AIP系统

定义

AIP系统是 Palantir Technologies 开发的人工智能平台,AIP 即 Artificial Intelligence Platform 的缩写,中文可译为人工智能平台。按照官方文档的说明,它的作用是把人工智能与组织的数据和运营流程连接起来,推动业务流程自动化,工具面向从开发人员到一线业务人员的不同角色。^[1]

AIP 与 Palantir 的数据运营平台 Foundry、软件部署管控平台 Apollo 共同组成一套被该公司称为操作系统的产品组合,可支撑由大语言模型驱动的网页应用、使用视觉语言模型的移动应用以及嵌入本地化 AI 的边缘应用。^[1] 它与仅提供问答功能的对话工具不同,重点在于让模型读取企业数据、给出行动建议并触发受控的业务操作。

原理

AIP 的推理建立在 Foundry 的本体(Ontology)之上。本体把订单、设备、供应商、工单、库存、客户、员工、资产等业务对象,连同对象之间的关系、权限和可执行动作组织成一套结构化模型;AIP 在这套模型和权限体系之上调用大模型,使推理结果锚定在经治理的业务数据上,而不是开放互联网上的无边界信息。^[3]

平台提供 AIP Logic、AIP Chatbot Studio(原 AIP Agent Studio)和 AIP Evals 等构建工具,用于在本体和开发者工具链之上开发可投产的 AI 工作流、智能体与函数。^[1] 其中的函数可以配置三类工具:读取本体对象及其属性的数据工具、执行 Foundry 函数的逻辑工具,以及回写本体并触发已批准动作的动作工具。函数不能执行任意写入,只能调用本体中明确定义并获准的动作。^[4]

在模型接入层面,平台通过统一的模型网关收拢不同厂商模型与自托管模型的调用入口,使上层组件只面对同一套接口,从而在模型更换、配额计量和租户隔离上由平台统一控制。^[5] 整体运行可概括为检索、推理、行动的循环,并配合人工确认与审计记录:模型提出建议,操作者批准后结果写回原始业务系统,相关决策留下可追溯记录。

发展历程

AIP 于 2023 年推出。Palantir 在 2023 年 5 月 26 日的公告中宣布首次举办 AIPCon 客户会议,会议于同年 6 月 1 日线上直播,首席技术官 Shyam Sankar 在会上介绍了 AIP 的新版本以及在 Foundry 中应用 AI 的情况。^[6]

到 2023 年 9 月,该公司称 AIP 推出不足 6 个月,已有 100 多家组织在能源、金融、酒店和医疗等行业使用;9 月 14 日举行的 AIPCon 有 30 多家机构展示应用。^[2] 同年晚些时候,Palantir 推出面向客户的 AIP Bootcamp 加速项目,帮助客户在数小时至数天内从零搭建用例;此后一段时间内,该公司称已在全球完成近 850 场此类训练营。

产品功能此后持续扩充。Palantir 在 AIPCon 上宣布 AIP Virtual Tables 正式可用,该能力让企业直接连接既有数据平台中的数据集,无需复制或搬运数据即可在本体和 AIP 中使用,并可对接 BigQuery、Snowflake、AWS S3、Azure Blob Storage 等数据源。

应用

在能源行业,bp 与 Palantir 于 2024 年签订企业协议,把 AIP 引入其油气生产业务。此前十年间,Palantir 软件已用于 bp 在北海、墨西哥湾的海上平台以及阿曼的天然气田,并把资产动态模型与 200 多万个传感器的实时数据整合为统一的运营视图;AIP 在此基础上协助员工调用大语言模型,依据自动化分析给出行动建议。

在制造与供应链领域,有案例显示跨国电源管理企业用 AIP 识别、排序并应对物料短缺,借助模型梳理以往短缺事件中的记录与处置措施来提出物料建议;美国一家大型医疗机构的护士排班也借助 AIP 的自动排班功能生成班表,并在人员或患者需求变化时提出调整方案;一家大型铁路公司的调度人员则通过自然语言与复杂的路径规划和预测模型交互。

食品企业通用磨坊(General Mills)在 AIPCon 上介绍了基于 AIP 构建智能执行系统、用于供应链自动化的实践;同期公布的新客户还包括莱纳(Lennar)、劳氏(Lowe's)等。 在国内市场,有研究机构指出,企业 AI 的下一步需求集中在把分析结论转化为业务动作的行动层,这也被视为 AIP 这类产品受到关注的原因。^[3]

局限

AIP 的可靠性在很大程度上取决于本体的建模质量和数据的新鲜程度。若本体中的事实滞后或缺失,模型的输出虽然会锚定在企业数据上,仍可能形成有据可查却已过时的结论。^[7] Palantir 自身也说明,即便相关信息曾出现在模型训练数据中,模型仍可能给出错误回答,因此把模型锚定在本体上是必要而非可选的措施。

大语言模型擅长生成文本,却不擅长精确计算、地理距离推算和仿真等任务,这类环节需要移交给确定性函数或专用模型处理,否则仍会出现错误。 此外,平台对模型动作空间的约束解决的是动作是否符合业务模型的问题,并不等同于对建议可信度的统一评估;跨领域一致性、数据源降级时的处理等仍属于架构之外的议题,存在不同分析意见。^[8]

人工确认环节被视为兜底机制,但其有效性依赖审查质量;关于审批环节在实际运行中是否可能流于形式,已有公开讨论提出质疑,相关结论尚无一致定论。^[7] 另一项现实约束是部署与落地成本:平台需与企业既有数据底座、权限体系和业务流程深度衔接,研究机构认为这类能力难以原样复制,本土市场更可能沿数据治理、语义层和行业场景的路径演进。^[3]

参见

• 本体(计算机科学) —— AIP 的推理与行动以本体中的业务对象、关系和动作为基础。

• 大语言模型 —— AIP 接入并在受控范围内调用的核心模型类型。

• 检索增强生成 —— 通过外部知识约束模型输出的技术路线,与 AIP 的本体锚定思路相关。

• 人在回路 —— AIP 要求关键操作由人工确认的设计原则。

• 智能体 —— AIP 用于拆解任务、调用工具并触发流程的软件形态。