Palantir 用二十年给企业造了一门能让 AI 动手干活的语言
企业里真实存在的东西，软件看不见
同一家客户，在 CRM 系统里叫“某某有限公司”，在 ERP 里是“某某股份”，仓库系统又记作“某某集团”。三个名字，三套数据，一到对账就对不上。
更日常的是开会：市场部说的“客户”和财务部说的“客户”根本不是一回事。两边报表都没错，但会开完，事推不动。
问题出在哪？企业里真实存在的东西，人看得见，软件看不见。软件眼里只有表和字段，各看各的。这种错位，程序员管它叫“阻抗失配”——计算机按行列存数据，人的脑子却按对象和关系理解世界。
Palantir 要解的，就是这个题。他们的解法很直接：给企业世界造一门语言。
这门语言只有三种词：名词、介词、动词。
名词是对象——客户、订单、井位、飞机，现实中有的就登记；介词是链接——谁属于谁，谁依赖谁；动词是动作——比如“给司机派单”，能被定义、触发、追责。
听起来抽象？那就真叫它名词、介词、动词好了。
名词和介词，让世界看得见
先看名词。传统软件打开是一张张表，一百行数据就是一百行记录。本体论把这一百行变成一百个客户，每个客户带着自己的订单、设备、联系人。
这一步看似平淡，实则是翻译。它把计算机的存储逻辑，转译成人类的认知逻辑。世界不再是扁平的表格，而是一个个有属性、有关系的实体。
接着是介词。光有名词，世界还是散的。客户和订单什么关系？零件装在哪架飞机上？出了问题该顺着哪条线查？这些都靠链接来定义。
一旦建好，企业就成了一张能走的图。查一个零件，能顺着走到飞机、走到供应商、走到昨天那条警报。整个组织变成一张可遍历的知识网络。
做到这一步，其实不少系统都尝试过。知识图谱、指标体系、语义层，目标相似：把世界摆出来，给人看。它们能告诉你某个客户连着某家公司，公司又连着董事。然后呢？没有然后。查询到此为止。
因为它们只到名词为止。
动词落地，才是分水岭
Palantir 多做了一件事：把动词造了出来。
“给司机派单”不再是一句描述，而是一个可执行的操作。点一下，仓库收货，库存变动，凭证生成，第二天的排产计划自动调整。动作牵动一串系统，现实随之改变。
这句话的分量，换个说法就清楚了：你没法在传统语义层里建模“给司机派单”。官方文档写得更直白：“本体不是语义层，它不满足于让报表对得上，还要把活干成。”
上一代最雄心勃勃的尝试是语义网，想把全世界知识装进一个模型，让机器自动推理。做了十几年，没推动。IBM 的 Watson 攻医疗、攻金融，最终都没站住。复盘有个共识：那些世界，只能看，不能动。
还有一层教训：知识是灌进去的，跟医生怎么干活对不上。
动词落地有代价。在模型上点一下，现实里就有一辆车出发、一张订单变更、一条产线降载。动手的人要认账。这也是很多方案停在“看”的原因——想让它动手，先得答一串问题：谁有资格动？动错了算谁的？答不上来，动词就落不了地。
所以，规矩先立好：
- 动作带权限，谁能做？在什么条件下能做？
- 每一次操作都记账，谁点的、几点点的，日后查得到。
- 最关键的是，给“人”留位置。比如美国克利夫兰医学中心用它调度床位，系统输出是建议，拍板权在人手里。人确认，才执行。
行业里有句半开玩笑的话：“高管敢为 AI 的建议买单，不敢为 AI 的执行签字？”这套设计，就是让它反过来——不急着替人做决定，反而敢被用在最怕出事的地方。医院、工厂、五角大楼，错一次代价按人命或亿元算，它在这里站住了。
一本编了二十年的词典
这门语言是一点点长出来的。内容一点一点往里填，到今天还在填。
故事要从 2006 年说起。那时 Palantir 才成立三年，离第一份正式产品还有两年，但一份专利先递了上去，标题写着“dynamic ontology”（动态本体）。名字先立住了——这看似虚，其实是给后面二十年的活钉了个桩。
用大白话说，这份专利想让企业的数据模型“活”一点。过去的企业软件，表结构是钉死的，业务一变，模型就得推倒重来。他们偏要反着来：对象、属性、关系随时能加、随时能改，不伤筋动骨。
发明人一栏有三个名字：Gettings、Jain、McGrew。打头的是公司联合创始人。这份申请后来成了所有产品的地基。有人翻专利记录发现，这个家族一路续案，到 2025 年还在授权新版本——一本词典，编了快二十年。
但词立住了，没人用也就是一页纸。怎么办？去一线，去战场。
2010 年，一队工程师被派进一间保密机房，给情报分析师演示这套系统。原定两周，他们连干十四天，每天十九小时。白天改功能，晚上把反馈发回总部。机房不让开免提，带队的桑卡尔把电话用橡皮筋绑在头上，一只手敲代码，一只耳朵听现场，另一只听总部。
两周后，分析师说“有用”。桑卡尔打电话回总部却说：“这行不通，太累了，撑不住。”电话那头，CEO 卡普笑得停不下来：“不行？那还能怎么行？”
同年，另一队人到了伊拉克巴拉德空军基地。他们的作息跟着巡逻队走：士兵白天出任务，揣着装好软件的野战笔记本；晚上回来交反馈，士兵睡觉，工程师写代码。第二天再出任务，手里的东西又好用了一点。
刚到时，营里有人嘀咕：“这帮小子谁啊，凭什么给他们找床？”两周后，说法变了：“这些人是金子。”一位将军后来回忆：“他们让我们第一次把网络画了出来——人、钱、武器、毒品怎么流，看得清清楚楚。”
填进去的到底是什么？先是人：谁在哪儿活动？和谁通过话。然后是物：车、武器、钱。再然后是事：什么时间？什么地点？发生了什么？词条不高级，管用就行。
词条就是这么一块一块填出来的。
又过了几年，词典跟着出了战场，进了工厂。在空客图卢兹总部，一架 A350 有五百万个零件，四个国家、八个工厂、几百个团队各管一段。工程师先把飞机、零件、工位、班组一个个登记进词典，让这些团队第一次说上了同一种话。后来，造飞机的速度提了三成还多。
它也进了医院。有套系统先内部跑了整整一年，跑顺了，才对外宣布。先跑起来，再宣布，这是他们的脾气，也是这本词典的脾气。
到今天，这本词典也没编完。它曾被叫作语义层，后来官方说法改了几轮，最近一版叫“人机团队的决策中枢”。去年，他们还给词典添了个手机版，能让无人机和机器人带着走。今年 9 月，又和英伟达合作，把这门语言用进 AI 供应链——决策和结果都记回词典，变成下一轮的养料。
词典越编越厚，写词条的人换了好几茬。它只进不出，没有出版的那天。如今铺进五十多个行业，而真正让全世界盯上它的，是 2023 年——那一年之后，它突然成了硬通货。
AI 缺的不是脑子，是能动手的“手”
为什么？因为有了大模型。大家发现，AI 聊什么都行，一让它干活就卡壳。
问题不在它聪不聪明，而在它不懂业务里的黑话，也不懂流程里那些从来没被写下来的规矩。它认识“客户”这两个字，但不认识你的客户；它读过上亿份文档，没看过你今天仓库里那张入库单。
有人把真实企业的数据库丢给最好的模型——上千列的表，上百行的问题——它干对多少？三成。剩下七成，它敢写，你敢用吗？
更隐蔽的是，就算答对了，它也只是把答案放在那儿。接下来照做，还得靠人抄一遍。它停在“说”上，到不了“做”。
所以，光有脑子不够。AI 缺一只手——一只放在它的脑子和你的系统中间的手。这只手得知道：你公司里有什么？谁和谁连着？点一下会发生什么？
举个例子：你说“把这批货先调给缺货的门店”。人听完，知道去哪个系统、找哪张单、找谁批。AI 听完，愣住了——它不知道“这批货”是哪个对象？“缺货”拿什么算？“调”又是哪个动作？
硬干会怎样？它只能给你一段话，你还得自己把话翻译成系统操作。翻译到一半，错就来了。翻译不了，它就动不了手。
这门语言干的就是这个。卡普有句话，意思是：现在真正赚钱的生意有两块，一块是算力，一块是他嘴里的“应用层”。这个应用层做的事，翻译过来就三句：把大模型变得安全、有用、精确。这套东西，他带人编了小半辈子。
它就是企业世界的“智能中枢”（Intelligent Hub）。
有意思的是，这么想的不止他一家。2023 年之后，全行业都醒过来了。微软上了自己的操作本体，Snowflake、Databricks 也在抢着做语义层。这个事，从“一家的独门”变成了“行业的标准动作”。从独门到标准，说明这条路，大家认了。
过去这一年，赛道动静肉眼可见：有的把语义层塞进数据仓库，有的捆进办公套件，还有的请咨询公司一家一家客户去装。热闹是真热闹。
但你再去细看，读得懂世界的多，写得动系统的少。卡普前阵子在电视上说：“这个东西，现在所有人都在抄。”
实际上，这可能不只是一家公司的事。
每家公司都有自己的“语言问题”。文章开头那三个名字——同一个客户三种叫法——你身边大概率也能对上号。这些词乱着的时候，机器没法干活，人也一样。开起会来，一半时间扯的是这个。
老板说的“降本”和采购说的“降本”是两套动作；产线说的“故障”和售后说的“故障”是两种等级。这样的词，每个公司都有几百个，散在每个人脑子里，谁也没正式定义过。
过去几年，不少公司试过另一条路：先开几个月的会，把全公司的数据口径统一了，再谈下一步。结果呢？会开完了，口径还是没统一。为啥？口径背后是利益，谁都不愿意先松手。
而你看这门语言是怎么长出来的：边干活，边编词。没有开学典礼，也没有结业考试。今天这单生意对“大客户”有分歧，就地定一个；明天那条产线对“故障”不服，再定一个。词条跟着生意长，长着长着，全公司的话就对上了。
也有人说，这东西维护起来太重。说得对，今天的词条答不了明天的问题。重，是它的成本，也是它的门槛。想要它，就得准备好一直养它。养得起，它是你的地基；养不起，它就是一堆过期词条。
所以，本体论这道题，每个组织迟早都要交卷。答案，得在干活里找。过去十年，企业在打通数据；接下来要被打通的，是 AI 干得成事的语言。