PLTR“本体论”技术隐藏明显天花板？搞懂PLTR技术壁垒，你就知道该逃顶？还是追高？
2025-06-10
播放量 20.7k
要说当今美股市场上争议最大的公司，PLTR必然能排进前三。可别看公司备受关注，但如果真的刨根问底去问，PLTR到底是干什么的？它的技术是怎么用在企业里的？为什么市场愿意给这么高的估值？能说明白的人却少之又少。
开通服务即可查看评论～
文字稿
要说当今美股市场上争议最大的公司，PLTR必然能排进前三。作为一家年收入只有不到30亿美元的公司，但市值却高达3000亿美元，因而也常常被认为是一个巨大的泡沫。同一时间，它军工出身、大数据起家，背景十分强大，而现在又搭上了AI的风口，这听起来也足够有想象空间。
可别看公司备受关注，但如果真的刨根问底去问，PLTR到底是干什么的？它的技术是怎么用在企业里的？为什么市场愿意给这么高的估值？能说明白的人却少之又少。那么今天这期视频，我们通过深入挖掘PLTR的技术背景，来搞懂PLTR的这几个最核心的问题。相信看完后你就会明白，PLTR是有真实力，还是只会讲故事了。
要想了解PLTR的技术，咱们不妨先快速了解一些真实案例，来直观地感受一下PLTR的技术， 是怎么在企业日常运营中落地和提升效率的。这部分我在之前的一期讲AIPCon的视频中详细介绍过，还没看过的看官建议回看，这里只做一个快速的总结。
AIPCon是PLTR给外界展示企业成功案例的发布会，每半年举办一次，目的是为了告诉客户它的产品效果。这其中，美国大型连锁药店Walgreens就分享了跟PLTR合作的成果。PLTR给他们设置了一个统一视图，不仅可以看到实时的数据，它自己还有灵活的决策能力。在8个月时间内，整个系统就推广到了 4000家门店，让运营效率提升了30%，患者的参与度和留存率也提升了32%，效果远超预期。
类似的案例在AIPCon上还有很多。比如，人力资源公司Morson通过PLTR来筛选候选人，让岗位匹配率提升了129%，候选人搜索效率提高了53%；临床药品研究公司Parexel，把临床试验准备时间，从原先的10-12周缩短至3-6周，明显加快了新治疗方案的上市；电信公司AT&T跟PLTR合作后，减少了40%的不必要派遣；快餐公司Wendy’s通过PLTR，能用5分钟就解决不同门店库存短缺以及分配问题，此前这需要15个人干一整天。所有这些故事都有一个共同点，那就是企业通过PLTR的数据+AI分析的模式，大幅提高了运营效率。
那问题就来了， PLTR是怎么做到的呢？我们从PLTR的技术架构，来看看他是怎么帮助企业来提升效率的。
一聊到PLTR，我们就认为它是一家AI公司，但AI绝不是PLTR的全部，或者说并不全面的。实际上，PLTR更核心的，是一个被叫做“本体论”的方法，英文叫Ontology。而AI更多是提升本体论的效果的。就跟特斯拉的核心技术在于自动驾驶，而AI能让特斯拉的自动驾驶效果变得更好，是一个道理。所以，要想了解PLTR的技术架构，我们有必要先去看懂，PLTR的这个方法论，Ontology，本体论。
什么是本体论呢？它的核心，是把企业的数据资产与现实世界的对应物连接起来，使得企业所有的现实物品和行为，最终都能翻译成一个个数据。现实世界发生的事情可以抽象成三个基本类型，实体，事件，和文档。举一个最简单的例子，一个人做了一件事情，留下了一些痕迹和影响。这是一个很抽象的描述，但我们可以把整个描述放在这三个基本类型中。一个人，就是实体，做了一件事，就是事件，留下的痕迹和影响，就是文档。
可以看到，实体对应了现实世界中的一个主体，上面的例子指的是一个人，但也可以换成一辆车，一个物品，一个位置，等等。事件就对应了现实世界中发生的行为，一般是个动词，例如访问、购买、飞行，等等。而文档则对应了这件事情对应现实世界中的痕迹和影响，一般是非结构化文本数据，比如文字记录，电子邮件等等。
通过这三个基本类型的结构之后，就能做成一个系统里可描述的语言，然后建立出来一个模型。有了这个模型之后，企业的所有行为，运作，都能通过数据去进行解析了。换句话说，企业内部所有的运营，行为，关系，都可以通过数字来表达。当所有的东西都数字化之后，也就是模型建立好之后，就可以用AI算法，来做各种模拟测试和数据分析了。你会发现，如果没有AI算法，这套模型依然可以应用在大数据模型或机器学习算法中，只不过AI算法大幅提升了分析能力。
这个模式，其实跟航天业最喜欢用的一个技术，数字孪生有点类似。大家想一下，科学家是怎么知道火箭发射出去后的运行轨迹的呢？火箭发射有很多变量，每个变量都会对火箭发射轨迹产生影响，科学家们肯定不能通过一次次的发射试验去找到结论。那怎么办呢？数字孪生技术就能解决这个问题。它基本的逻辑是，在电脑里去构建一个高度还原的虚拟模型，这个模型会把火箭的所有参数，包括外界的所有参数，以及相互之间的影响，都给还原出来。然后，再通过做一些模拟实验，来预测现实世界的运行结果。这么一来，科学家就能通过这种技术，来仿真火箭的运行状态，并提前预判各种极端情况。
而PLTR做的事情其实也差不多，它就通过本体论，在自己的系统里，仿真做了一个一模一样的数字企业。有了这个数字企业之后，PLTR就能通过模拟和测试，去看在各种情况下企业的运营效果，有没有还可以提升的空间，并找到一些最优决策，从而提升运营效率。
说到这里，PLTR的基本原理其实是说完了。但咱们既然要聊技术，那可不能止步于此，我们还要进一步了解清楚，它是通过什么样的流程实现这个效果的。毕竟，只有当你真的看懂了，PLTR是怎么一步步帮企业从海量信息中找到有价值的部分，它的整个流程到底是怎么样的，你才能真的搞懂PLTR这套系统的技术逻辑，以及它的那些护城河，竞争优势之类的问题。所以 接下来，我们会把时间，去解释PLTR的流程实现上。
事实上，前面的本体论看上去并不复杂，但在实现的过程中，需要经历非常多的流程和模块。而这些流程和模块，每一个都是围绕着本体论的方法论去构建的，而且几个模块之间互相支持和影响，最终才能呈现出我们想要的效果。那么接下来，我们就来看看，PLTR这套系统的流程和不同模块之间的关系。
下图是我总结的 ，PLTR这套系统运行的整个流程。这个图信息量有点多，在具体介绍每一个模块之前，我们先快速看一下，整个流程是怎么运行的。
首先，PLTR会把企业的各种内部外部数据，输入到Pipeline Builder，在这里给数据进行清洗和加工。数据处理完之后，就会进入Foundry平台。Foundry的功能，是把数据按照本体论的方法，转化成容易理解的业务信息，比如订单、客户画像等，并通过辅助的方式，来生成工作流程。处理完之后，信息会同时传递给Apollo和AIP两个平台。Apollo负责把这些流程应用推送到各个终端，比如门店或工厂，并保证随时更新、同步。同时，另一个核心平台，AIP会在整个流程中提供AI智能建议，比如哪里有风险、怎么优化，并作出一些决策。依靠这样的一套流程，PLTR就构建出了一个“数据获取 → 信息理解 → 做出决策 → 执行操作 → 持续学习”的智能闭环系统。
我知道，光这么说可能还是不太容易理解，接下来，我们对这几个模块分别做一些深入的介绍。
首先看第一个模块，Pipeline Builder，数据管道构建器。Pipeline Builder是最开始的数据处理工具，它最核心的作用，就是把客户那些原始的数据，甚至是一些文本类的信息，转化成一些可用的数据，以便于后续用来分析。下面这张图，就是我截取的，Pipeline Builder的使用界面。可以看到，整个界面还是非常直观的，不需要写很多代码，非常适合不懂代码的普通人使用。而且，只要数据一更新、事件一发生，Pipeline Builder就能立刻开始工作，自动化完成相应的更新。这种强调实时化和自动化的数据处理方式，也特别适合那些对数据反应速度要求高的企业，比如流水线生产，物流安排等。
相比之下，传统的数据处理工具要麻烦很多。那些传统的数据处理工作，需要先从多个数据源，比如数据库、Excel表格、网站等里把原始数据拿出来，然后对数据进行处理，比如把格式给统一、去除重复、补全缺失值、计算新字段等，最后把处理好的数据装进数据库或者平台。整个过程耗时且复杂，往往需要专业的数据工程师，更重要的是，它的反应和变化很慢。相比之下，Pipeline Builder更强调实时性和自动化，显然更适合现代企业的需求。
这里需要着重强调一下，在23年之前，整个Pipeline Builder的数据处理工作还是相对传统的。尽管实时性和自动化做的不错，但也仍然有些吃力，这点我们后面还会提到。但自从23年应用了生成式AI之后，Pipeline Builder得以让更多的数据借助AI来获取。像是一些图片，文字等非传统数据的信息，在有了生成式AI的辅助后，收集起来就变得更加全面和精确了，这也是后来PLTR的分析效果在AI时代得以提升的主要原因。
整体来说，Pipeline Builder负责的工作是处理数据。它就像一条高速、自动化的数据流水线，能实时对所有正在发生的数据进行清洗、整合以及传输，让数据变得清晰可用，然后传导给下一个平台，Foundry。
Foundry是个怎样的平台呢？ Foundry其实也是一个对数据进行处理的平台，它接收到来自Pipeline Builder的数据后，就用本体论的理解方式，把这些数据进行组合，加工，然后去辅助做分析和决策。我们可以把Foundry想象成一个智能厨房。Pipeline Builder会把各种原始数据像食材一样送进来，Foundry要做的，就是对这些食材进行切配和加工，让这些原始数据，变成可以直接用于分析和决策的“数据菜品”，等待工作人员来使用。
以航空公司的运营来举例。Pipeline Builder会先收集并清洗航班时刻表、飞机信息、乘客资料等原始数据，整理成一条条完整的航班记录。然后，这些数据会进入Foundry系统。而Foundry会自动识别这些信息，并转化成业务对象。比如说，Foundry会把航班信息转变成为一个个“航班”对象，包含起飞时间、执飞机型、航班状态等；乘客信息则转为“乘客”对象，包含姓名、旅客等级、预订编号等。有了所有的航班对象，又有了所有的乘客对象，Foundry就可以建立起这些对象之间的关系了，比如哪个乘客搭乘了哪一趟航班，什么旅客登机搭乘了什么样的机型等等。可以看到，这个过程就是前面说的本体论中，对实体进行数据化的过程
有了这些基础的数据后，Foundry就可以发挥更大的作用了。这主要体现在三大作用，分别是显示，决策和建议，咱们一个个来说。
还是用航空公司的案例。当Foundry做好信息识别后，有时候就可以通过数据看到一些潜在的问题，比如说哪些航班延误了，哪些飞机可能出问题了，Foundry立刻就能够从数据中发现到。然后，Foundry还可以做一些辅助决策，比如通过过去一个月的上座率，来预测未来是否需要增加或者减少某一类的航班。但要注意，这部分并非是Foundry自动生成的，往往还是需要人工输入代码去找到答案。最后是建议部分，他可以通过分析每位乘客的具体情况，比如通过观察延误影响多大，来自动推荐补偿方案，比如提供改签、升舱等服务。
整体来说， Foundry就像一个“智能指挥中心”，把分散在不同系统、表格里的数据打通，并用统一的逻辑进行管理和调度，辅助航空公司作出最优决策。
这里补充一句，PLTR还有一个类似的系统叫做Gotham，它做的事情其实和Foundry几乎是一样的，只不过Gotham的客户更多是针对军方的，而Foundry的客户则更全面一些。所以咱们这里就不对Gotham做额外的分析了。
如果说Foundry平台负责指挥决策，那么Apollo平台负责的，就是保证决策下来的事情能被正确执行。Apollo平台是PLTR的软件调度中枢，确保Foundry制定的方案在不同设备、和不同地点都能同步运行。
还是以航空公司作为例子。比如，一家航空公司的IT系统，分布在世界各地的机场、维修中心和数据中心，有些跑在云上，有些在本地服务器，还有一些在登机口终端或地勤手上的平板电脑。当Foundry发现有飞机故障的时候，Apollo平台，就负责把Foundry配置好的模型、规则和工作流程，实时地更新到全球各地的终端上，保证每一个终端节点的实时沟通。同时，Apollo还会实时采集执行过程中的数据，比如执行是否顺利，哪里有异常，客户反馈如何等等，这些数据会再回流到Foundry，从而进一步优化模型和策略。
所以，Apollo就是让Foundry的决策能落地的平台。它虽然不负责具体的业务，但是它能确保所有决策在不同地点、不同设备上都能统一执行，让整个系统始终处于高效运行的状态。
如果在23年之前我给你介绍PLTR这家公司，那么到这里就已经结束了。事实上，光是上面这几大模块的技术，PLTR的整个平台就已经很强大了。它已经能够打通企业内部各种系统的数据，构建自动化的工作流程。
然而，这个看似强大的平台却有一个问题，那就是过度依赖人工专家。首先，Foundry的使用门槛还是相对较高的，使用者不仅要懂业务和懂数据，最好还能有一定建模的能力。这样的人才可不好找，有些企业甚至要专门成立PLTR小组才能用这套系统。另外，Foundry并不能自主作出决策，而是一个半自动决策的工具。它更多像是一个咨询师，或者是一个辅助团队，给企业提供建议。你需要有人去提出合理问题，通过代码找到决策的路径，并在最后，通过人工审核来拍板决策。整个过程虽然也颇为高效，但还是非常依赖人力的参与。
而23年过后，整个事情就变得不一样了。因为自那开始，PLTR就推出了一个重要的模块，AIP。而AIP的出现，相当于给PLTR的这套系统装上了一个AI大脑，让整个流程出现了两个关键变化。
第一，是使用门槛被大幅降低。PLTR不再是一个必须要具备复杂技能的专家才能使用的系统，普通员工也可以像用ChatGPT一样，直接对PLTR提问。比如，你可以去问，“这周航班为什么频繁延误？”AIP就能自动调取各系统数据，分析原因、生成图表、找出关键因素，并给出改善建议。
第二，也是更重要的，是AIP有了真正的自动化能力。这包括，自动分析，检测，提出问题，并作出决策。前面说过，Foundry虽然已经很强大，但还是离不开人工驱动，像是它还是要写代码来提出问题，以及通过人工判断去做决策等。而有了AIP之后，AI就直接取代了人工，而且效果更好。它可以借助于Foundry提供的实时数据和历史经验，自己就去做出更精准的预测和分析，并直接做出决策。做了决策后，还能立即回传给Apollo去做执行。由于整个过程不需要专家干涉，这不仅大幅提升了工作效率，而且AI自己的分析和决策，效果往往比人工做得更好，这就进一步提升了效果，让数据转化可以进一步提升企业效率的生产力。
总结下来可以看到，在整个PLTR的技术框架中，先是有Pipeline Builder的支持，把各种数据和非数据的信息进行挖掘和整理，然后给到全能中控台，Foundry。Foundry对各个重要的数据进行加工和编排，包括整合数据，交互，以及一部分的问题分析。在这之后，就是两个关键模块，Apollo和AIP发力。这两个关键模块协同运作，它就像是服务于Foundry平台的执行团队和智能AI大脑。Apollo负责把决策更新到任何终端，确保系统能稳定运行；AIP则通过自动调取数据、分析并作出自动化决策，还能迭代学习。这就构建了全流程闭环，让企业在复杂多变的环境中也能灵活高效的运转。
另外，从这个流程中我们也能看到，AI对于PLTR具体的影响到底是什么。首先，在Pipeline Builder上，由于有生成式AI的支持，他们可以获得更多的、不同类型的数据。而更多的数据对于PLTR这种数据分析类的服务来说，本身就意味着更好的结果。除此之外，由于有了AIP的支持，PLTR的使用门槛也大幅降低，同时让整个分析和执行流程，从原来的半自动化变成全自动化，进一步提高运营效率，增加用户使用黏性。所以这么看下来，AI确实让PLTR的整个服务带来了质的改变。
说到这里，咱们不妨再用航空公司的案例，来完整看看，这套系统是怎么在现实中运转的。假设，有这么一个航班发生了延误，PLTR的每一个模块是如何各司其职的呢？
首先，系统会先通过Pipeline Builder收集航班、飞机、乘客等数据，给到Foundry去搭建一个初步模型；
在模型初步搭好之后，Foundry检测到了延误可能是因为飞机的油压系统异常导致的；
这时候，AIP就会开始自动做分析，它从Foundry调取维修记录和飞行历史，判断是否存在安全隐患；
假设分析的结果是有安全隐患，那么AIP会自动建议安排这架飞机维修，并临时更换其他航班执飞，而这个信息会传递给执行方，Apollo；
Apollo接到指令后，整套流程就会自动推送到现场机场的系统中，让一线工作人员立刻执行；
执行完成之后，整个维修记录和执行的反馈，又会被写回到Foundry中；
最后，系统会根据这次事件所得到的新数据，再去完善它的模型，让它下次遇到类似问题能更快、更准确地处理。
这么样以来，PLTR的系统就最终形成了前面说的完整闭环，也就是“数据获取 → 信息理解 → 做出决策 → 执行操作 → 持续学习”。这就是PLTR的完整运作流程。不得不说，这个环节听起来很多，但当你了解了整个逻辑后就会发现，其实每一个步骤都有明确的模块分工和技术支撑，数据从采集、理解、决策到执行和学习，形成了一个高效的闭环系统。这个模式，无论是航空，制造、医疗，还是其他行业，都是同一套底层逻辑，最终的结果，都是让企业更快发现问题、更聪明地做决策、以及更高效地执行决策。
可以看出，PLTR的技术确实非常强大，财报中高达80%的毛利率，也侧面印证了这套技术的强大，以及整个商业模式有多赚钱。而我在研究的时候，看到这么强大的技术，和这么赚钱的一个生意时，有些问题一直在我的脑海里。我在想，如果这个业务这么赚钱，怎么没看到更多竞争对手进来？尤其是大科技，他们不缺AI技术，不缺钱也不缺人才，这么赚钱的生意会不会未来他们就想进来分一杯羹了？另外，如果PLTR的产品真的这么好用，为什么它只有30%的增长，而且总客户数也不算多？要知道，PLTR的客户数一共就700多个，这放在传统to b 的SaaS公司中真的不算多，像是CRM的客户就有15万家，完全不是一个量级。
想明白这些问题，对于理解PLTR这家公司来说非常有价值，而恰逢我们在讨论它的技术，我想从技术的角度切入，或许能有更好的答案，那么接下来，我来和大家就这两个问题说说我的思考。
我们先来看看竞争的问题。PLTR被认为是一家AI公司，那为什么像谷歌、微软这类已经有技术、有人才、还有钱的科技巨头，不自己做一套PLTR类似的系统，来直接竞争呢？
今天的技术分享，就很好地回答了这个问题。其实，虽然我们一直在说PLTR的技术，但这背后也能清晰地看出它的商业模式。显然，PLTR的这套技术不是那种一买回去就能用的标准软件，而是一整套复杂的定制化系统。在落地的时候，PLTR是直接派工程师去现场，和客户一起工作，把他们的数据、流程、需求全都搞清楚，然后量身定做一个专属系统。由于每家客户的需求都不一样，做起来必然是又慢又复杂。
而像谷歌、微软这类大科技，他们平时做的，其实都是那种可以规模化复制的软件。比如Office、搜索引擎、云平台等，这些就像是标准化产品，卖给成千上万的用户，不需要为每个客户单独打造。说实在的，标准化的产品还是比定制化的产品吃香得多，因为标准化能快速推广，市场相对更大，而且利润说不定还更高。而PLTR这种重服务、重定制的模式，对于大公司来说，既麻烦、又难赚钱，还容易涉及合规、安全等问题，这一不符合它们的商业逻辑，二也看不太上。
另外，就算科技巨头愿意投入人力物力去和PLTR竞争，要想在今天去复制PLTR的核心优势，在我看来也非常难。
首先，PLTR的这个本体论系统，已经是经过二十年实战打磨的成果，这可不是画张图那么简单。其次，Apollo系统能把软件远程部署下去，无论是战场、潜艇，还是企业服务器的各种环境，都能稳定运行。要知道，PLTR可是在军方严苛环境中锤炼出来的，而一般商业环境倒逼不出这种稳定性和可靠性，这不是靠钱就能堆出来的。最后，AI应用上，我们现在看，AIP的出现好像是顺理成章的事情，可放在一般公司还真不一定能做出来。之所以AI在PLTR这一块效果特别好，是因为PLTR的其他模块，早早就打通了各种业务环节的数据，而且都是私有的、专业化的、和客户经过十多年长期建立起来的数据，而数据的处理和分析，又是AI的强项，这便导致PLTR在AI的应用上效果特别的好。这三点任何一点拿到市场上都是凤毛菱角的存在，三点结合在一起，更是无出其右。
所以说，PLTR的护城河不只是技术本身，当然技术是他最重要的护城河，但如果进一步思考，他最核心的护城河其实是PLTR的技术，对客户的理解，深度定制化服务的商业模式，以及对私有数据的掌控，这些紧密结合了十几年之后积累下来的结果。这种优势，哪怕是谷歌、微软，我认为短时间内也看不到突破的可能。再加上前面说的，PLTR这样的定制化模式，本来就不是大科技愿意做的事情，两者综合起来，就解释了为什么PLTR没，有看到有真正意义的竞争了。
聊完了竞争，咱们再去看看另一个我提出的问题，如果PLTR的产品真的这么好用，为什么增长只有30%，而且用它的客户还不算多呢？一方面，这跟PLTR的销售模式有关。毕竟作为定制化产品，这天然就决定了它的扩张速度有限。
另一方面，也是我今天想要和大家重点聊的，是它的这个技术适配的客户类型。至少目前看来，他所能够服务的客户规模是有天花板的。这里得说一下背景，很多人觉得，PLTR干的事情是用AI为企业降本增效，这听起来好像世界上所有的企业都适用。但当你听明白了PLTR是怎样用AI为企业降本增效之后，就会发现，并非所有的企业都适合用PLTR的这套AI技术。为什么这么说呢？
咱们不妨把这个世界上所有的公司大致分成四类：大型科技公司、中小科技公司、大型传统公司、以及中小传统公司。我们分别来看他们和PLTR的适配性。
先来看科技大公司，比如微软、谷歌。理论上，这些科技大公司是最有钱，也最有动力去用AI降本增效的。但如果你去看PLTR的客户名单就会发现，就没有什么大型科技公司存在，即便有，也只不过是公司里的一两个部门。可以说，科技大公司几乎都不爱用PLTR。为什么呢？这其实是因为，大型科技公司本身就有一流的数据工程团队，他们自己有很强的AI开发能力，像微软谷歌等，甚至还有云和大模型来辅助。而且，这样的公司也早就搭建好了自己的数据库、AI工具、业务流程系统等，不太需要再用PLTR提供的那一整套服务。同时，PLTR的系统需要接入企业所有的核心数据，才能分析和优化运营效率。对微软、谷歌这种级别的公司来说，让一家外部公司接触自己的全部数据，几乎是不可能的，所以，他们宁愿自己来做这些事，也不愿意找PLTR。
再来看看中小科技公司。这些公司常常也很懂技术，理应会愿意用AI降本增效，但和微软、谷歌这种巨头比，它们的资源相对有限，而且数据没那么多，业务也没那么复杂。可PLTR动辄要一个工程师团队驻场几个月，帮客户梳理数据、建模型、整合流程，费用也不便宜。对这些科技小公司来说，太重、太贵，也太复杂了。另外，很多科技中小公司还处于创业早期，业务还在摸索，明天公司方向就可能改了，自然也没办法配合PLTR这种需要长期深度合作的模式。最后，是这些小的科技公司往往都是非常轻资产的行业，运营流程也不复杂，这就意味着，通过AI来对公司内部运营，去降本增效的效果并不够好，导致他们没有足够高的动机去做。
所以这么看，对于科技公司来说，不管是体量大的公司，还是小的公司，都很难成为PLTR的典型客户。
那如果科技公司不行，传统行业又怎么样呢？
先去看看那些大的传统行业公司。对于这些公司来说，它们是有足够的预算来使用PLTR的，也有足够的降本增效的需求，但事实上，他们真正采用起来也并不容易。
首先是因为沉没成本太高了。这些大公司在过去几十年里，已经投入了很大成本在原有的数据系统上。比如很多航空公司使用的订票系统，其实是上世纪70年代的架构，不仅老旧，还和现代的数据平台很难兼容，要全部替换成本太高。所以，这些公司往往只能逐步试点，先把某个部门，比如供应链或航班调度，交给PLTR试试看。如果效果好、效率真的提升了，再慢慢扩展到其他业务。这点我们从PLTR提供的一些数据上，就能佐证。比如， PLTR在2024 年，前20大客户的平均收入，已经提升到6460万美元，同比增长了18%。这说明，客户不是一次下单就结束，而是越用越深入、订单越来越大。
其次，也是数据迁移和隐私合规的难题，这也是大公司的通病。比如航空公司涉及的飞行数据非常敏感，还要满足监管机构的认证要求。很多时候，公司只能在数据脱敏之后，才敢把数据交给像PLTR这样的外部平台。这就进一步增加了使用难度和使用成本。
最后，一些传统行业的大公司，比如Costco或Walmart这种大型零售公司，本身就已经把自己的运营系统，打磨得非常成熟了。他们的供应链和后台系统高效、稳定、又便宜。对这类公司来说，用PLTR的平台，提升效率的效果可能有限，所以吸引力就没那么大。
所以你看，传统大公司跟PLTR合作的难点有很多，包括原有系统沉没成本高，数据迁移复杂且合规要求严格，以及大型企业本身就具备的，高效调度能力。不过好在，这部分并非毫无机会，PLTR仍有一定的渗透。我们也看到，一旦试点效果好，这类客户往往会逐步扩大合作，这会给PLTR未来的增长带来一定的保证。
最后一部分是中小型的传统公司。事实上，这些公司才是PLTR最为主要的用户，他们是最愿意用PLTR技术的公司。一方面，这些公司往往自己没有什么好的数据系统，科技人才也比较稀缺，甚至可能都完全没有尝试过，去用AI去提高运营效率。对于这样的公司，由于他们的基础比较薄弱，改进空间大，只要他们愿意去尝试用PLTR，很容易出立竿见影的效果。另一方面，这些传统公司很多都是重资产行业，就比如前不久AIPCon上的加油站连锁公司，或者像是医院，制造业，能源这些公司。一旦涉及到重资产，往往就意味着运营的成本很高，包括人力成本也会很高，通过AI去提高运营效率的空间也很大。也因此，从目前AIPCon的用户上看，绝大部分就是这些中小型的传统公司。当然了，这样的公司也有自己的问题，比如很多小公司的预算也不够，对于动辄上百万的系统，还是会犹豫再三。但整体来看，这类客户的占比率还是最高的。
总的来说，通过对四类潜在客户类别的分析中可以看到，四类公司中，真正需要用PLTR的公司，就是一些中小型体量的传统企业。而且最好是那些，数据多、系统杂，运营成本高，且重资产的企业。也因此，像是什么制造业，零售，能源，医院，工业，航空公司，这些都是最典型PLTR的客户。关键是，你还得有钱能请得起PLTR，毕竟他的系统一套就上百万。说实在的，这类客户本身的数量并没有想象中那么多，这也正好解释了，为什么PLTR的客户数量还没有爆发式增长，因为真正适配它的，是一批有刚需但门槛也高的企业。
那这一切对于我们投资者来说都意味着什么呢？一方面，它确实意味着公司的增长是有天花板的，并非像一些人想的那样，所有公司都会变成PLTR的客户。另一方面，也意味着PLTR要想获得持续的增长，就需要通过改进技术或者产品，来在扩展用户群体上持续发力。具体怎么实现，我会在最后总结的时候一并提到，但在这此之前，我想和大家进一步聊一个大家都很关心的问题：我们确实看到，公司有非常稳固的护城河，加上AI应用这个概念，让市场愿意给了他这么一个高估值。但问题是，我们现在已经知道了公司的增长其实是有天花板的，那在这个阶段，又有着这么高的估值，我们该怎么判断，它是否值得继续投资呢？
为了回答这个问题，我想抛出一个可能有点“反常识”的观点：我觉得，PLTR这家公司很像是一家创新药公司。是的，PLTR和创新药八杆子打不着关系，但他们俩在投资上的底层逻辑，其实非常相似。
我们先来看看一家创新药公司的股价，通常是怎么走的。其实它大致可以分成三个阶段：
第一是新药还在研发的阶段，这通常要经历5到8年的时间。这个阶段研发投入特别大，但药还没开始卖，公司财务上基本都是持续亏损。不过，只要临床试验进展顺利，都会让市场对它的未来更有信心，股价也就跟着上涨。这个阶段的涨幅往往是最大的，有时候甚至能涨8到10倍。但与此同时，这个阶段的风险也最大。因为只要某一项临床试验的数据不好，整个研发项目可能就会被迫中止，药也做不出来，而之前的投入基本就打水漂，股价也可能会大幅下跌，甚至有破产风险。
第二阶段是新药正式上市销售之后。这个阶段，药已经做出来，开始赚钱了，它的股价表现，主要就取决于销售情况。如果药卖得好股价就会涨。如果还能不断扩展新的适应症，也就是说，这个药能治疗的病越来越多，那市场就会认为它的商业潜力更大，给出更高的估值。这个阶段的股价一般还能再涨5倍左右。虽然涨幅不如研发阶段那么惊人，但毕竟确定性更高，是最好的投资时机。
不过，这种好日子不会一直持续，一旦进入第三阶段，创新药专利临近到期的时候，天花板就盖上来了。这个时候，其他药企可以开始仿制这个药，原研药失去了独家地位，市场竞争加剧，销量也会逐步下滑。另一方面，最初的增长也已经过去，后续的市场变得成熟，即便没有竞争，增长也会慢慢放缓。因此，随着潜在的竞争加剧和收入减少，市场对它的预期也会下降，高估值会缩水，股价也会随之回落。
而PLTR这段经历，就很像一家创新药公司。在过去十多年里，PLTR一直专注技术研发，投入巨大，但商业上迟迟没有爆款产品落地。这就像新药公司早期从实验室走向突破前的过程，这个时间，风险高、周期长、烧钱多，但一旦试验阶段有突破，市场就会提前反映它未来的潜力。
在23年刚刚引入生成式AI和AIP的时候，PLTR就像是药企到了产品上市的阶段。政府之外的客户开始接受它的平台，就像是一款很有潜力的创新药。虽然应用范围还比较有限，主要集中在政府和部分传统行业，这就像新药刚获批时，只针对一个小的适应症人群，市场不大，但关键是疗效已经被验证，扩展是可行的。
而现在的PLTR，还是属于处于第二阶段初期的创新药，也就是销售刚刚开始的时候。虽然市场给予了非常离谱的高估值，但是其实也不用太担心，这种高估值在创新药行业里其实也挺常见的。PLTR现在拥有成熟的商业模式，也几乎没有直接竞争对手，我们真正该关注的，不是估值的高低，而是PLTR到底能不能进一步突破它未来的这个增长天花板。一旦它有能力突破这个天花板，突破现有用户规模的限制，把技术卖给更多类型的客户，那么未来的增长动能的持续性就会进一步增加。这就像是创新药能突破适应症人群一样，比如之前减肥药刚出来的时候，股价就涨了一波，后来又发现，这个药还能对心血管病和老年痴呆都有一定的帮助，那整个适应症人群就变大很多了，大幅提升了增长天花板，股价因此又涨了一波。而PLTR，其实也是这么一个道理。
那未来，PLTR可以通过什么方式来突破它当前的客户限制呢？在我看来，有以下两个潜在的来源：
第一，把自己的技术能力，从原来的降本增效，进一步提升到为客户提供新增长引擎。这会吸引到那些有财力有资源，但降本增效需求没那么高的行业。比如金融，这种付费能力强、数据密集的领域。一旦成功进入，将显著提升PLTR的客户层级与行业影响力。另外，这个改变也会让现有的客户持续扩大合作。
第二，则是通过技术进步来降低使用门槛，减少产品部署的复杂度。比如通过推出更轻量级，乃至标准化的产品，在降低使用门槛的同时，还能提供一些相对便宜的、中小企业也能支付得起的服务。如果这点能做到，那么PLTR必然会对扩大用户群非常有帮助。
在我看来，这两点都会是让PLTR的长期增长进一步延续，天花板提高的潜在方向。而如果我们看到有一些端倪出现，那么PLTR的投资价值就能进一步提升。
可我们怎么才能知道，PLTR有这个端倪呢？对于散户来说，其实是有难度的，毕竟我们没有机会用PLTR的服务。不过我认为，还是有两个方法可以参考。首先是看现有客户的合约增长，这个数据我们可以直接从财报中看到，如果同样的客户在不断提高合约价值，那大概率说明公司提供的服务在不断地扩展当中。然后，在我看来更好的方法，就是去看每半年一次的AIPCon大会。这里有着最前沿的案例，我们可以从这些案例中观察，公司的客户是不是来自更多的行业，更加多样化了？是否有一些不太典型的客户类型加入，比如中小科技公司？ PLTR的服务是否有从从提升效率延伸到驱动增长？这些都会是非常好的一手资料。
当然了，这些用户和服务的扩张不会平白无故地出现，而是需要PLTR对自己的技术进行持续的迭代，包括把平台做得更加标准化、轻量化，服务更多样化等。所以归根到底，还是要看PLTR能否进一步对他们现有的技术再进化，而不是满足于当前的现状。只要管理层对于这一点还有追求，技术还在进步，公司还在不断投入，那么我认为，PLTR未来的增长必然能给市场带来持续的惊喜，他的股价就还有足够的上涨空间
但退一步说，就算不考虑新行业和新客户的拓展，仅靠现有客户价值的深度挖掘，PLTR在未来3-5年保持30%的增速，问题也不大。但公司的天花板毕竟是会看到的，如果再过个一两年，它的技术平台没有进步，客户结构依然没有出现实质扩展，那我们就需要重新审视它的长期成长性了。毕竟，估值反映不光是未来一两年的增长曲线，还有未来十年的想象力。技术型公司的天花板，往往不是增长放缓本身，而是技术停滞和应用场景的边界被证实。
所以总的来看，如果说PLTR维持现状，那么底线是，他是一家处于创新药第二阶段的公司。它还有个3-5年的增长可以吃，但天花板明显，增长迟早会触顶，股价注定无法维持。不过股价在边界被验证之前，还会保有不错的增长，高估值也能够维持。这种情况下，PLTR并不能算做是一笔好的长期投资，不过是个阶段性的Play，需要在边界被验证时及时离场。
但如果PLTR的技术能够持续进化，那么这家公司有望突破天花板，成为下一家科技巨头。那么他的成长性就是可持续的了，不仅有着足够的上涨潜力，时间维度上也会更长。这便能够成为一家名副其实的长期投资了。现在，我们清楚了公司的上限和下限，并且也有了判断标准，相信各位看官对于PLTR这家公司的投资也会更加安心了。
绝对跟踪-为你持续追踪PLTR基本面变化
绝对跟踪-PLTR
Palantir Technologies Inc.
$147.47
0.98 (+0.67%)
昨收
$146.49
最低价
$140
PE Ratio
604.73
今开
$143.49
最高价
$148.1
52周范围
$66.12-$207.52
财报解读
6 视频
业务调研
2 视频
热点解析
3 视频
异动分析
24
估值
1
问答
253
交易
13
本体论
军工基因
AIP
为你推荐
