的前提、AI在共同数据底座上的增量价值。
另外一点更偏向长期能力：行动结果和评估应当回流，影响后续决策。新情报加入态势图之后，会接着影响下游的附带关切检查，甚至影响弹药选择。白皮书把这称为不同角色之间的相互衔接，平民保护不是某一个岗位的职责，而是多个工作流共享同一份数据之后形成的结果。
八、对企业软件的迁移启示
读完这份文档，我最想带走的其实是几条可以搬到企业软件里的设计原则，这也接着上一篇关于Ontology与ERP分工的讨论。
强制校验要默认执行，不依赖使用者自觉。附带关切检查即使图层没打开也会运行，对应到企业里，就是合规校验不该依赖操作员记得点某个按钮。
数据要有新鲜度，过期要能驱动流程回退。情报过期自动打回上游阶段，比单纯在界面上标一个“可能过期”的黄色标签有力得多。企业里的客户主数据、价格主数据、供应商资质，都适用这一条。
审查与业务要共用一份数据。法律意见写回同一个对象，审计回放基于同一条时间线，避免了审批在一个系统、业务在另一个系统、事后对不上账的老问题。
高影响动作先仿真，再执行。沙箱中的假设情景和依赖链分析，对企业里的调价、停产、切换供应商同样有意义。
这些做法的共同点，是把约束写进系统的默认路径，而不是写进制度文件。
结语：机制可信，证据有限，责任有边界
这份白皮书最有说服力的地方，是它把“重视平民保护”翻译成了一系列具体的产品决定：统一的接口、默认执行的检查、必须留痕的确认、可以回放的审计、上线前的仿真。这些都可以被第三方逐项检视，比一份价值观声明实在得多。
但它的证据边界同样清楚。全部示例都是虚构演示，没有实战数据，没有独立第三方评估，也没有任何关于平民伤害是否因此下降的结论。白皮书自己也承认，功能的有效性取决于数据质量、数据可得性以及使用方如何配置检查项。一份过期或不完整的禁打清单，配上再自动化的检查，也只是更快地给出不完整的答案。
最后是责任边界。Palantir反复申明，使用武力的决定由国家和军方作出，平台负责呈现信息、承接条令和保留记录。这个划分本身是合理的，也是这类系统能成立的前提，但它同时意味着软件不能为决策后果负责。软件真正改变的，是义务能否被执行、过程能否被追溯、错误能否被复盘。至于判断本身，仍然在人那里。
资料来源：Palantir《Civilian Harm Mitigation Technical Whitepaper》（2026年11月），本文为产品机制分析，不构成对任何效果的判断。
白皮书链接：https://assets.ctfassets.net/xrfr7uokpv1b/6aJVDr2Aisr1hjCr6s9Wjc/128fcba8597a95454211b286d552b4c3/Palantir_Civilian_Harm_Mitigation_Technical_Whitepaper.pdf
提醒：请朋友们将“智见AI视界”加“星标”，觉得写得好就点击右下角“拇指”和“收藏”哦，不然会慢慢收不到文章推送~
关联阅读