本体论的关键

“那么，为什么 Palantir 能如此卓越，与其它技术公司拉开如此大的差距？我认为一个根本性的战略区分，在于它对两个概念的界定：‘能力（Capability）’与 ‘专业技能（Competency）’。”

“Capability 是向外能够展示的能力，关注的是最终想要实现的目的，是关心‘做什么’和‘为什么做’。比如，一个国家的反恐部门，其 Capability 是‘听懂敌方的通讯意图、定位关键人物并成功实施行动’，这直接服务于‘保护国家安全’的目标。

而 Competency 是内在的专业技能，关注的是组织内部执行任务的效率和专业性，关心‘怎么做’。比如，同一个部门，其 Competency 可能是‘快速检索海量通讯数据’或‘熟练使用某种侦察设备’。

很多技术公司致力于提升企业的 Competency，但 Palantir 聚焦于增强企业的 Capability。它思考的起点是‘您的终极目标是什么’，然后反过来设计技术和数据应该如何组织来支撑这个目标。”

“最后，我想谈谈数据和本体的关系。过去十几年，我在中国观察到，当大家谈论数据时，焦点往往只在数据本身——如何存储、如何计算。但本体关注的是‘语义’，是数据背后的含义、是业务流程、是业务动作（Action）、是决策规则。它将企业的商业模式、业务流程、数据资产和决策逻辑，整合成一个统一的、可被计算机理解和执行的‘业务操作系统’。这才是关键在。”。

 

“过去，我们的数据应用模式很大程度上是‘烟囱式’的。我们处理的主要是结构化数据，通过构建数据仓库来满足各个业务条线的报表和分析需求。比如，财险公司做它的理赔分析，银行做它的授信模型。这些应用都是从局部业务痛点出发的，虽然能解决问题，但缺乏一个穿透集团所有专业公司的宏观视角。平安拥有保险、银行、投资等二十多家专业公司，沉淀了海量的、异构的产品数据和业务知识。我们突然发现，当想用 AI 去挖掘集团综合金融的协同价值时，这些数据是割裂的，‘实体’无法联通，‘知识’无法流动。”

 

“这促使我们的工作范式发生了根本转变。过去是‘业务提需求，技术来实现’。现在我们推动任何数据或AI项目前，会先问一系列更根本的问题：第一，这项业务的终极战略目标是什么？第二，为了实现这个目标，我们需要服务哪些对象（客户、员工、合作伙伴）？第三，要服务好这些对象，我们需要哪些广义的‘数据’？（这里的数据是泛化的，包括交易数据、行为数据、规则知识和文档）第四，基于这些数据，我们究竟应该采用什么样的技术组合，才能最有效地达成业务目标？我们开始从一个更宏观、更顶层的视角来审视技术和业务的关系。”

 

“引入本体的概念后，我们看待数据资产的视角也更深了一层。过去我们看数据，主要是看‘实体’和‘静态的关系’。现在，我们更关注实体之间动态的‘约束’和‘动作（Action）’。我举个简单的例子：一个保险客户打电话修改密码。这个‘修改密码’就是一个 Action。在这个 Action 发生前后，哪些实体会发生变化？（比如‘客户’实体的‘最后修改时间’属性），它会触发下一个什么动作？（比如发送通知短信）。我们希望通过构建这样一个包含了‘动作’的、动态的‘真实世界数字映射’，让AI智能体能够在这个世界里去模拟、去尝试解决业务问题。”

 

我们似乎处在一个技术供给过剩，但‘炒菜’能力不足的时代。从本体、知识图谱到大数据平台，再到现在的大模型，原子技术很多，但如何将它们组合、拼装，去解决企业的战略目标，我们一直有欠缺。Palantir 看起来就是一个‘顶级厨师’，它用的未必是原创技术，但它的系统工程能力极强，能把技术围绕企业目标做成一道‘好菜’。他甚至把这件事比作‘第二次曼哈顿计划’，这让我很震惊，说明其复杂度和系统性极高。”

“第二个关键点是本体（Ontology）。它到底解决了什么根本问题？我认为，它填补了数据语义和业务语义之间的鸿沟。数据库里的 DDL 定义了数据本身的含义，但一个完整的业务流程，其语义是跨系统、跨数据表的。过去我们缺少一个载体来描述这种完整的业务语义，而本体恰恰扮演了这个角色。”

知识落地需遵循“业务问题-知识建模-数据适配-迭代优化”的闭环逻辑