估值 3000 亿美元的 Palantir 给 AI 落地指明了什么路?

在数智化-型的浪潮中, 企业 AI 落地正迎来一次本质的范式跃迁.

在「2026 奇点智能Products大会」上, 360 集团资深 AI Products专周海清带来了他的硬核分享. 作为国内 B 端大模型首批落地的深度参与者, 周海清基于 15 年的Products实战经验, 结合硅谷巨头 Palantir 的核心启示与 360 的一线探索, 深刻剖析了企业级 Agent 从 "会回答" 到 "会决策" 的跃迁路径.

周海清在奇点智能Products大会分享现场

他指出: "企业 AI 落地的核心竞争力, 从来都不是谁的模型更聪明, 而是谁能更懂企业的业务, 像老员工一样去思考决策, 并安全可控地执行闭环. "

反直觉真相: 大模型 "智力" 够了, 为什么企业却没有广泛受益?

大模型时代带来了一反直觉的现象: 目前头部大模型的 "通识智力" 已经超越了许多普通人的平均水平, 但在企业端, AI 带来的变革似乎依然局限在外围.

员工可以用 Copilot 帮自己写一段代码, 或者用大模型修改一文案. 但这仅仅是 "员工人电脑里的自嗨" .

AI 并没有真正进入企业最核心的业务流程和后台系统.

截图自周海清演讲 PPT (文末可扫码领取)

周海清指出, 传统的问答型 Agent 最多只是 "效率工具" , 卡住其进入核心业务系统的瓶颈, 主要有四:

• 没有企业上下文: AI 无法天然知晓企业的客户, 合同, 业务系统与审批流程之间的底层逻辑和网状关系;

• 推理过程不可解释: 在黑盒机制下, 大模型直接给出一概率生成的结论, 没有完整的证据链支撑, 无法用于责任厘定和规则复盘;

• 不敢操作生产系统: 对于大中型企业特别是央国企, 业务操作必须保证 100% 的确定性. 而大模型即便准确率达到 95%, 其 5% 的不确定性依然会带来不可控的安全合规风险;

• 企业 Know-How 难以沉淀: 工作流往往与提示词强耦合. 一旦换场景, 整套提示词工程就要推倒重来, 难以-化为可复用的资产.

大模型拥有通用的 "高智商" , 但在严苛, 高风控的企业业务环境下, 缺乏 "懂业务逻辑" 的特化环境.

决策型 Agent, 才是企业真正需要的 "数字员工" .

Palantir 的核心启示: AI 的护城河不在大模型, 而在 "决策执行中枢"

美国数据分析软件巨头 Palantir 拥有近 3000 亿美元的市值, 其高估值背后的商业本质并不是传统的软件 License 售卖, 而是向客户交付了一套可复用, 可执行, 持续加深的决策操作系统.

Palantir 成功的秘诀, 也是 360 在实践中探明的一条道路 -- Ontology (本体语义层) .

截图自周海清演讲 PPT (文末可扫码领取)

本体的本质, 是一套面向真实组织, 业务系统, 责任边界的 "数字孪生式" 企业上下文工程.  

它定义了两大核心命题:

• "世界是什么" : 梳理并抽象出人, 财, 物, 资产, 业务关系等对象与属性;

• "如何改变世界" : 定义 Action (动作) , Function (函数) , Rule (规则) 与 Write-back (数据回写) .

必备的两闭环能力

要让本体真正运-起来, 必须打通两核心闭环:

• 翻译机制: 将现实世界中散落在各种业务系统, 数据中台中的多源异构数据, "自动翻译" 并映射到本体层, 形成统一的语义和业务上下文, 从而指导 Agent 做出合规决策.

• 数据回写: 将本体层的变化, 安全, 受控地回写 (Write-back) 至现实物理世界的业务中, 打通 "数据到行动" 的完整闭环.

截图自周海清演讲 PPT (文末可扫码领取)

有了这层屏障, Agent 便不需要去直接面对人类设计的杂乱库表, 接口和代码. 它只需要在白盒推演的 "逻辑脚手架" 上, 按图索骥.

360 企业级 Agent 本体架构实践: 从 "重治理" 到 "轻耦合"

截图自周海清演讲 PPT (文末可扫码领取)

一线真实场景探索场景

场景 1: 老旧服务器回收 -- 让繁琐分析变 "按图索骥"

在大型机房运维中, 从上万台设备中找出适合回收的老旧服务器, 是一门典型的 "老员工脑中秘籍" . 新员工需要跨系统去比对过保日期, 查看最近一月设备告警日志, 还要综合评估服务器下架对上下游系统的风险关联.

360 的实践是构建 "机房运维小本体" . Agent 会自动读取本体上下文, 自行组合多维条件过滤设备. 新员工只需选中目标服务器, 大模型便通过拓扑图自动完成影响分析, 确认无误后自动提交工单, 完成资产全生命周期的自动化闭环.

场景 2: 维稳情报分析 -- 实现全链路精准预警

维稳情报研判工作每天面对上千非结构化文本文档, 光靠人力阅读, 难以发现潜在跨文档关联风险.

360 实践: 在数据层进行文档解析, 通过实体和关系抽取, 构建涵盖 "人, 地, 事, 物, 组织, 线索, 风险" 七大类对象的 "情报本体" . 在此基础上, Agent 可以实现本体级别的语义深度检索, 输出高危人群/点位, 行为轨迹跟踪预警等研判风险报告.

场景 3: 以 "会议" 为入口, 试点 "组织记忆" 沉淀

装配了 "组织记忆" 的 Agent 能够清晰记得 "张三在一月前承诺了什么" , "李四为什么做这项业务调整" , 决策链路透明白盒.