Palantir 首席技术官 Shyam Sankar 近日接受 Stratechery 采访，深入探讨了人工智能行业的现状、企业采用 AI 的策略以及 Palantir 在其中的角色。Sankar 指出，当前行业过度关注模型能力的提升（即“提供智能”），而忽视了将智能转化为经济价值的过程（即“传播智能”）。他强调，专注于顶级企业并帮助其通过 AI 实现市场主导的公司，往往比单纯追求降本增效的企业更成功。
此次访谈还涉及了 AI 安全与系统工程的重要性、Palantir 从 AI 浪潮中汲取的经验教训、如何保留企业的独特性（Alpha）而非趋向平庸（Beta）、对更多大模型的需求看法，以及 Palantir 独特的“前沿部署工程师”模式。此外，Sankar 评论了科技界目前的“宗教战争”状态，并回顾了他此前撰写的《动员》一书，该书旨在重启美国工业基础。
背景：从拉各斯到奥兰多
Shyam Sankar 出生于印度，但在尼日利亚拉各斯长大至三岁。他的父亲曾在拉各斯建立了非洲第一家制药厂。由于当地局势动荡，家庭被迫放弃所有世俗财产，最终定居于美国佛罗里达州的奥兰多。Sankar 回忆道，在奥兰多成长期间，他目睹了航天飞机的发射，这种经历让他坚信技术将不可避免地带来一个更美好的世界。
对于 Sankar 而言，“成为美国人”意味着对自己人性和所处社区的深刻信念，以及创造一个更完美联盟的能力。他认为这种乐观主义是美国梦的先决条件，而在其他地方，人们往往更加愤世嫉俗。Sankar 的职业生涯始于 Xoom，一家专注于汇款服务的公司，随后加入 Palantir 从事国家安全相关工作。他反驳了关于从“送钱回家”到“为钱辩护”存在矛盾的观点，认为两者都服务于工人阶级有效获取收入的目标。
Sankar 批评了全球化的深层逻辑错误，即认为发达国家只需负责创新，而发展中国家负责生产。他指出，创新实际上是生产力的结果；如果停止制造物品，就会失去创新所需的刺激。他以 Google 为例，说明简单的需求（如提高翻译准确率 3%）如何激励了深刻的技术研究（如“注意力机制”）。因此，过度依赖比较优势并放弃生产环节，最终会导致知识转移和创新能力的丧失。
扩散情报：被忽视的经济价值瓶颈
Sankar 认为，AI 行业目前主要关注如何制造更聪明、更强大的模型，这类似于电力行业中只关注发电效率，而忽略了电力如何驱动工厂重新设计从而引发经济革命。他主张，真正的挑战在于如何将代币（Tokens）快速转化为经济价值，即“传播智能”。
尽管实验室和整个市场结构都在奖励基础研究和模型增强，但 Sankar 指出，企业对 AI 原子单位的理解存在偏差。许多产品策略假设企业的核心单元是“知识工作者”，试图通过让每个工人更高效来创造价值。然而，Sankar 认为企业的真正原子单位是“工作流程”。例如，供应链分析师的效率提升可能不会带来增量回报，因为知识工作者的核心地位正在崩塌。
这一观点与自 1971 年以来 GDP 增长与工资增长脱钩的社会现实相关。Sankar 担忧，如果几代人无法兑现经济增长带来的红利，将导致巨大的社会动荡。他呼吁思考 AI 是否仅仅是一种技术，还是可以用来改善社会的工具，并强调必须解决公众对数据中心反对等现实问题，以确保 AI 获得持续支持。
顶线 vs. 底线：雄心勃勃的客户更易成功
在讨论客户采用 AI 的效果时，Sankar 观察到一种经验规律：拥有真正野心、希望利用 AI 主宰市场或击败竞争对手的客户，比那些仅寻求降低运营支出（Opex）的客户更容易成功。
他认为，人类智能和机器智能并非完全相同。试图简单用 AI 取代人类的工作流程注定失败，因为即使 AI 达到 98% 的准确率，剩余的错误在具体目标上也是致命的。相反，成功的策略是围绕 AI 现有的能力构建新的工作流程，而不是强行将其嵌入旧有的框架中。在 AI 时代，结果变得更加二元化：要么通过追求最高线（Top Line）取得巨大成功，要么因缺乏足够刺激去克服实施困难而停滞不前。
安全与系统工程：缺失的责任承担者
Sankar 批评了实验室在 AI 安全方面缺乏系统工程的视角。他指出，有能力的大模型本身并不是一个可工作的系统，它需要与概率模型、确定性软件、人类判断、许可机制以及现实世界的后果进行整合。目前，这种系统工程的负担无人承担。
他以海军上将 Hyman Rickover 建立美国核潜艇部队为例，对比苏联的做法。苏联将辐射安全问题视为不可解的难题，导致潜艇兵每六个月需休息以恢复白细胞；而 Rickover 则设计了比科学家认为必要的安全标准高出百倍的标准，通过持续改进的系统工程方法解决了问题。Sankar 认为，汽车发明以来虽造成数百万人死亡，但通过安全带、气囊和防抱死刹车等系统工程手段降低了风险。同样，AI 领域也需要类似的风险降低工具链，但目前除了 Nvidia 等少数公司外，鲜有此类进展。
当被问及这是否是模型制造商的责任时，Sankar 承认 Palantir 的业务模式从中受益，但他感到困惑的是实验室对此关注之少。他指责这是一种“模型盲视”，即认为如果需要模型以外的东西就是 AI 极致主义的失败。实际上，模型公司可能在出售“进步”而非“产品”，而 Palantir 和 Microsoft 等公司则在封装模型以创造实际价值。
Palantir 的 AI 经验教训
Sankar 表示，Palantir 早已预见到本体论（Ontology）在 AI 时代的持久价值。本体论不仅防止了企业数据中的“AI 垃圾”积累，还为构建供应链等应用提供了基础层。然而，AI 也促使 Palantir 重新思考工作完成的方式。目前，平台内的大部分工作通过“AI FDE”（前沿部署工程师）完成，利用模型加速编程。
Palantir 将企业视为一个状态机。在 AI 之前，状态转换由人类执行；现在，机会在于将这个供人类使用的框架转变为模型可用的形式。企业不会突然移除所有人类并由 AI 接管一切，而是会在人类和 AI 之间反复切换。因此，需要一个对起始方式（哺乳动物或 AI）不变的状态机，并据此治理转换和可采取的行动。
有趣的是，Sankar 曾强制新员工在第一周通过 AI FDE 学习平台，但这产生了反作用：年轻员工仅通过抽象层了解平台，却不懂底层构建块。他强调，即使是 AI 极致主义者，最重要的技能之一是知道何时不使用 AI。例如，当要求 AI 为企业设计本体论时，它倾向于产生“均值回归”的结果，抹平企业的独特性，使其看起来像其他任何企业一样。
Alpha vs. Beta：保留独特性
Sankar 提出，传统企业软件往往使公司变得相似（Beta），而 AI 可能会加剧这一趋势。企业软件要求销售给尽可能多的客户，从而标准化了流程。相比之下，Palantir 致力于帮助客户保留其 Alpha（超额收益/独特优势）。如果 AI 只是平滑地模拟通用模式，它将消除企业的竞争优势。因此，关键在于如何利用 AI 增强而非稀释企业的独特性。
