中国厂商要做Palantir，最难的是2B市场本身|爱分析访谈

Palantir在中国企业市场持续升温，本体也成为企业AI落地的热词。作为当年阿里云DataWorks和PAI研发负责人，不少人来找陈廷梁讨论本体，但他的第一反应是泼冷水：太阳底下无新鲜事。

在陈廷梁看来，Palantir以及本体当然值得尊敬，但这并不是凭空出现的新东西，更像是传统数仓建模、关系网络、知识工程等旧脉络，在长期行业实践中的一次系统化和哲学化。

真正的问题，不在于中国厂商能不能学习这套技术，而在于为什么同样的技术逻辑，在美国可以长成Palantir，在中国却很难长出来。陈廷梁的判断很直接：中国做Palantir，最难的不是本体，而是2B软件市场本身。

陈廷梁现任数新智能创始人兼CEO，长期从事企业级数据与AI平台建设，当前正在推动Data与AI融合，把数据平台做成操作系统和行业机床。

本次爱分析与陈廷梁的访谈，围绕以下六个问题展开：本体与数仓建模、知识工程的关系，Palantir为何诞生于美国，中国厂商如何平衡平台与服务，低客单价对FDE能力的限制，AI给数据基础设施带来的新出口，以及基础平台与行业本体的分工。

核心观点

本体不是新发明，而是数仓建模的现代化。Palantir的Object Type、Link Type延续了传统数仓建模逻辑，并在长期行业实践中完成系统化和哲学化。

中国做不出Palantir，卡点不是技术，而是商业土壤。美国2B市场盈利水平高、认可软件和服务价值，中国软件2B市场客单价低、账期长、客户强势，技术和交付容易被销售导向逆淘汰。

中国版Palantir的机会，在于平台与服务螺旋上升。项目沉淀产品，产品支持项目，两者交替演进，持续提高交付效率。

能活下来的软件厂商，要学习制造业的精益生产。独立厂商要把人均产值做到接近100万，同时把人均成本压到50万以内，用更低成本对抗大厂的高薪团队。

AI不是数据行业的冲击，而是新的价值出口。AI完成了一次全员认知总动员，企业要把AI做深，就会倒逼自己补齐数据平台和数据治理。

一、本体没有新鲜事

爱分析：最近大家重新讨论Palantir的本体，和过去的数据中台、语义网、W3C相比，您觉得它有什么新东西？

陈廷梁：我觉得太阳底下无新鲜事，但也不能简单说只是重新包装。

Palantir是一家非常令人尊敬的公司，创始人Alex Karp有很强的哲学思维，把原有技术拔高到了本体层面，但技术源头仍然是学术界的语义网络和传统数仓建模，并不是凭空出现的新东西。

仔细看就会发现，Palantir的Object Type、Link Type与传统数仓建模体系有明确对应关系，都不用谈中台，就是经典的数仓逻辑。

Palantir的增量在于系统化。阿里的OneData、OneID也有自己的沉淀，但主要来自电商和零售。Palantir投入二十多年，做了更多行业，形成的方法更具代表性，抽象层次也更高。

爱分析：面向AI和智能体，数据管理与治理有哪些技术路径？

陈廷梁：数据管理和治理是一个很古老的命题，从数据库时代就开始了。

本体有两个很深的来源：一个是关系数据库理论，它有很强的数学背景；另一个是关系网络，十年前我们关注Palantir时，最吸引人的就是它用关系网络建立图谱，解决军情、公安等复杂分析问题。

知识工程、知识图谱也有自己的长期积累，比如智谱创始人唐杰就师承清华知识工程实验室，这些方向本来就与本体强相关。

我认为这些技术是在从不同方向爬同一座山。结构化数据、关系图谱、知识图谱是一条路径，AI是另一条路径。我自己学AI出身，一直觉得机器学习的不可解释算法需要和数据挖掘、知识工程结合。

爱分析：数新智能现在做面向AI的数据治理和数据平台，与过去相比有什么变化？

陈廷梁：数新智能几乎没有变化。很多人认识到AI，是因为2、3年前大模型开始普及。但对我而言AI也不是什么新鲜事，从创业开始，我就把AI植入在我们的公司产品战略里。

我以前在阿里负责DataWorks和PAI，一个是数据平台，一个是AI平台。中台最热的时候，我也不太认可这个概念。在我看来，我们做的是云数仓，更重要的方向是把数据和AI打通，形成统一平台。

基础设施要足够强，包括多模态、流批一体、湖仓一体和存算分离。后来我们把方向概括为Data加AI，又拆成Data for AI和AI for Data，到今天大家讨论Data Agent，这条主轴没有变化。

爱分析：但DataWorks确实是中台领域很有代表性的产品。

陈廷梁：对，但我一直开玩笑地跟团队讲，市场上普遍对中台的认识拉低了我们的档次。

2012年，我启动DataWorks的前身御膳房，最初做的是公有云上的数据开放和多租户平台。Databricks、Snowflake后来都强调Data Market，而我们从2012、2013年就在做数据市场和开放平台。DataWorks提供基础平台，阿里的数仓团队提供OneData等建模方法，两者结合才形成外界所说的数据中台。

我以前对中台有一个定义：中台等于一个好的平台，加上数仓建设和建模方法，再加上一把手推动的组织与文化，三个要素缺一不可。DataWorks只能解决平台问题，OneData也主要适用于电商和零售，到了军工、制造业，建模方法必须重新沉淀。

二、为什么美国长出了Palantir，中国没有

爱分析：为什么Palantir能覆盖很多行业，阿里的中台却没有真正走出电商和零售？

陈廷梁：第一，Palantir做得时间长，已经做了二十多年。2B就是一城一池扎扎实实攻下来的，是长期工程。

第二，Palantir不但持续持续投入，行业覆盖也广。从军工开始，逐渐扩展到情报、金融风控。国内即使是阿里，对中台的投入周期和力量也远不如Palantir。

还有一个原因，是中国2B软件市场。我有一个比喻，同样是修行，在美国灵气很浓，在中国灵气很单薄，很难晋级。在这样的市场里，自然很难长出Palantir。

爱分析：中美市场最核心的差别是什么？

陈廷梁：美国是世界上最好的2B市场，盈利水平高，客户认可软件和服务的价值。

中国也许是仅次于印度的比较差的软件2B市场。客户购买力不强，利润率低，供给端又有海量工程师，供求关系对软件厂商非常不利，客户往往强势，原定100万的项目，可以把工作量加到200万，再拖一拖账期，厂商立刻到了生死线。

这种环境还会带来厂商内部的销售导向，销售会说技术和交付都靠着我们销售养活，资源自然向销售倾斜。既然销售导向的公司活得更好，技术就没有动力做到最好，最终形成逆淘汰。

爱分析：所以中国做不出Palantir，不是技术无法学习或模仿？

陈廷梁：对，不是技术问题。

如果真的有利可图，连大模型都可以追赶，本体有那么难吗？大家不要神话国外公司，无论多么认可一家公司，都要把它放到具体市场里检验。Palantir太军工、太涉密，不方便直接比较，也可以看看Databricks或Snowflake，进入中国市场会是个什么结果。

爱分析：为什么中国市场里，硬件出身的公司反而更容易做2B软件？

陈廷梁：在中国，做软件远远不如做硬件。

甲方买软件时会算账，觉得多复制一份的成本接近于零，但设备总有成本，把软件利润放进设备里就不那么显眼，而且一手交钱、一手交货。

比如，很多安全公司都是有硬件的活得更好。软硬一体、硬件带软件，在中国更容易形成现金流。硬件价格再怎么打，也有成本基线，强势客户仍会按资产来算。

爱分析：这种市场环境有可能改变？

陈廷梁：我觉得需要时间。

日本、韩国、新加坡，以及中国台湾、中国香港的软件付费习惯，让我看到了一些希望，也许这只是发展阶段问题。再过十年，国有企业会更友好，民营企业换成二代后，视野、认知和购买力也会提升。像比亚迪这种大型企业客户，老板真正认为有用的东西，尤其是AI相关投入，预算批得就比较快，这已经在改善了。

三、复制平台没有意义，项目和产品要螺旋上升

爱分析：国内公司只复制Foundry、AIP平台，价值是否有限？

陈廷梁：这个结论我完全认同，但我想补充一点。

项目中沉淀产品，再通过产品支持项目，两者是螺旋式发展的。真正优秀的软件公司，一定是产品和项目交替往上走。

Palantir有强大的数据平台和机器学习基础，但它选择交付结果，不单独卖平台。这不代表平台不行，恰恰因为平台积累得好，它才能快速交付服务。

爱分析：所以平台和服务要并重？

陈廷梁：对，这两个东西是并重的。

我是做平台出身的，反而一直强调建立交付铁军。数据中台公司如果只强调标品化，离死就不远。

Palantir做这件事更舒服，因为客单价高，前20位客户的平均客单价大概是6000-7000万美元。国内拿到几百万人民币的项目，已经感天谢地了。这么一对比，根本不是在一个大陆修行。

爱分析：对于中国软件厂商来讲，如何在低客单价下兼顾平台和服务？

陈廷梁：这就要回到制造业，更准确地说，软件应该向制造业、向精益生产学习。只能在卷出来的成本和利润里，把利润抠出来。

很多中台公司技术比上一代纯定开公司好，但团队大多来自大厂和互联网公司，做精细化管理、打艰苦战的能力不够，阿里自己的人均成本也不适合这个市场。

要做这件事，人均产值至少要接近100万，成本又得压到50万以内，技术水平还要接近阿里、字节、华为。说白了，要用50万成本的人，去打年薪百万的大厂对手。

爱分析：对于独立厂商，另一条路是不是只能靠不断融资？

陈廷梁：不是靠融钱，是精细化管理，要形成巨大的人均成本优势。

这有点像非标定制的小制造业，接的是非标订单，核心是提升效率、降低成本。Palantir也是这样，只是订单大，活得舒服。国产厂商必须成本更低，同时又不能退化成低水平外包。

目前中国2B软件公司做到30万人效就不错了，30万很可能还是亏的。于是只能在招更差的人和持续亏损之间选择。这就是中国2B软件的斩杀线，也是天道压制。

四、中国不是没有FDE，而是养不起更好的人

爱分析：国内软件公司难以从项目沉淀产品，核心是不是FDE的人不行？

陈廷梁：FDE在我看来是另一个热词。

中国很多软件2B公司活得很艰难，可以说现场人员技能和专业度不够，但不能说没有FDE，中国甚至是过度FDE。

问题在于，2B软件公司赚不到钱，又怎么养活这么贵的人？

爱分析：所以中国并不缺FDE？

陈廷梁：对，中国无处不在的FDE，主要就在2B软件公司。前场人员水平可能不够，但他们一直被客户拉到现场，也一直面对定制需求。

有追求的软件公司都想从项目里沉淀产品，核心问题不是没有意识，而是收入太少，养不起更好的人，根源仍是商业环境。

爱分析：如果客单价和人效短期难以提升，中国公司做类Palantir的可能性是不是很小？

陈廷梁：对。一旦在中国做Palantir，人均收入只能养活30万到40万成本的人，怎么和AI公司、基模公司，以及阿里、字节、华为这些大厂抢人？

我认为唯一的机会是精益生产和精细化运营，用工具平台提高效率。数据平台本来就应该让企业和第三方厂商快速生产数据应用。

爱分析：按你的说法，平台就像制造业的机床？

陈廷梁：对。我的目标是把Data和AI做成行业机床，或者叫操作系统。数新提供机床，中台公司和行业软件公司基于它，为成千上万个垂直场景交付应用和价值。

爱分析：这种产业链结构在中国需要多久形成？

陈廷梁：我的目标是五年左右形成态势。每个创业者都有自己的方向感，我从2013年就在讲Data OS，2016年开始在DataWorks引入插件，这条方向一直没有变。现在数新智能做的产品叫cyberOS。

五、AI让数据基建重新有了出口

爱分析：AI时代会不会让2B软件更卷？AI coding对数据行业有什么影响？

陈廷梁：初看是这样，但我认为不完全是。

AI coding首先冲击应用开发，同时也降低了软件成本，打开了过去没有被服务的市场。以前很多传统制造企业不敢买软件，现在各种自定义CRM、ERP都在跃跃欲试。

数据行业受到的冲击相对小，反而可能受益。企业做AI，仍然依赖数据平台和数据治理。数据开发的大头是理解需求，不是写代码。AI coding解决了编码，但需求分析、指标定义和业务理解仍要靠人，对人员能力的要求反而更高。

以前企业为了报表和大屏建设数据平台，老板不够重视。现在为了做AI，做着做着发现只能做玩具，最后还得从头补数据基础设施，这会对数据行业形成很大拉动。

爱分析：这两年数据类项目的需求出发点有什么变化？

陈廷梁：最大变化是，以前讲中台，要很卖力地解释它有什么用，现在不用了。

2009年，我给盛大CTO讲大数据平台，当时讲啤酒和尿布。后来真正懂游戏的同学会讲，数据能为传奇、传世做什么，那才是业务价值。

以前经常拿电商、零售等案例讲给制造业和国央企听，很多客户没有感觉。

现在倒过来了。大模型和AI完成了一次全员认知总动员，医院、能源等行业都意识到要拥抱大模型。企业继续做深，就会要求主权AI、私域数据、本地化，以及自己的AI和数据基础设施。

比如我们最近接触一家大型能源企业，要建AI中台，最后发现AI中台里仍然要有数据中台。

爱分析：现在客户需求更明确，不需要像过去那样教育客户？

陈廷梁：对。或者说，AI是一个巨大的数据价值出口，比给老板出BI报表强多了。

过去大数据平台、数仓和数据中台，除了互联网的搜索、推荐、广告和营销，很多行业最终只剩报表和大屏，现在AI给了数据一个新的出口。

爱分析：数据平台的建设范围和目标也会变化？

陈廷梁：当然会。

客户会问，平台是否支持多模态数据，是否还要另建一套AI中台。企业不想重复建设，所以Data和AI应该成为统一平台。

平台要从采集、存储和分析，一直支持到机器学习、深度学习，同时承担Data for AI和AI for Data两类任务。

六、平台没有行业属性，本体才有深刻的行业属性

爱分析：当前国家数据局正围绕可信数据空间、数据要素等推进相关建设。这类建设是否也需要以行业数据平台或Data OS为底座？

陈廷梁：是，但国家层面的很多标准由国央企主导，国央企的内容往往比较保守，更多是在总结已经做过的实践。

平台是任何体系的基石，也是安全的基石。数据要素安全首先依赖平台、租户隔离和数据沙箱，然后才是隐私计算、密码学和密态计算。网络安全、主机安全也都需要，这是一个整体安全问题。

我们从2013年做御膳房开始，就已经在做数据开放，实际开放过淘宝数据，这是实践者的感受。

爱分析：平台建设必须基于实践沉淀，而不是先建立标准？

陈廷梁：对。有些标准比较空想，对真实实践理解不透，沉淀出来的结果就会主次不分，也不够实战。

爱分析：再过三五年，基础平台和行业本体会形成什么格局？

陈廷梁：平台没有行业属性，上面的数仓建模方法才有深刻的行业属性。

基础平台解决通用问题，进入中台和本体之后，就有很强的行业属性。国内基础平台的体验和口碑，我认为首先还是阿里云，当然字节也在跟进，但对私有云仍有些顾虑。

这也解释了为什么Palantir能进入多个行业，而中国厂商很难。中国有优势的软件公司大多有互联网基因，一旦进入政企市场，就要经历一次艰难的重生。

爱分析：运营商、中国电子等政企厂商有机会做平台吗？

陈廷梁：我认为国央企最大的机会还是集成，很难形成有持续技术积累的基础平台。

从云计算、大数据到AI，很多二线云厂都在收缩。网易数帆是我很尊敬的公司，技术水平不错，但它也打过低价、承受过巨额亏损。这仍然是商业问题。

爱分析：云大厂的数据平台收入和战略地位为什么一直不高？

陈廷梁：阿里云是以收入为尊的，DataWorks最初是免费产品，定位是给MaxCompute保驾护航、为它引流。我后来推动收费，是担心产品没有独立收入，一旦负责人离开就会失去持续投入。

DataWorks虽然有几个亿收入，但不包含资源。MaxCompute和飞天底座是主线，EMR是配角，DataWorks更像助手。腾讯的EMR因为包含硬件收入，规模更大，也更容易得到重视。

只要计算引擎能带来硬件收入，公司自然会重视。纯软件收入太小，就很难成为大云厂商的主线。