年中的 5 个关键观察。

作者 : Shirley

编辑 : Koji

‍ 排版 : NCon

你有没有想过，企业砸大钱用 AI，最后养肥的，可能是自己的对手？

本周，Palantir 创始人兼 CEO Alex Karp 在 CNBC [ 1 ]   的一场专访里爆发，他把矛头直接对准 OpenAI、Anthropic 这些大模型公司，直言整个行业简直荒唐透顶。

用他的话说，自己只是替全美的 CEO，把他们私下憋着的怒火说了出来。

紧接着，播客「All-In」在节目《AI Sovereignty Wars, Palantir-Nvidia Deal, SCOTUS Birthright Ruling, Newsom ’ s CA Budget Lie [ 2 ] 》中继续讨论 AI 主权、Palantir 与英伟达的合作，以及企业是否应把关键能力交给少数大模型平台。

与此同时，SemiAnalysis 创始人 Dylan Patel 也做客红杉资本播客 [ 3 ] ，从算力供给、NeoCloud、GPU 分配和模型公司商业模式的角度，拆解 AI 基础设施格局正在如何重组。

这三场对话放在一起看，是在 2026 年中这个关键时间点上的一个重要变化：

AI 巨头们的竞争，正在从 " 谁的模型更强 "，转向 " 谁掌握数据、算力、部署和业务流程的控制权 "。

今天，「十字路口」将这三期精彩内容进行提炼，整理出当下的五个关键观察——当 AI 的竞争从模型性能走向系统控制，企业、云厂商、芯片公司和应用平台，分别在争夺什么。

观察一：Karp 的怒火，真正指向 " 控制权焦虑 "

接 OpenAI 和 Anthropic 的 API，你每调用一次，就把自己的专有数据喂给了对方的模型；钱没少花，喂肥的却是那个哪天可能反过来抢你生意的巨头 ——它们就是蹲守在你门口的野蛮人。Karp 把这叫 " 花钱培养对手 "，企业等于沦为大模型的 " 免费陪练 "。

真正的护城河，是 " 拥有 "，不是 " 租用 "。未来的胜负手，不在谁的模型更强，而在谁攥着模型的权重和数据。一旦把这些 " 生产资料 " 交给第三方，你的独门优势就等于拱手让人。

把国家安全外包给硅谷太危险。军方、情报这些国之命脉，若全押在几家硅谷公司的 " 共识 " 上，等于把国防底线交到别人的商业利益手里。

Karp 为此几乎在节目里拍了桌子：

Are we really going to outsource the battlefield of this country to the consensus view in Silicon Valley? That is effing insane. 我们真的要把这个国家的战场，外包给硅谷的共识吗？这简直是疯了。

Karp 句句切中要害，但他是利益相关方。他的骂声越响，往往意味着他手里的替代方案越急于出手。

就在这场访谈前几天，6 月 29 日，英伟达官宣携手 Palantir 推出一套名为「主权 AI 操作系统」的方案。该方案将开源模型 Nemotron 整合进 Palantir 系统，并由英伟达底层架构加速。最关键的是，客户可在自己控制的环境中使用模型与权重。

于是，Karp 的愤怒在这里有了更清晰的商业语境：他批评云端大模型服务商 " 卖水 "，Palantir 则希望向客户出售一套可以自己掌控的 " 井 " ——数据留在企业内部，模型和算力部署在可控环境中，AI 最终嵌入真实的业务流程。

观察二：API 生意出现裂痕，企业开始重组 AI 架构

要理解 Karp 的判断是否成立，不能只听他的情绪，而要看企业采购与市场定价正在发生什么。

彭博 [ 4 ] 引用的 Silicon Data「LLM Token 支出指数」（LLM Token Expenditure Index）给出了明确的信号。该指数主要追踪用户对 AI Token 的边际支付意愿，如今已较 5 月高点回落近 20%。

需要注意的是，曲线回落本身并不等同于大模型需求在减退，更像是在提示，模型价格、模型使用结构，以及企业对 AI 成本的敏感度，正在发生微妙变化。

因此，Token 支出下降，可能来自多种因素的叠加：1）闭源模型之间的价格竞争；2）需求正主动向性价比更高的轻量与开源模型转移；3）买家开始重新审视 AI 项目的投入产出。

而对于企业而言，采购逻辑确实在发生转变。

过去，很多企业把大模型能力直接接入公有云 API；但随着合规要求、数据治理、本地算力提升和开源模型能力进步，正推动更多企业采用混合部署：将敏感数据、重复性任务和内部知识处理留在本地或私有环境中，把真正需要强泛化能力的复杂任务再交给云端模型。

这意味着，未来企业 AI 很可能不是 " 闭源模型取代开源模型 "，也不是 " 云端取代本地 "，而是三种路径并存：

•闭源模型 + 公有云：适合需要快速调用前沿能力的通用任务；

•开源模型 + NeoCloud：适合有规模化算力需求、但不希望完全绑定超大云厂的客户；

•开源模型 + 本地部署：适合数据敏感、合规严格或边缘环境复杂的行业。

如果把成本、合规、性能和可控性放到同一张采购表里，企业就不太可能只选择一种模型或一种部署方式。

资本市场对不同环节的定价，也开始出现分化：超大云厂需要证明庞大 AI 资本开支如何转化为回报；NeoCloud、服务器部署商和基础设施供应商，则因需求更直接而受到关注。

这不见得 " 聪明资金 " 已经证明某条技术路线胜出，但市场在提示，AI 的利润池，正在从单一模型调用费，扩展到算力、部署、运维与行业工作流。

观察三：英伟达不押路线，而是给每条路都递梯子

三种部署路径并存，对英伟达而言是一个很有利的局面。

无论企业选择闭源模型与公有云，还是选择 NeoCloud，抑或把开源模型部署到本地服务器，底层都需要高性能计算资源。模型和云服务商之间可以此消彼长，但只要 AI 计算总需求继续增长，英伟达仍处在重要的基础设施位置。

SemiAnalysis 创始人 Dylan Patel 在红杉资本的播客中，曾概括英伟达的战略处境：

He needs to point the allocation gun at NeoClouds... A world where OpenAI, Anthropic and Google models are the only models is one in which he's screwed. A world in which the hyperscalers are the only ones building compute is one he's screwed in. 他得考虑拿 GPU 配额给 NeoCloud，无所不用其极。一个只剩 OpenAI、Anthropic、谷歌三家模型的世界，黄仁勋是完蛋的；一个只剩超大云厂在建算力的世界，他也是完蛋的。

所以，它要拼命制造一个「多极世界」：扶持 NeoCloud、扶持开源模型、扶持一切能让格局分散的力量。

2025 年 12 月底，凭借极其老辣的 " 非独占技术授权 + 核心团队收编 " 模式，英伟达作价约 200 亿美元，将推理芯片强敌 Groq 的灵魂人物 Jonathan Ross 及整支核心团队请进家门，而 Ross 当年正是谷歌 TPU 的主要设计者。

原因不难猜测，当 AI 重心从训练转向推理，GPU 最容易被专用芯片啃掉的，就是这块肥肉。

而那批接住英伟达配额的 NeoCloud，能在巨头阴影下抢下市场，靠的还不只是便宜。

Dylan Patel 指出，亚马逊等传统云厂的看家本领，如 Nitro 网卡租户隔离、Graviton 自研 CPU，是为传统多租户 CPU 环境优化的。可一旦进入整机架互联、数万张卡同步并行计算的 AI 任务，这些老底子反而变成了包袱。

以 CoreWeave、Crusoe、Nebius 为代表的这批新玩家，干脆从零搭建纯粹为 AI 优化的裸机 GPU 集群，在极致性能和交付速度上抢下了窗口。它们给买不起顶级芯片、又在 AWS 排不到队的初创企业提供 " 交钥匙 " 算力；而它们每多采购一批芯片，客观上也在帮英伟达拓宽「多极世界」的版图。

于是，绕了一圈你会发现，黄仁勋早就把整张棋盘铺满了。闭源 + 公有云，算力芯片是它的；开源 +NeoCloud，集群底座是它的；开源 + 本地部署，服务器插槽里还是它的。

英伟达真正想要的，未必是哪一条路线压倒另外两条，而是要确保无论企业走向哪里，底层算力始终有自己的位置。

观察四：利润池从模型调用费，扩散到算力、调度和入口

多路径并存改变的不只是芯片采购，也迫使模型厂商、云厂商和终端入口重新定义自己的角色。

供给侧：算力也开始按租出售

一边是模型公司反手做起了卖算力的生意。

据 SemiAnalysis [ 5 ] ，Meta 光是 2026 上半年就签下 5GW 以上的云与托管算力，资本开支不减反增。它一边继续给 Superintelligence Labs 砸钱训练前沿模型，一边把富余算力当成现金流生意：把广告推荐系统的复杂度放大十倍、搭建对标 AWS Bedrock 的 Token-as-a-Service 平台对外卖模型，以及利润惊人的短租算力。

用 SemiAnalysis 那句话说，" 一切皆算力，人人都是 NeoCloud"。

更极端的例子来自 SpaceX：短周期、大规模、溢价惊人的算力短租，定价是普通 NeoCloud 五年租约的 2.6 到 4 倍，一笔和谷歌的交易折算下来，竟高达每吉瓦 480 亿美元。

可见，当算力紧缺时，「卖算力」比「卖模型」显示出更直接的变现能力。

入口侧：不单押任何一家模型厂商

而另一边，掌握用户入口的平台不愿把自己押注在单一模型厂商身上。

WWDC 2026 上，苹果发布接入定制版 Gemini 的新版 Siri：日常轻量任务在设备端的自研芯片上就地完成，只有复杂推理，才通过其私有云计算（PCC）送往云端的 Gemini。整条链路里，数据经硬件隔离与端到端加密处理，既不留存，也不对谷歌开放。

换句话说，苹果只是把模型变成系统中可替换的零部件，用户感知到的是 "Siri 变聪明了 "，而不是 " 我在用 Gemini"，品牌光环、分发入口和隐私，全攥在自己手中。

而手握全球最大云计算生态的亚马逊，则主动做起了 Token-as-a-Service 聚合生意。

Bedrock 接入十余家供应商和上百个模型变体，并通过智能提示词路由（Intelligent Prompt Routing），在模型质量、延迟与成本之间为用户自动做选择。它卖的已不只是 Token，而是 " 以更低成本获得足够好结果 " 的调度能力。

AWS 可以决定一次调用该走哪一个模型，却不替企业重画部门、数据与权限。真正难抢的，是企业如何运转本身。而这正是 Palantir 试图守住的阵地。

观察五：巨头开始下场 " 挖井 "，Palantir 的护城河被盯上

除了高举「数据主权」的大旗，Karp 更深层的顾虑，在于平台层对应用层的技术反噬。

科技播客 All-In 主持人 Jason Calacanis 曾直言不讳地指出，从微软到谷歌，再到如今的大模型新贵，科技史上「平台吞噬应用」的戏码，已上演了四十年：

There is no free pizza. There's no free beer... Nobody who went to bed with Microsoft in the 80s, Facebook in the 2000s or Sam Altman now in the 2020s did not wake up with their throat slit. 没有免费的披萨，也没有免费的啤酒…… 80 年代与微软合作、2000 年代与 Facebook 捆绑、如今与 OpenAI 结盟的独立软件商，没有一个醒来时不被割喉。

当年微软凭借 Windows 操作系统的垄断地位捆绑 Office 套件，迅速边缘化了如日中天的 Lotus 和 WordPerfect；早期的谷歌以「尽快把用户送出站」为荣，而如今随着 AI Overviews 的普及，超过 68% 的谷歌搜索已演变为「零点击搜索」（Zero-Click Searches），流量在搜索结果页便被截流。

当下大模型厂商的商业路径亦如出一辙。Anthropic 在见证 Cursor 等第三方开发者工具基于 Claude API 跑通 AI 编程场景后，迅速推出 Claude Code；而据 TechCrunch 披露，在其设计工具 Claude Design 上线前三天，Anthropic 首席产品官 Mike Krieger 就已悄悄退出 Figma 董事会。

商业世界的底层逻辑从未改变：底座平台要的从来不是单纯售卖 Token（水），而是试图通过技术渗透，掌控企业的核心业务工作流（井）。

过去二十年，全美最擅长在军工和受监管行业 " 为客户挖私有井 " 的公司，正是 Palantir。

而如今，这群以往只在云端 " 卖水 " 的硅谷巨头，也开始下场做起了 " 挖井 " 的生意。

巨头们争相扑进来，可这门生意到底有多难抢，全看 Palantir 这口「井」挖得有多深。要测量这个深度，我们先拆解 Palantir 远超普通 SaaS 软件的技术栈闭环。

技术栈架构：从数据整合到智能决策的闭环

Palantir 并不单纯出售 API 或软件订阅，而是通过深度介入客户的业务流程与 Doctrine（组织在压力下的固有响应逻辑），把分散在各部门的零散数据，转化为可视化的实体、关系与行动。

这套闭环的分工并不复杂：Foundry 面向商业客户，负责将 ERP、CRM 等孤立系统提取的数据进行清洗和自动化串联；Gotham 专为政府、军方和情报机构设计，用于在加密和网络受限环境下执行关联分析与情报推演；Ontology 再把它们映射成业务对象的数字孪生；AIP 让大模型直接读懂这张关系网、触发决策；Apollo 则负责跨云、本地与边缘环境的部署、更新和运维。

实例说明：一条航线的业务逻辑重组

以 " 一家大型跨国航空公司应对恶劣天气 " 的场景为例：

Foundry  实时汇总票务系统、机组排班与维护日志；Ontology  随即将具体的 " 波音 787"、" 机长 " 与 " 旧金山飞东京航班 " 定义为数字孪生实体。当延误发生时，大模型通过  AIP  直接读取 Ontology 中的关系网络，自动给出最优重排方案，经人工审核后，即可触发系统更改旅客行程。最终，Apollo  将该工作流一键部署至地勤平板与机场控制室。

人只在 " 审核方案 " 这一步介入，其余全由系统接管。

巨头围剿：护城河的稀释

这种深度介入的核心壁垒，不仅体现在技术架构上，更深植于组织行为之中。

Palantir 二十年来最独特的家底，就是 FDE 这支「驻场挖井队」。一旦一个组织的决策链路开始通过 Palantir 运转，系统就慢慢长成了它日常的肌肉记忆。

可就在短短几个月内，巨头们正疯狂复制这套资产模式，向应用落地端发起挑战：

5 月，OpenAI 成立专门的部署公司 [ 6 ] （OpenAI Deployment Company），并收购 AI 咨询公司 Tomoro，将其约 150 名工程师招入麾下；同月，Anthropic 联合黑石、高盛等金融巨头，组建价值约 15 亿美元的合资公司 [ 7 ] ，以帮助金融大客户满足其 AI 落地需求。

7 月，微软宣布砸下 25 亿美元组建新组织 Frontier Company [ 8 ] ，号称将派遣 6000 名 AI 专家和工程师深入客户内部，打造业界最大的 AI 落地工程组织；同时在产品端升级 Microsoft Foundry，利用 Office 365 和 Azure 的庞大生态，向企业释放替代信号。

Karp 的悖论：反对平台锁定，也依赖高迁移成本

Karp 在 CNBC 的愤怒，并非一次情绪失控，而是一个长期垄断特定赛道的玩家，在护城河遭遇全行业稀释时的应激防御。

Karp 批评硅谷平台让企业失去对数据、模型和 Alpha 的控制；但 Palantir 靠着 FDE 团队、业务本体论和长期部署能力，同样依赖深度嵌入客户系统来建立高迁移成本。

这种搬不走的系统黏性，与他痛批的「硅谷平台绑架」，本质上不过是同一场游戏换了套说辞。

不同之处在于，Palantir 试图把锁定建立在企业自身的数据、权限和工作流之上；而 Karp 所批评的模式，则是企业把关键能力交给外部模型和平台，再由平台决定规则、价格与演进方向。

两者并非非黑即白，但都在争夺同一个位置：企业 AI 的控制权。

在这场激烈的角逐中，Palantir 既是猎物，也是猎人。

最终问题，还是谁拥有那口井

AI 淘金热最初，市场把注意力放在基础模型与 GPU 上：前者提供智能，后者提供算力。

但当企业开始追问成本、合规、数据主权和实际回报，竞争的重心正在向下游移动。

模型厂商想进入工作流，云厂商想提供调度与部署，英伟达想让所有路线继续消耗算力，Palantir 则想把企业的核心决策系统留在自己的平台之内。

Karp 在 CNBC 的怒火，并不是一次单纯的情绪失控。

它更像一个信号：当标准化模型逐渐成为可替换的能力，真正稀缺的将是对数据、算力、部署和业务流程的综合控制权。

参考资料

[ 1 ] CNBC：https://youtu.be/0A3sGymV6kY?si=9GHlewNrz4fse-aS

[ 2 ] AI Sovereignty Wars, Palantir-Nvidia Deal, SCOTUS Birthright Ruling, Newsom ’ s CA Budget Lie：https://youtu.be/wgdxSCsmS-Q?si=70_K0f4a3stGvUHa

[ 3 ] 红杉资本播客：https://youtu.be/f6D_aiy8qyU?si=R7Ih3ydqFWiAnLfx

[ 4 ] 彭博：https://www.bloomberg.com/news/articles/2026-07-03/the-ai-trade-is-losing-one-of-its-key-signals-taking-stock

[ 5 ] SemiAnalysis：https://newsletter.semianalysis.com/p/meta-compute-everyone-wants-to-be

[ 6 ] OpenAI 成立专门的部署公司：https://openai.com/index/openai-launches-the-deployment-company/

[ 7 ] Anthropic 联合黑石、高盛等金融巨头，组建价值约 15 亿美元的合资公司：https://www.wsj.com/business/deals/anthropic-nears-1-5-billion-joint-venture-with-wall-street-firms-8f5448ee?mod=tech_feat1_ai_pos1

[ 8 ] 微软宣布砸下 25 亿美元组建新组织 Frontier Company：https://www.cnbc.com/2026/07/02/microsoft-commits-2point5-billion-6000-employees-ai-implementation-unit.html