謝天

弟弟全家回來幫父親過80歲生日，昨天晚上要搭機回加州，我們原本要全家一起送他們去機場，結果小朋友說會暈車不想去，我只好留在家看顧。

不久接到弟弟的電話，說辦理登機的時候發現忘了帶電腦。我看了一下，發現的確忘在原本堆放行李的地方，看了看時間，決定飛車送去機場，幸好還來得及趕上登機。

想想這應該算是好運氣吧。原本小朋友是到哪裡都要跟著叔叔全家的，不知道為什麼突然不想去機場，不然我也沒辦法來得及送東西過去。

該謝的人太多了，那就謝天吧。

這不是 Palantir (PLTR) 的研究報告

Palantir (PLTR) 大概是近期最受矚目的公司之一，除了創辦人是知名的 Peter Thiel 之外（PayPal 幫大老，也是之前寫過心得的「從0到1」的作者），公司去年（2024）11月從紐約證券交易所 (NYSE) 轉至科技股集中的納斯達克 (NDAQ)交易，股價從不到 50 美元，至今（2025-7月）已經漲到超過了每股 140 美元，幾乎成長了三倍。

這樣的一家公司，自然已經有很多分析師做過研究、寫過報告，有興趣的可以參考最底下的參考資料，我也不再贅述。真的引起我的興趣的，是最近看到一部硅谷101的分析（看名字就知道是對岸的，不喜勿入），提到他們怎麼把軍事情報分析的流程跟技術標準化，運用在企業資料上。

其實 Palantir 對企業資料的作法並不特別，過去20年從 Business Intelligence、Big Data、智慧製造，到如今的 AI，大家都在試圖做一樣的事情，更不用說半導體產業更早就開始做的 Computer Intergrated Manufacture（CIM）。真的令人意外的是，Palantir 把這件「大家都想做但都一直沒成功」的事情，出乎意料的有了個成功的開始。

當然，我們可以事後諸葛的搖著扇子說，PLTR 是藉著在公部門的成功經驗，配合 AI 技術突破，甚至是擁護現任總統當選有功，所以才有機會云云。但無論如何，他們就是做到了。雖然後續發展還不見得就一帆風順，但這是很好的開始。

無論是工業製造或是組織情境之中，「整合多種資料來源，做出整合研判，並且轉換成可執行的建議清單」，最後付諸執行，都是「決策」的核心。說真的，AI 的商業機會絕對不在取代個人工作，而是輔助決策的效益。所以，無論是誰，能成功切入這個市場的，未來的獲利都是可以期待的。

如果是想看 PLTR 研究報告的人，可以由此去：

• Palantir在做什麼？PLTR股價狂飆，搭AI潮成美軍寵兒！（2025/02/18）
• Palantir：一只集「軍工」和「AI」概念的股票（2025/06/17）
• 【美股焦點】PalantirAI策略驅動股價上行潛力（2025/07/11）
• 从追缉本·拉登到AI战争，解密Palantir的崛起之路【深度】（影片）

什麼是世界模型（world model）？

大語言模型自從 ChatGPT 問世以來，紅了也快 3 年了，過去一年「模型」的進步越來越少，人工智慧的話題慢慢開始轉向應用。而 Google DeepMind 的 Genie 2 、Meta AI 的 V-JEPA 和 I-JEPA 模型則揭示了大語言模型要達成通用人工智慧缺失的一塊拼圖，世界模型。

「世界模型」是一種人工智慧的取向，旨在讓智慧體能夠理解並模擬外部互動世界或環境，從而提升其決策與規劃能力。

世界模型的核心概念包括：

• 內部模擬現實：它不像傳統機器學習僅將輸入映射到輸出，而是建構一個現實的內部模擬。這讓AI系統能對世界形成豐富的內部理解，類似於人類使用心智模擬來預測結果並做出決策。
• 理解「為何」：世界模型不僅預測會發生什麼，更重要的是理解「為何」會發生。
• 從人類思維中汲取靈感：它借鑒了人類自然發展出的世界心智模型，將感官的抽象表徵轉化為對周遭更具體的理解。
• 超越感知與反應：最終目標是讓AI能夠像人類一樣「夢想」、想像整個世界、預測未來情境並在執行前進行規劃。
• 基礎世界模型：例如Genie 2，它是一種基礎世界模型，能夠生成無盡多樣的、可動作控制的、可玩的3D環境，用於訓練和評估具身代理。

世界模型通常包含以下核心部分：

1. 表徵學習（Representation Learning）/ 感知模型（Vision Model V）：

• 功能：將高維度感官數據（如圖像、文本或影片）壓縮成有意義的低維度表徵。
• 實現：通常使用變分自編碼器（VAE）或類似架構，將輸入編碼到潛在空間。I-JEPA使用視覺Transformer (ViT) 作為上下文編碼器來處理可見的上下文區塊。
• 目的：捕獲環境的基本特徵，同時過濾掉無關的噪音。

2. 預測模型（Prediction Model）/ 記憶模型（Memory Model M）：

• 功能：根據過去和現在的數據預測環境的未來狀態。它還能夠預測其他代理的行為。
• 實現：通常使用循環神經網路（RNN）或Transformer來建模環境中的時間依賴關係。Genie 2是一個自迴歸潛在擴散模型，利用大型Transformer動態模型來處理潛在幀。I-JEPA的預測器是一個狹窄的ViT。
• 目的：幫助AI學習動作如何影響下一個狀態，從而預測未來情境。Yann LeCun將其描述為一個「隱藏狀態預測器」(Pred())，用於計算 s(t+1)，並使用潛在變數 z(t) 來表徵一系列合理的預測。

3. 規劃與決策模型（Planning and Decision-Making）/ 控制器（Controller C）：

• 功能：利用學到的模型來模擬不同的動作，並選擇最佳的行動方案。
• 實現：一個輕量級的策略網路，在世界模型創建的模擬環境中運作，從而使訓練更高效。
• 目的：使AI能夠根據想像的情境進行規劃和採取行動。

世界模型展現了廣泛的能力，並在多個領域具有潛在應用：

• 環境模擬與生成：模擬虛擬世界，包括採取任何行動的後果。
• 預測與理解：能夠理解行為背後的潛在原理，而非僅僅觀察到的模式。
• 決策與規劃：通過深層次理解推理出實現目標的行動序列，實現高效的零樣本決策制定和規劃能力。
• 通用性與效率：能更好地泛化並以更少的監督進行學習，適用於標記數據稀缺或需要戰略決策的環境。
• 新興能力：具備「長時記憶」能力，能夠記住不再視野內的環境部分，並在重新可見時準確呈現。能夠生成與行動一致的、多樣的軌跡，模擬反事實經驗以訓練代理。

如果想要更白話一點的介紹，可以看最近 PanSci 的介紹影片。