Palantir PLTR 最全面的业务&护城河剖析 | 5年后万亿AI公司 | Foundry&AIP | … — Transcript

大家好,這裡是Money or Life美股頻道。

我前幾個月一直在試圖找到Palantir, PLTR這家公司,到底是做什麼的,但是找了很久,沒有找到我滿意的答案。

大部分博主的闡述都停留在AI大數據應用這幾個字方面,我無法真正理解他的公司業務到底是什麼。

那麼今天我將親自上陣,站在產品和用戶兩個角度去分析這家公司到底是做什麼的,他到底有什麼潛力,成為未來可能的萬億級別AI應用公司。

研究了Palantir之後,我對他產生了比以前更強的興趣,我希望自己成為中文博主裡面闡述理解Palantir這家公司最好的博主。

本期視頻分為三個部分,第一部分Palantir的產品是什麼,其實連這一點,我相信大部分投資者都還摸不清頭腦。

我將為大家解釋Palantir的生態系統Foundry以及最近非常火熱的詞AIP,也就是基於Foundry的一個插件,同時也會為大家闡述本體論Ontology這個概念。

第二部分,我將通過Palantir產品的實際應用來解釋Palantir產品的特點,AI代理可視化和去代碼化,通過三家公司三個例子,非常簡單明了的了解Palantir公司的優勢。

第三部分是Palantir護城河和估值的總結,他擁有非常強大的護城河,雖然是超高估值,但我覺的也是潛力無限。

在開始之前,我先進行一些簡單的科普,AI公司的類型分為基礎層和應用層,基礎層比如說英偉達,他是賣鏟子的,應用層就是我們今天提到的Palantir這種類型的公司。

當然我認為在不久的將來,也會出現全方位的AI服務公司,整合所有的應用成為巨無霸公司。

然後我們也要知道AI公司具有什麼樣的優勢才能在現在的競爭中立足呢,優勢可以分為幾個方面,硬件優勢,算法優勢,數據優勢和應用優勢,簡單來講,我覺得Palantir現在具有後三個優勢。

在Palantir的官網我們可以看到,他們把Foundry解釋為the ontology-powered operating system for the modern enterprise,我們來看下面這張圖。

圖的最下端分別是數據模組和數據模型,這些數據和模型作為input,輸入到以ontology作為基礎的設計架構裡面,通過這個本體論ontology的設計架構,我們可以得到一些分析,工作流以及整合做出決策。

經過大量的研究,我個人把Foundry產品總結為三點,第一,基於本體論ontology,第二,專用於企業運營工作流的運營系統,第三有自己的marketplace,第三方開發者,企業,和PLTR形成生態系統,類似於Google marketplace。

說到這裡大家可能有了點眉目,但是對於我提到的本體論ontology,肯定是一頭霧水,這裡我做一個deep dive,帶你了解這個概念。

我們來看這個解釋,人工智能領域的本體論是一種形式化的知識表示方法,用於描述某個特定領域的概念,屬性,關係以及它們之間的層次結構,簡單來說它就像是一個領域的字典或者百科全書,為計算機提供了一種理解和處理人類知識的方式,再看下面,他最重要的一點是推理,他可以基於本體論的知識圖譜進行推理,做出行動,進行一些智能行為。

了解了本體論的概念,我們需要知道本體論ontology在Palantir公司是如何具體應用的。

首先如上所述,Ontology包括多個數據模組和數據模型,它們之間存在關聯,它們之間存在行為為推理,為了方便理解,我們也可以想像一個金字塔形的多層圖形,圖形是由複雜的程序構成,可以通過數據和交互做出決策。

基於本體論的設計,意味著我們非常容易實現AI代理功能。

在現實生活中,有非常多的本體論結構,比如說層層相扣的供應鏈,我們可以考慮到這一點,如果是傳統公司,他擁有非常多的數據,他如果想要構建這種本體論應用,只有兩個選擇,第一是基於傳統公司的軟件自己開發,這需要大量的人力和物力,難度巨大,可以說是不可能。

第二就是利用有ontology技術和平台的公司,比如說Palantir,將公司數據和業務關係構建在Palantir的技術平台上。

了解了Foundry是什麼,以及本體論的重要概念,我們來看下一個產品,AIP,這是現在公司的明星產品。

需要注意的是,AIP並不是一個單獨的產品,而是類似一個基於Foundry的交互插件(plug in),這個交互插件運用外部大語言模型,比如GPT-4,以及Palantir公司開發的AI技術架構,大大降低了非技術人員使用Palantir所有marketplace工具的門檻,做到了強大的可視化和去代碼化。

可視化和去代碼化這個概念非常的重,它意味著客戶端不需要軟件工程師,甚至不需要數據工程師參與項目落地,其次非技術人員可以簡單通過可視化和去代碼化的設計,完成本來很負責的技術操作。

這也就意味著Palantir通過自己AI的架構設計,把這個技術的門檻從天上拉到了地下。

如果你聽了第一部分關於Palantir的產品的概念解釋,你依然摸不清頭腦,沒有關係,你可以直接進入下面第二部分,我用三個例子,你會簡單了解Palantir的產品的強大性和特點。

第一個例子,我將闡述Trinity Rail這家公司,對於Palantir的產品中AI代理的高效運用,Trinity Rail是一家超過1萬名員工的公司,他們的主要業務是為客戶提供火車運輸服務。

這意味著他們擁有非常多的不同類型的火車車廂,這些火車車廂需要經常維護,他們需要購買很多鋼製品,各種的零件來進行運營。

那麼我們來看他們如何在三年內就實現了3000萬美元的成本降低。

Palantir運用自己的Foundry和AIP產品,將公司運載貨物的車廂生成了Bill of Materials,也就是物料圖,行業內叫做BOM,BOM。

我們在這裡可以簡單看到本體論ontology的應用,因為不同的零件之間上級和下級都有密切的關係,它非常直接的影響你的物料管理,這個例子中最讓我驚艷的是公司負責人提到的AI Agent,AI代理產生的作用。

Trinity Rail這家公司可能擁有成百上千家供應商,他們擁有的BOM list裡面的SKU可能有上萬個,那麼需要採購這些SKU以及達到合理的交付是一件非常困難的事情,AI代理協助了這個任務。

想像一下,如果這家公司的一個物料管理員管理了100家供應商,這100家供應商平均每家有10個SKU,那麼意味著總共有1000個SKU,需要由這個物料管理員去管理。

但是隨著AI代理的應用,他可以直接介入郵件,自動回復供應商,通過供應商的回復再產生決定,比如說他可以總結所有的產品交付時間,以及哪些供應商並沒有提供交付時間,或者是交付時間由原來的時間延遲,延遲了多少,總結所有的信息可視化提供給公司。

同時通過這樣的AI代理,我們很容易就找出哪些供應商是表現差的,哪些供應商是表現優異的,所以公司負責人驕傲的說,Palantir幫助他們簡單的消滅了Bad Guys。

其實我的第一份工作也是和物料管理相關的,所以我深有感觸,我知道通過郵件去管理這麼多供應商是非常困難的,是非常低效的,所以有了AI代理的介入,工作效率提升了10倍還不止。

第二個例子,我將通過Associated Materials這家公司闡述Palantir的產品強大的可視化,Associated Materials這家公司,他們是一家非常老,規模非常大的公司。

在他們公司沒有任何科技可言,一切都是最傳統的做法,他們也沒有ERP系統,因為這種公司像一隻大象,根本上不了傳統的ERP系統,於是他們找到了Palantir。

我們可以看到,在運用了Palantir平台之後,他們的On-time In Full Delivery提升了非常多,同時公司的back log也在大量的減少,因為公司是一個傳統的製造公司,他們擁有多個工廠,所以對於所有工廠的可視化就變得非常重要。

我們可以看到,以Ponte Claire這個工廠為例,公司可以實時的看到原材料,在製品以及成品的數量,同時通過可視化清晰的知道所有庫存品類的地點以及需求,第三個例子其實不是一個公司,而是Palantir的Dynamic scheduling這個產品,這個產品充分說明了去代碼化的強大。

這個例子是以超市舉例,超市有多個員工,那麼每個員工需要的工作不同,我們需要進行合理的分配,去進行時間的安排,這些安排比較複雜,不只是因為員工多,也是因為有非常多的規則要去遵循,比如說必須在晚上8點之前將貨架擺好,又比如說必須在晚上8點之後,以及第二天早上8點之前進行打掃,而不能在白天進行打掃。

在這個例子中,如果這個超市的管理員想要進行新的規則制定,他既不需要去編程,也不需要去點很多按鈕,他需要做的只是打開一個對話窗口,在這裡面他好像在和ChatGPT對話一樣,直接告訴這個系統我需要什麼,回到這個頁面,幾乎同時這個時間安排就已經體現了剛剛的規則,提出了一些違反規則的警告,那麼就需要及時去調整這個時間,調整完之後一切符合規則,那麼這又變成一個合理的安排。

總結下來,公司具有非常強的技術護城河,首先基於本體論Ontology的數據整合能力,其次AI代理的合理應用,第三,AIP可視化加去代碼化的應用,最後既然作為一個AI公司,公司就可以運用AI大量降低研發成本。

我們可以看到,在過去一兩年,Palantir雖然業務急速擴張,但是他們的公司人數並沒有增加特別多。

那麼Palantir也有自己的問題,他們的產品首先很貴,小公司不能用,更不用說個人用戶,所以如果不是公司客戶員工,很難感受到Palantir工具的優勢,這也是為什麼我們很難感受到Palantir公司產品到底有多好,感覺非常有距離。

但是這兩個問題,Palantir大概率可以在以後的業務擴張中解決,Palantir具備了日後成為所有公司甚至所有個人的大數據利用工具的條件。

大家聽到這裡可能覺得太誇張了,可能覺得我有吹牛的嫌疑。

但是我自己設想了一個情境,我們個人生活中,有非常多的的大數據應用的潛力,比如說電子照片和視頻,電子資料,證書,文檔,簡歷,網頁瀏覽,賬號,密碼,網絡購物數據,手機日曆,聊天數據,以及資產相關的數據,比如銀行賬戶和證券賬戶。

大膽合理想像一下,如果這些所有數據通過一個安全合規高效的平台整合起來,我們可以得到但不限於以下效率優化,時間規劃,行程規劃,我們的資產分析和投資建議,或者是生活習慣和消費習慣的優化。

我真的希望現在就有這麼一款產品我可以用到,當我需要我身邊的任何數據時,我可以非常容易的搜到,可以非常可視化,非常簡單的去進行運用。

那麼最後我們簡單的來看估值,其實估值沒有太多可說的,因為現在的估值確實太高了。

首先我們來看Rule of 40這個圖,它的Revenue Growth加上Operating Margin,在第三季度達到了驚人的68%,我們要知道達到40%都是不容易的,所以才叫Rule of 40。

這意味著公司不僅有非常高的營收增長,同時它的運營利潤也是非常高的比例。

再來看一下過去六個季度的營收增長率,從2023年第二季度的13%一路攀升到2024年第三季度的30%,表現非常優異。

如果我們將Palantir這家公司和其他兩家公司分別是Snowflake和Service Now公司對標,我們可以看到在營業收入增長方面,Palantir其實遜色於Snowflake,但是略微好於Service Now。

在估值方面,Palantir的PE來到了驚人的175,雖然Snowflake也很高,但是最後一列的Service Now它只有75。

最後在這張Seeking Alpha的總結表裡,Palantir的估值只有F的評級,是比較差的,它的增長和它的盈利能力都是A評級,只是拋開這些數據不說,我覺得Palantir具有其他公司包括Snowflake和Service Now沒有的護城河,也就是我在第一部分和第二部分提到的這些觀點。

OK,終於闡述完了今天這個視頻,我將簡單分享一下我的操作,我未來會怎麼辦。

其實我對於Palantir一直有關注,但是很可惜一直沒有進行建倉,我在上個月才開始買入50股,然後在昨天又追加50股,所以我的決定是我非常看好這家公司。

但是現在的估值太高,我選擇通過DCA的方式來進行定投,我會打算每個月都買入50股,持續至少一年的時間,看一下Palantir公司之後的股價到底往哪個方向發展。

還是那句話,投資有風險,希望大家通過我今天分享的海量信息,持續關注Palantir這家公司,做出你自己個人對他未來發展的判斷,再做出你自己的投資決策,謝謝。

我相信這只是我第一次去分享Palantir這家公司的見解,我會在以後持續關注和大家繼續輸出我的觀點,希望大家訂閱我的頻道一起交流,感謝,再見!