当巨头卡位“模型路由”，谁来构建中国产业的认知基础设施？

时氪分享·2026年09月01日 14:08

AI产业价值转向产业认知中间层，中国已有探索样本。

近期，AI 行业两笔重磅交易把“中间层”推上风口浪尖：英伟达以 129 亿美元收购开源模型托管平台 Hugging Face，Stripe 以 75 亿美元收购模型路由服务商 Open Router。巨头以真金白银完成卡位，也把一个问题摆上台面：在“模型”与“用户”之间，AI 生态的下一个价值高地究竟在哪里？

而在 2B 产业深水区，更根本的追问是：大模型走出实验室之后，谁来承载那些错综复杂、甚至杂乱无章的行业认知与业务规则？答案指向“产业认知中间层”——模型路由解决“连接模型与用户”，产业中间层解决“让 AI 真正懂业务”，为通用大模型构建可计算、可复用、可传承的行业本体（Ontology）。

这条路上，Palantir 是绕不开的参照系。中国的产业 AI 能不能长出自己的 Palantir，是当下值得认真讨论的命题。

一、两笔交易的解读：中间层被重新定价，但价值成色不同

两笔交易指向同一个判断：模型层竞争白热化、利润被压缩，“模型”与“用户”之间的分发与适配层，正在成为巨头卡位的核心节点。

但“中间层”与“中间层”并不相同。Hugging Face 和 Open Router 代表的是面向开发者与 C 端用户的位置型中间层——价值在流量汇聚与接口标准化，本质是 AI 生态早期的“管道商”，天然带有过渡性：模型市场一旦收敛到少数超级模型，路由层的价值将大幅缩水；模型分发一旦转向纯 API 调用，托管平台也可能被边缘化。

管道的价值随流量波动，而认知的价值随时间复利。真正具备长期壁垒的中间层在 B 端，在“连接技术与产业认知”。

两笔交易发生在管道层，恰恰反衬出认知层的稀缺——前者赚的是生态未定型期的窗口红利，后者赚的是产业数字化深水区的结构性长钱。

这也是为什么，产业 AI 的悬念不在模型本身，而在谁能把行业认知变成可计算的资产。

二、Palantir 范式：中间层的终局，是成为行业的“超节点“

理解认知中间层的价值，业界最常援引的先例是 Palantir 与空客的合作。

Palantir 最初为空客搭建的，是一套贯穿设计、采购、生产、运维全流程的数据本体（Ontology）。它将空客内部散落在 ERP、MES、PLM、IoT 平台中的数据，通过“对象-关系-规则”的三层架构，编织成一张动态的业务语义网络。

但这只是第一步。真正产生质变的是第二步：Palantir 把这套从空客提炼出的供应链与维修本体，推广到了全球各航空公司。随着接入的航空公司越来越多，全行业的故障案例、维修记录、供应链波动数据与调度优化方案开始向 Palantir 汇聚。

结果是，Palantir 掌握的“故障本体”，其解决飞机故障的能力高于行业内任何一个单一机构——包括空客自己。原因很简单：没有任何单一主体能同时拥有如此广泛的跨组织数据视角。Palantir 由此成为航空业信息流动的“超节点”：不拥有飞机，不制造发动机，却是行业认知的聚合器与放大器。

这门生意的门槛极高：厂商既要懂技术架构，又要懂行业业务逻辑，更要有把业务规则“翻译”成可计算本体的工程能力。而一旦构建完成，替换它就不只是技术迁移问题，而是组织层面的重构问题——这正是 Palantir 在大型工业客户中长期保持高黏性的原因。

需要正视的是，Palantir 走到这一步用了近二十年。这恰恰说明产业认知中间层是一门“长坡厚雪”的生意：护城河修得慢，但修成之后，几乎无法逾越。

对中国厂商而言，问题从来不是这条路对不对，而是谁有能力、有耐心走到那一天。

三、中国的样本：本体工程正在本土落地

中国的产业数字化，提出了与航空业同构但更复杂的命题：金融、政务、能源等行业同样积累了海量分散的业务数据与隐性经验，同样需要一张可计算的业务语义网络。

目前业内的探索大致分两类：通用大模型厂商自上而下寻找产业落地的抓手，数据智能厂商自下而上沉淀行业认知。后一类中，今年登陆港交所的海致科技（2706.HK）提供了一个可观察的样本——因为它是国内在“构建可执行业务本体”这条路上走得最久的厂商之一。

据公司介绍，其技术栈呈“底座-语义-执行”三层结构：底层多模数据库统一承载关系数据、图数据、IoT 时序数据、文档文本等产业场景常见的多源异构数据，核心图引擎模块 AtlasGraph 曾于 2023 年以高于原世界纪录 45% 的成绩打破 LDBC（图数据库权威基准测试）世界纪录；中层本体（Ontology）平台，把客户、合同、账户、设备、订单等业务要素及其关系、状态、业务规则、可执行动作纳入统一语义体系——这正是“AI时代的知识图谱”；上层 Atlas 智能体兼容超过 100 个大语言模型，通过“图模融合”技术把知识图谱嵌入大模型的推理链条，让答案可追溯、可解释。

用一句话概括其与 Palantir 的相通之处：让 AI 不只知道企业“有什么”，更理解企业“如何运行”、“可以做什么”。

落地效果可以从金融反欺诈这个容错率极低的场景观察：据公司披露，其为上海银行搭建的个人信贷反欺诈关系图谱，使信用卡场景自主发现的社团欺诈风险事件环比提升 20%，个人贷款场景全年减少风险损失上亿元；为广东华兴银行构建的企业级知识图谱支撑反洗钱可疑交易监测落地，获人民银行广州分行典型实践一等奖。交通银行、中国银行、招商银行、中信银行等多家大中型金融机构亦陆续成为其客户。这些项目沉淀的反欺诈本体、风险识别规则与关系网络模型，不是为某一家银行定制的“一次性代码”，而是可跨客户复用的行业级知识资产——这正是“超节点“逻辑在中国金融业的最小化验证。

业绩的反馈可以作为参照。据公司招股书，按 2024 年收入计算，海致在国内以图为核心的 AI 智能体细分市场份额超过一半，在跨行业智能体提供商中排名第一；据其 2026 年中期业绩报告，上半年营业收入 2.96 亿元、同比增长 70.4%，其中 Atlas 智能体收入 1.15 亿元、同比大增 135.6%、占整体收入比重升至 38.8%，“图谱底座 + 智能体“的双引擎格局初步成型。在贡献智能体收入的客户中，69% 此前已部署图谱解决方案，说明“先建知识底座、再延伸智能体”升级路径在存量客户中跑通。

但样本意义大于结论意义。这类生意的验证周期以十年计：行业本体的构建需要长周期投入，跨客户知识复用须在数据合规框架内完成，大模型厂商向产业场景的下探也在持续加压。海致自身的财务表现同样处于早期——经调整净亏损尚未转正，管理层在中期业绩会上给出的全年高增长判断，仍需后续业绩验证。

Palantir 用近二十年才兑现的范式，很难要求中国样本在更短时间内交卷。