文 | 定焦 One（dingjiaoone）, 作者 | 王汉星，编辑 | 魏佳
在美股，有一家 AI 公司很不一样。
它不训练大模型，第一个付费客户是 CIA，此后二十年主要服务美国政府部门、FBI、军方，也做能源、航空、医疗。2020 年上市时它几乎被硅谷主流风投一致看空，但随后近六年市值涨了 20 多倍。仅 2025 年一年，市值就从 1700 亿美元升至 4200 亿美元。截至 2026 年 7 月上旬，其市值稳定在 3000 亿美元以上。
它叫 Palantir。今年 5 月披露的 Q1 财报显示，其单季营收 16.3 亿美元，同比增速 85%，经营利润率超过 60%。
在太平洋对岸，一批中国公司正在瞄准这个位置。
2025 年 11 月 3 日，"Agentic AI 第一股 " 明略科技以 141 港元的发行价挂牌，开盘上涨 117.73%，市值直接突破 400 亿港元。3 个月后，"AI Harness" 海致科技上市首日开盘一度大涨 260%，市值一度触及 390 亿港元。
再加上迅策科技、更早上市的第四范式等公司，港股这一年多来接连迎来的 "AI to B" 新股，几乎无一例外都在讲同一个故事：中国的 Palantir。
用 AI 改造企业生产流程，是过去两年被反复押注的方向之一，但至今仍没有跑出真正的规模化闭环。Palantir 用二十年提前给出了一种答案，而它的 " 学徒们 "，正在赌自己能不能在本土市场跑通同一件事。
01.CIA、FBI 是客户，撑起 3000 亿美元市值
Palantir 成立于 2003 年。它的技术起点与硅谷主流的 AI 公司完全不同，创始人 Peter Thiel 起初只是为了创立一家提前预判并帮助打击恐怖主义的大数据分析公司。
公司成立后的第一笔外部融资，来自于 CIA 旗下的风险投资机构 In-Q-Tel。2005 年，Palantir 获得了来自 In-Q-Tel 约 200 万美元的投资，CIA 也成为 Palantir 的第一个付费客户。
早期的 Palantir 只做 to G 业务，第一款产品是 Gotham，主要为政府、国防、情报和执法提供大数据分析服务，客户包括美国军方、CIA、FBI、NSA 等等。
在积累了一定的技术能力后，2016 年前后，Palantir 又进入 to B 领域推出 Foundry，定位为 " 企业的中央操作系统 "，把政府场景中打磨过的能力搬到企业客户手里。其中最典型的案例是空客与 Palantir 合作的 Skywise 平台，对飞机的数百万个零件和复杂的供应链进行数字化管理。
它的服务底层逻辑是一个被反复讲述的概念—— Ontology" 本体论 "。简单来说，" 本体 " 就是把一个特定行业内的所有知识进行语义统一之后的索引，更通俗地讲，是一个懂得某个行业所有知识的 " 大脑 "。
这个概念听起来抽象，放到具体场景里，价值才能显现。
海致科技 CFO 何飞宏告诉「定焦 One」，以电力行业为例，普通大模型面对 " 最近 110 千伏变压器故障成本为什么上升 " 这个问题时，往往会给出一段中性的分析，比如故障数量增加了 18%，抢修时长增加了 6 小时，备件采购成本上涨了 12% 等等。
这是一个 " 看起来靠谱 " 的 AI 回答，但它无法告诉运维负责人接下来应该做什么。而一套建立在 " 本体 " 之上的智能体则会像一个非常有经验的电力运维老师傅一样去思考：" 我们这一波的变压器有问题了，跟去年那波变压器是不是同一批？是不是说明这波变压器的总体质量不好？如果是，我们现在电网部署的还有哪些是这个型号？"
二者的差别在于，前者只处理了信息，后者调用了一整套沉淀下来的行业逻辑与流程。
本体论解决的是好不好用的问题，而 FDE 则解决了怎么用的问题。FDE 的全称是 Forward Deployed Engineer（前置部署工程师），这是 Palantir 独创的一种交付方式。FDE 模式本质上是把咨询公司的服务能力产品化，把工程师派驻到客户生产现场，通常一待就是几个月，帮助客户把软件部署到业务的各个环节。
这种模式前期投入极高，一个资深 FDE 的人力成本远高于普通工程师，但只要某个行业的 " 本体 " 沉淀下来，服务第二个同行业客户时成本就会大幅下降，边际成本会随着客户的增加而趋近于零。这也是为什么 Palantir 的毛利率长期稳定在 80% 以上。
在 AI 兴起之前，Palantir 这套商业模式已经稳定运行了多年，但资本市场给它的估值上限不过是一家 SaaS 软件服务公司的水平。
真正把这套模式的价值抬升到 3000 亿美元估值的，是 Palantir 在 2023 年推出的 AIP（Artificial Intelligence Platform，人工智能平台）。
AIP 并不是一个独立的产品，它是搭在 Foundry 的本体层之上的一层 AI 编排界面。它做了两件关键的事：一是把大模型作为可插拔的能力接入进来，企业可以选择 GPT、Claude、Gemini 或者开源模型，AIP 负责让这些模型的推理能力用到企业自己的本体上；二是把过去需要几个月定制沟通的部署过程平台化，企业可以在几周甚至几天内构建出一个能在自己业务流程里跑起来的 AI Agent。
这层意义远远超出提高效率。它让 Palantir 从一家数据分析公司，变成了企业接入 AI 的推理层入口。
AIP 上线之后，Palantir 的营收开始加速，从 2023 年至今，季度营收增速从 10% 出头一路爬到 85%，净利润率从 2023 年的约 10% 扩张到 2026 年一季度的 54%。
这套 "FDE+ 本体 +AIP" 的组合，开始成为 AI 真正进入企业生产流程的标准形态。
02. 国内四类公司，对标 Palantir
在中国市场，"AI to B" 和 "Palantir" 这两个词几乎在同一时间被大规模讲述。
这并非偶然。过去两年，除了 Coding 以外，几乎没有任何一个 AI 应用能真正跑出严格意义上的商业化闭环。
海致科技战略发展副总裁张环告诉「定焦 One」，当前企业大部分需求都集中在 Coding Agent 主要是因为更多形态的 Agent 还没有发展起来。但 Coding 也有适用边界，它的主要作用是放大个人的能力边界，是一个从个人需求自下而上发展出来的应用，而超大规模企业需要的 to B Agent 更多的是一个自上而下更复杂的系统化设计。
此外，Coding 仅仅覆盖了写代码这一种高度标准化的 B 端生产场景，算力消耗的成本高，并且客户粘低，市面上的 Coding 产品很多，企业客户在采购时通常只会考虑谁的能力最强，或者谁的性价比最高，从一款 Coding Agent 迁移到另外一款几乎没有什么成本。
Palantir 的客户则完全不同。构建 " 本体 " 的核心数据本身就是最大的迁移成本，Palantir 的头部客户，一旦把业务逻辑全部跑在其平台上，替换成本高到几乎不可能换供应商。
这意味着，如果某家中国公司能把这套高毛利、高留存、高定价、深客户关系的模式在国内跑通，它的估值天花板将远远超过目前所有的对标者。
眼下正在争夺 " 中国 Palantir" 这个头衔的公司，大致可以归为四类。
第一类是大模型公司和云厂商。其中以智谱、月之暗面、MiniMax 等为代表的大模型公司，严格意义上并不算 " 中国 Palantir" 的直接竞争者，它们的定位更接近模型能力的供应商。
智谱早期做过知识图谱，知识图谱是一种 " 本体 " 的技术路线，但相比于自己下场做 B 端服务，模型公司更愿意跟企业级 AI 服务公司进行深度合作，理由也很简单，它们没有行业 Know-how，也没精力做 B 端的 FDE。
真正在 Palantir 这条路径上有全栈能力的，是云厂商中的部分玩家。百度、华为、阿里、腾讯有更全面的 B 端服务能力，并且这些云厂商已经在为政府、公安、能源，或是 B 端企业客户提供 AI 服务，在业务模式上更接近 Palantir 的 Gotham 或 Foundry，以及二者的结合体。
第二类潜在的 " 中国 Palantir" 是咨询公司和传统 SaaS 公司。
埃森哲、德勤、麦肯锡、毕马威在美国事实上与 Palantir 有一定的业务重叠，它们同样都是以人力密集型交付切入客户，但这条路在中国很难走通。
中国大型企业客户很少愿意为 " 咨询 " 直接付费，项目化交付几乎不产生可复用的产品资产，市场也不给这类玩家足够的估值溢价。
第三类是数据治理型公司，这类公司多从数据中台、实时数据处理赛道起家，擅长多源数据整合、清洗、治理与可视化分析，底层数据集成能力突出，也积累了一定的行业 Know-how 数据，并且都有一套基于这些数据所开发的 AI 服务平台，代表公司有第四范式、滴普科技、迅策科技等。
一位行业内人士告诉「定焦 One」，这类数据治理公司为企业提供的服务与 Palantir 类似，但它们共同的短板是 " 本体 " 较弱，从数据到 " 本体 " 有比较大的技术跨度。" 如果只做数据治理就足以颠覆一切，Snowflake 早就应该把 Palantir 干死了，但它没有。"
最后一类是产业级 AI 公司，相较于数据治理型公司，它们在 " 本体 " 能力上做得更深。
在严肃的生产场景下，企业端通常需要确定性的执行能力，AI 的整个推理过程需要可解释、可追溯、可审计。在这种要求下，向量数据或者简单的可视化数据往往无法准确地描述企业的所有生产要素。
比如去描述一家公司的股权关系，如果只有两个股东，各自持股 50%，那用简单的一句话（向量数据），或者一张图就能准确描述，但如果是 20 个股东，各自持股的比例不同，再加上多层的股权架构设计，用语言、或者简单的图表就很难描述了。
行业内目前采用的主流解决方案是知识图谱，用图数据在向量数据和关系数据之上再进行抽象和建模，技术门槛比数据治理更高，需要企业有较强的高性能计算技术储备。
这条路径上的代表玩家，包括 "Agentic AI 第一股 " 的明略科技、NLP 起家并立足垂直大模型的拓尔思、在金融领域深耕知识图谱多年的蚂蚁，以及以政府服务起家，在国内处于知识图谱第一梯队的海致科技。这几家公司中，除了蚂蚁外，都曾被冠以过 " 中国 Palantir" 的头衔。
它们同样也是业务逻辑更接近 Palantir 的一类公司，以海致科技为例，它之所以被称为 "AI Harness"，主要是凭借知识图谱和图模融合技术来给通用大模型套上一层 "Harness"，让 AI 在一个严谨的架构下运行，从而减少由于概率生成导致的 AI 幻觉。
何飞宏告诉「定焦 One」，今天一个清华毕业的硕士生已经相当于一个水平很高的 AGI 个体，但是让他去到一个新公司依然很难在短时间内把活儿干好。即便是给他下达清晰的指令，或者让他读完所有的公司文档、会议纪要，他依然不能成为一个很好的一线员工。
更好的办法是给他安排一个有经验的老师傅来动态地指导他什么时候该怎么做，这个老师傅本质上就是一个 " 本体 "，而知识图谱是实现 " 本体论 " 的一种技术载体。
这里提到的四类公司各有优势，同时也各有短板。整体上看，中国今天还没有真正意义上的 Palantir，只有 Palantir 的几种碎片化的对标者。
03. 中国的 Palantir 应该是什么样的？
尽管从 2025 年年底至今，国内 AI to B 赛道热度攀升、资本大规模涌入、各类玩家持续加码布局，但短期内依然难以诞生全方位对标 Palantir 的千亿级巨头。这一方面是由于 Palantir 的技术壁垒短期内难以复制，此外在不同的市场环境下，中国也未必需要一个完整版的 Palantir。
Palantir 的技术壁垒最难跨越的一点是时间维度上的积累。它的图计算引擎在反恐、战场这类零容错场景里磨了 20 年，这些场景里的 Know-how 无法通过资本或大规模计算加速。
客户付费能力则是另一个差异。Palantir 有政府百亿美元级的合同，这种量级的订单能养得起顶级 FDE 工程师团队长期驻场。国内的政企市场也存在类似的付费逻辑，长期合作的政务、公安、能源类客户能支撑较重的驻场交付，例如海致科技过去十几年主要服务的就是这类客户。
但一旦跨到企业客户，尤其是民营企业客户，中国市场的付费逻辑就与美国出现显著分野。
国内 to B 市场至今仍是以一次性交付为主导，客户买的是验收通过的系统，厂商赚的是当期的项目款，双方都没有强动力做长期的产品沉淀。加上国内客户更愿意为硬件、为看得见的功能付费，本体层这种看不见但决定长期能力的价值，很难卖出对应的价格。
这直接压制了 Palantir 模式在中国被完全复制的可能性。
这也是为什么 " 中国 Palantir" 这个位置至今仍然空缺，不同类型的公司都在往这个位置逼近，没有一家真正到达。
但这并不意味着本土 AI to B 赛道缺乏成长空间。随着通用大模型技术趋于同质化，模型之间的能力差距持续缩小，产业落地能力将成为未来行业竞争的核心变量。
在 " 中国 Palantir" 的竞逐中真正能跑出来的公司，需要同时具备至少三种能力：懂底层的图计算和分布式系统技术、懂具体行业的业务逻辑、并且愿意沉下心做长期的脏活累活。没有捷径，也没有资本市场热度能替代十年以上的经验沉淀。
这与 AI 时代通常的 " 短平快 " 节奏恰好相反，Palantir 本质上是一个更接近传统重工业的长期生意。
AI to B 的行业终局未必是全盘复刻海外模式。中国 to B 市场的付费结构、客户偏好、政策边界与美国显著不同，本土化的路径可能孕育出更适配中国场景的头部玩家，它未必看起来像 Palantir，甚至可能不再需要用 Palantir 作为参照。
这一天何时到来，取决于四类玩家中谁能先完成能力的融合。目前来看，四类玩家中已有公司走出各自的第一步，它们最终可能不会长成 Palantir 的形状，但同样值得下注。
