- Palantir 发布 9 条 AI 主权声明，核心论点：数据和模型权重交给第三方 = 交出未来竞争力
- 数据主权、权重控制、实绩导向三条判断在国防和金融等敏感领域是常识性正确的
- 但 Palantir 自身的封闭平台也存在相同的「锁定」问题——按它的主权定义，自己也不及格
- 更深层的问题是：闭源模型的价值飞轮不只是用你的数据训练，而是从每次交互中持续提取「行为信号」来驱动自我改进
- 真正的 AI 主权不是「买谁的平台」，而是你有不在任何人生态里做核心决策的自由
7月1日，Palantir 发布了一份题为《Our thoughts on the importance of AI sovereignty》的立场声明。全文 9 条，从数据主权到权重控制到 token 定价的批判，逻辑连贯、语气强硬。
声明发布后，各方的反应几乎可以预测：认可者认为它指出了一个正在发生的结构性风险——核心业务数据和模型权重不应该脱离控制；批评者指出 Palantir 本身就是一个卖主权解决方案的封闭平台，它的建议和它的商业模式分不开。
这两种看法都对，但都不够深。真正值得追问的是一组更尖锐的问题：闭源模型的主权问题，到底出在数据归属，还是出在交互过程的控制权？模型掌握了用户数据后是否获得了结构性的不对称权力？这种先进性的螺旋式上升是否已经不可逆？
Palantir 的九条，逐条看
第 1、2、4 条——主权、数据、权重。 这是全文最结实的部分。把核心数据喂给第三方模型供应商，供应商不一定会直接用你的数据训练模型，但它一定从你的使用模式中获取信息：什么 prompt 结构最管用、什么 workflow 被反复执行、什么场景下模型会失败。这些元数据本身就是竞争情报。权重更是机构长期经验的形式化沉淀——交给别人控制，等于让自己的天花板由别人定义。
第 3 条——Tokenmaxxing。 Palantir 说高 token 用量不等于高价值产出，这个判断在现象层面是对的。一个消耗了 10 万 token、跑了 40 轮对话、最终 collapse 的 agent demo，和一个 50 行经过测试的生产代码 cron job——前者 token 消耗高两个数量级，后者才是交付价值。"disposable scripts over robust software"切中了当前 AI 应用市场的核心病态：大量团队把「消耗了多少 token」当成进度指标。但 Palantir 的批评背后也有明确的商业动机：它不卖 token，卖的是平台授权。更准确的判断标准不是 token 消耗的多少，而是这些 token 最终是否沉淀为可复用的工程制品——经过验证的 prompt template、可回归测试的 pipeline、有版本控制的 system prompt 库。如果 token 消耗能产出这些，它就不是 disposable 的。
第 5 条——主权和 alpha 不矛盾。 这是一句正确的空话。理想状态中当然不矛盾，但现实中追求极致主权需要巨大的前期投入（GPU 集群、MLOps 团队、推理优化工程师）和生态优势的牺牲。对多数机构来说，这是一个真实的 trade-off，不是一个可以「两全其美」的选项。
第 6 到 9 条——去政治化与实绩导向。 「技术决策应该由最懂问题的人做，不是由最会讲故事的人做」——这句话在任何领域都成立。但 Palantir 本身高度绑定美国国防和情报体系的现实，让「不要政治化」的立场自带矛盾。「AI 主权」这个议题本身就是地缘政治的产物——各国限制芯片出口、大模型许可证的地域歧视、数据跨境合规——这些全是政治决策。Palantir 的真实意思是「不要为了政治正确选技术方案，要为了实际效果选」，但把这句话包装成「政治化是坏事」，弱化了自己作为地缘政治受益者的位置。
过程数据才是真正的宝藏
讨论到这里，大多数分析会停留在「Palantir 有屁股但说得有道理」这个结论。但如果只看到这层，就错过了整个议题中最关键的问题：
闭源模型的真正壁垒不是算法，不是你上传的静态数据，而是你在使用过程中持续产生的行为信号。
Palantir 说"数据留存是你的宝藏"——这个判断方向对了，但颗粒度不够。需要区分两种完全不同的数据：
结果数据： 你上传的文档、你拿到的分析报告、你保存的最终输出。这些是一次性资产，价值有限——被盗了就结束了。
过程数据： 你从第一版 prompt 到第五版 prompt 的修改轨迹，你对模型输出的接受/拒绝/修正模式，你在多轮对话中暴露的思维盲区和决策习惯。这些才是真正的宝藏。
一份财报是数据，但一个分析师反复修改 prompt 直到得到满意分析的全过程，是「人类如何思考这类问题」的高清录像。后者的价值远超前者。具体来说，过程数据揭示了：
- 用户真正想解决什么问题（不是他说了什么，而是他反复修正了什么）
这些过程信号的价值远高于任何静态数据集。闭源模型提供商坐拥这些过程数据，等于拿到了一张"人类认知模式"的高清地图。
螺旋上升：闭源模型的先进性不仅是研究的结果
这就引出了一个更深层的判断：闭源模型的先进性，本质上是掌握了用户行为数据后的螺旋式上升——而不仅仅是其研究团队的成果。
很多人把 GPT-4/Claude 的能力归因于算力、数据量、团队规模。这些都是因素，但不是飞轮的核心。核心是这个闭环： - 更多用户 → 更多交互过程数据（偏好信号、纠正轨迹、失败模式）
- 更多过程数据 → 更精准的 RLHF/DPO 对齐训练
这个循环一旦启动，后来者面对的就不是"技术差距"——架构可以复现——而是数据-能力的复合壁垒。你能复刻 Transformer 架构，但你复刻不了数十亿次真实对话中人类的偏好分布。
换句话说：用户在使用过程中的每一次修正、每一次重试、每一次"换个说法再问一遍"，都在免费为这个飞轮提供燃料。用户不只是消费者，也是无偿的研究员和标注员。而这个闭环的收益始终归平台方——用户既拿不到自己贡献的标注数据，也分不到模型改进的回报。
模型掌握数据后的结构性权力
当这个飞轮转起来之后，模型提供商获得的不仅是"竞争优势"，而是结构性的不对称权力：
- 模型提供商可以单方面决定哪些行为模式被强化、哪些被抑制——用户没有参与权
- 可以从用户行为中提取 pattern，反向用于其他产品线（搜索、广告、企业服务、agent 编排）
- 可以根据用户群体的行为数据定向优化 retention 而非 utility——让你"爽"而非让你"对"
- 可以在用户无感知的情况下调整模型行为边界——你的工作流依赖突然失效，但你没有追溯权
这本质上和社交媒体的逻辑一样：平台掌握了用户的行为图谱后，优化目标就不再需要和用户利益对齐。 区别在于，社交媒体影响的是注意力分配，而 AI 模型影响的是认知和决策。后者的权力更大，也更隐蔽。
这不是理论推演——看看 GitHub Copilot 从代码补全到 agent 模式的进化，以及围绕它构建的 VS Code + Copilot + Azure 生态。每次用户接受或拒绝补全，都在为模型提供隐式标注。每一次交互，都在浇灌护城河。你选择使用一个闭源模型，不仅仅是决定了一个工具——也是在持续为其训练信号库做增量贡献，同时让自己逐渐形成平台依赖性（prompt 风格、few-shot 示例、工作流模板），这些积累在切换模型时全部贬值。 在讨论主权时，DeepSeek 的存在提供了一个有价值的参照系。
作为反例： DeepSeek 用相对有限的资源做出了前沿模型，靠的是算法创新（MoE 架构、MLA 注意力机制）而不是垄断私有数据。这说明 Palantir 的框架过度强调了数据端——算法主权同样是关键杠杆，在预训练阶段甚至更关键。主权的差异化资产不只是数据，还包括架构、训练方法论和评估体系。
作为注脚： DeepSeek 选择开放权重（MIT 许可），恰恰印证了 Palantir 第四条的逻辑——只不过方向相反。DeepSeek 判断自己的 alpha 不在权重本身，而在持续产出下一代权重的能力。公开权重是低成本获取生态位和用户反馈的手段。但对于下游使用 DeepSeek 的企业来说，Palantir 的警告依然成立：你 fine-tune 出来的权重、你积累的对齐数据、你的 evaluation pipeline——这些才是你的护城河，交出去就没了。
所以更精确的表述不是"数据即杠杆"或"权重即命运"，而是：你的差异化资产是杠杆，不管它是数据、权重、算法还是评估方法论。 Palantir 只强调了数据和权重，漏掉了算法创新和过程能力。
Palantir 自己在主权问题上不及格
回到 Palantir 的声明。按上面的标准检验它的方案：
Palantir 说数据不能交给第三方——但 Foundry/Gotham 平台本身就在处理客户的数据。你的数据放在 Palantir 基础设施上（即使是私有 VPC），与放在 AWS 上跑 Claude API 有本质差异吗？
按一个严格的主权定义——你能在没有供应商许可的情况下独立迭代和迁移——Palantir 的封闭平台显然过不了自己设的标准。Palantir 看得到你的工作流模式：怎么搭 pipeline、哪些分析频繁调用、什么组合产生了实际决策。在「行为信号地租」这个维度，它和 OpenAI/Anthropic 的 API 模型没有本质区别。
这不是说 Palantir 的方案比闭源 API 更差——在某些场景下，私有 VPC 部署确实比公有 API 降低了数据泄露风险。但它不是一个主权问题的终极答案。
全文最大的遗漏：可解释性与审计性
Palantir 9 条声明没有一个字提到"可解释性"和"审计性"。但对国防和金融客户来说，主权不只是"数据不出去"——还包括"我能解释模型为什么做了这个决策"和"出事后我能追溯到具体的训练数据和推理路径"。
这才是自持权重的真正不可替代价值：不是怕别人偷你的 alpha，而是你需要对决策负责时，必须能打开黑箱。一个军事系统做出了目标识别判断，你需要能审计它为什么这么判断；一个金融模型拒绝了贷款申请，你需要能向监管方解释原因。
这一点比"竞争优势"的叙事更有说服力——它关乎责任而非利润。Palantir 选择不展开，可能是因为可解释性在当前技术水平下仍然是半解决状态，说多了反而暴露短板。
真正的 AI 主权：三层框架
如果把 Palantir 的洞察保留、商业包装剥离、遗漏补上，真正的 AI 主权框架应该包含三层：
第一层：数据主权。 你产生的数据——尤其是交互过程中的行为数据和过程痕迹——不被任何第三方用于其模型改进。这是底线。注意：这里的"数据"不只是你上传的文档，更包括你的 prompt 迭代轨迹、偏好信号和失败模式。
第二层：能力主权。 你有能力在不依赖任何单一供应商的情况下完成核心业务。这不要求你自建一切，但要求你随时能切换——你的 pipeline、评估体系和数据资产不被锁死在某个平台的 API 格式或工作流模板里。
第三层：认知主权。 你的团队理解自己在用的技术栈——知道模型的能力边界、知道什么时候模型在胡说、知道什么时候该回退到人类判断。这是最容易被忽视、也最难购买的一层。任何平台都卖不了认知主权，它只能来自你自己团队的工程实践和批判性思维。
那应该怎么办
对大多数中小企业来说，Palantir 的警告是过度的。它们没有足够的数据护城河值得自建全套 AI 基础设施，用好通用 API 是更务实的选择。主权问题对它们来说是一个「到时候再说」的远期风险——它们并没有"tribal knowledge"值得用自研权重去保护。
但对于国防、情报、大型金融机构、主权基金——以及数据本身就是核心产品的公司——主权不是一个可选项，而是生存条件。对这些机构来说，可行的路径是：
- 用 Apache-2.0 / MIT 许可的开放权重模型（Llama、Qwen、DeepSeek、Mistral 等）
- 跑在自己的基础设施上（自建 GPU 集群或 VPC 部署）
- 用开源工具栈管理推理和微调（vLLM、Axolotl、Unsloth、llama.cpp）
- 建立自己的评测和数据反馈回路，把交互信号回收为模型改进的燃料
- 确保端到端可审计——模型决策可解释、推理路径可追溯
这并不便宜，也不容易。这里有一个实际瓶颈值得正视：能跑通全链路的团队在市场上极度稀缺。Palantir 的真正卖点其实不是"我的平台比开源好"，而是"我帮你把开源栈产品化，你不需要养 20 个 MLOps 工程师"——这是 Red Hat 模式：开源是免费的，但让它在生产环境跑稳不是。
但即便如此，路径的核心价值不是省钱，而是保留了选择的自由——你不在任何人的生态里做核心决策。未来如果模型能力出现跃迁，你可以在新的开放权重上重新部署，你的数据管道、调试经验和评估体系都可迁移。你产生的行为信号和过程数据，始终属于你自己。
结语
Palantir 的九条声明，有真实的洞察（数据主权、tokenmaxxing 幻觉、weights 的价值），也有服务于商业模式的包装（二元叙事、成本缺位、隐含的封闭结论）。
但它漏掉了整个讨论中最关键的一层：闭源模型的先进性不仅仅是研究能力的结果——它是掌握了用户行为数据后的螺旋式上升。过程数据比结果数据更有价值，行为信号比静态文档更危险。模型提供商掌握了这些之后，获得的是结构性的不对称权力——它可以单方面决定优化方向，而用户没有参与权。
Palantir 说"控制你的权重就是控制你的命运"。更准确的表述是：控制你产生的交互数据、偏好信号和过程痕迹不被第三方用来训练下一代模型，才是真正的主权。 权重是静态快照，行为数据是动态燃料。只谈权重不谈数据流向，是在修城墙但敞开水源。
真正的 AI 主权不是一个买什么平台的问题——它是你有没有能力，在任何时刻，不在别人的生态里做任何核心决策。 包括不在 Palantir 的生态里。
AI 速览
