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。

以下为本次访谈实录，在不改变原意基础上略有修改。

01

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。

02

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。

03 

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。

04 

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。

05 

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。

06 

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。

注：点击左下角" 阅读原文 "，查看更多洞察内容。

近期厂商征集

Agent 平台及应用项目征集

点击申报

截止时间：9 月 15 日

Token 工厂竞争力榜单征集

点击申报

截止时间：9 月 20 日

本体市场研究项目征集

点击申报

截至时间：9 月 30 日

AI 数据服务市场研究项目征集

点击申报

截至时间：9 月 30 日