如果把 " 中国版 Palantir" 理解为能够把企业数据接进真实决策的公司 , 第四范式、深演智能和中控技术分别提供了三个观察样本。第四范式从行业模型的开发、部署和管理切入 , 深演智能把企业决策 AI 智能体放进产品创新、营销和用户运营 , 中控技术则把数据分析和决策接到流程工业的生产控制。三家公司回答的是同一个问题。软件怎样理解业务现场 , 又怎样让分析结果进入下一步工作 ?

Palantir 把数据和动作放在同一套业务模型里

Palantir 的 Foundry 平台用 Ontology ( 本体 ) 把系统中的数据映射为业务团队熟悉的对象。以库存管理为例 , 仓库、商品和供应商可以各自成为可识别的对象 , 彼此通过业务关系连接。这样 , 使用者可以从某地缺货追到在途订单 , 也可以从一批货追到对应仓库。平台还可以定义调拨等操作。业务人员或应用在符合相应条件时提交动作 , 系统更新相关对象 , 并保留执行记录。

AIP 把 AI 接入这样的业务环境。一个助手能读取什么数据、能否提交操作、提交前是否需要人员确认 , 可以成为具体的系统设置。Palantir 同时把 FDE ( 前置部署工程 ) 作为平台开发方法。工程师贴近客户现场 , 将一线发现的共性需求反馈给核心产品团队。相比销售演示里展示一项能力 , 这种做法把上线后遇到的例外、授权和反馈机制纳入软件的迭代过程。

金融风控需要把模型放进交易流程

第四范式与这一思路的交集 , 首先在于企业怎样开发、部署和管理决策模型。以其招股书披露的一家银行为例 , 双方基于先知平台使用历史交易和当前交易等数据 , 开发欺诈检测模型 , 并在平台中部署和管理应用。交易风控团队每天处理的是持续发生的判断 , 模型的运行和维护因此与模型训练同样重要。

这一案例的比较价值在于行业模型如何成为一项可持续运转的企业能力。一家机构可能先做反欺诈 , 随后还要开发其他风控应用。平台可以复用模型开发、部署和运维环节 , 各项任务仍需使用适用的数据、规则与评价标准。模型被部署到哪个决策节点 , 比平台上能放多少模型更能解释其业务作用。

消费者经营需要把判断接到部门工作流

深演智能与 Palantir 的交集集中在营销、销售和客户运营等经营决策。DeepAgent 4.0 Pro 是统一技术与产品平台 , 为智能体软件与智能体服务提供能力底座。其上承载消费者洞察、新品创新、广告投放、导购和用户运营等应用。客户可以在同一平台内围绕不同工作使用相应产品 , 将企业已有的消费者反馈、商品和用户数据带入具体判断。

例如 , 消费品牌可以用既有客户数据划分需要跟进的人群 , 再让不同渠道按各自的触达规则执行 , 并将后续互动与转化结果带回用户运营。若产品团队也需要使用这些反馈 , 就要先统一商品、客群和渠道的定义。深演智能在 2026 年中期报告中披露了 AI 产品经理与 FDE 协作的交付方式 , 目标是把现场问题转化为可复用的决策 AI 能力。现场经验能沉淀成怎样的产品功能、同类任务能否在下一个项目更快上线 , 是观察这一模式的两个具体问题。

工厂把决策软件接到了装置上

中控技术走的是流程工业路径。它以时间序列大模型 TPT 分析工艺、设备和质量数据 , 并以通用控制系统 UCS 连接生产现场。以其公布的万华化学宁波氯碱基地项目为例 ,TPT 用于异常预警和运行优化。在废液中和环节 , 系统利用历史数据和实时工况分析酸碱度变化 , 并用于控制调节。这里的一次判断面对的是连续变化的装置状态 , 前一次操作也会改变下一次判断的输入。

这类决策的约束来自物理生产过程。参数调整之前 , 系统需要知道哪些状态允许操作、工艺边界在哪里。调整之后 , 还要从连续运行数据里判断装置是否回到预期状态。中控技术可比之处在于 , 数据、运行判断和现场动作处于同一生产体系。它的平台能力需要用装置与工艺来理解 , 正如企业经营软件需要用商品、渠道与客户来理解。

三条路径也有各自的扩展难题。风控模型换一家机构 , 需要面对不同的历史数据和业务规则。用户运营迁到新渠道 , 客群定义可以复用 , 触达权限和反馈指标可能需要重设。工业模型搬到另一套装置 , 还要处理设备差异和工艺约束。观察 " 中国版 Palantir" 的下一步 , 可以从一次项目上线往后多看一程。到了第二个现场 , 哪些工作能直接沿用 , 哪些工作还得从头完成 ?