|
在AI开始走向产业落地的今天，企业面临的最大挑战不再是由于缺乏技术而无法使用AI，而是如何将AI技术系统性地融入企业复杂的业务流中。 宏观上来看，Enterprise AI核心可分为三层，底层数据、中间逻辑、上层交互；通过本体和AI把这些都贯穿起来了。 我们可以从多个不同视角来认知这三层。
（1）从传统架构的视角： 底层是数据。复杂、分散、动态、海量、企业的数据； 中间是模型。通用模型、专用模型、工具集 上层是应用。AI应用、UI应用
（2）从业务流程的视角： 底层是Dataflow； 中间是AI flow； 上层是Workflow；
（3）从企业赋能的视角： 底层是记忆、AI Data 赋予了企业记忆； 中间是思考、AI Logic 赋予了企业理智； 上层是行动、AI Agents 赋予了企业行动力。
（4）从决策智能的视角： 底层是决策对象，感知是什么 中间是决策逻辑，认知为什么 上层是决策执行，决策怎么办并办了
（5）从Palantir AIP产品视角： 底层是Datasets + Connector + Pipelinebuilder + Ontology + Object explore 中间是AIP Logic function + model 上层是Agent studio + Agent + Workshop + Widget + Variable+Action
这三层的具体内涵如下。
第一层：AI Data AI Data不止于传统Data。对于企业而言，AI Data 不仅仅是传统的结构化数据库表，更多的是那些沉睡在文档、邮件、会议记录、代码库以及知识库中的非结构化数据。数据的结构化、语义化、向量化；企业拥有的私有数据成为了真正的差异化竞争优势。 有五个要点。 一是AI-Ready Data for pre-training或SFT，为训练而生的数据； 二是AI-Ready Data for reasoning，为推理（私域知识等）而生的数据； 三是AI-Based Data pipeline builder，用AI编排数据。 四是多模态数据Connector，接入五花八门的数据源。 五是在data之上构建语义本体层，为AI准备。
第二层：AI Logic 数据层提供了记忆，逻辑层则提供了思考能力。在早期的AI应用中，人们往往直接调用大模型的API，但在企业级应用中，直接的调用往往缺乏稳定性、可控性和业务适配性。因此，AI Logic层应运而生，它充当了企业业务规则与通用大模型之间的翻译官和指挥官。 有四个要点 一是Model，逻辑封装到模型中，通用模型，专用模型 二是Rules，逻辑封装到规则中 三是Tool，逻辑封装到函数中 四是Logic flow，逻辑经过AI进行编排
第三层：AI Agents 这是用户直接感知的界面，也是AI价值最终变现的地方。AI Agents 不再仅仅是被动等待指令的副驾驶（Copilot），它们正在演变为能够自主拆解任务、调用工具、执行操作的独立智能体。在Enterprise AI OS中，我们不会只拥有一个全能的Agent，而是会构建一个Agent团队，它们各司其职，拥有不同的人设和权限。这一层的未来趋势是多智能体协作。就像人类团队一样，一个复杂的项目可能由项目经理Agent拆解任务，分发给执行Agent，最后由审核Agent进行质量把控。 有两个要点 一是Agents，自然语言对话交互，Agentic自主推理，多智能体写作； 二是UI组件，人机交互界面交互和Agent组件混合使用； 用一个关键词总结Palantir AIP：Enterprise AI详解Palantir AIP的三个Flow：Dataflow、AI flow、Workflow | 
