Alva Li，前Palantir工程师，现在Ready AI创始人。NUS计算机系毕业后加入Palantir新加坡办公室做Forward Deployed Engineer，先后两次在新加坡和美国Palantir工作，服务过银行、船运、保险等行业，参与过空客（Airbus）全球航空数据平台项目。中间短暂创业做信息聚合产品（Pinterest meets Google Maps）。现在独立开发Ready AI——一个给个人和小团队用的intelligence雷达，把分散的非结构化数据源整理成动态更新的knowledge graph，帮用户追踪他们关心的世界的变化。
这期聊了一个很根本的问题：我们认识世界的方式，应该是清单式的还是关系式的？Alva的回答是——重要的不是你知道多少条信息，而是你能看到多少条信息之间的连接。而且比连接更重要的是变化——snapshot只是事实，delta才是洞察。
Highlights：
→ Palantir最让人兴奋的是未知性：每到一家新客户就变成他们的contractor，从零了解一个完全陌生的行业。在船运公司能看到你"甚至不知道存在的东西"
→ 空客项目：把全世界所有空客航司的飞机运行和维护数据同步到一个平台，优化零部件生产线。每家航空公司情况不同，每几周换一家，快速switch context
→ 听到OpenAI无数次都没有pay attention：第一次创业时缺的那个"能读懂非结构化信息并像分析师一样连接它们的引擎"就是大模型——"如果我早一天知道，在GPT 2或GPT 3出来时就用上，会不会是完全不同的story"
→ Snapshot是事实，Delta才是洞察：一家公司在裁员，同时又发了新岗位——从时间维度看，这不是衰退是战略调整。Ready追踪的不是当下状态，是变化本身
→ GitHub for Knowledge Graph：每个人创建自己的graph（公开或私有），可以探索别人视角下同一话题的不同结构。"你的graph对我来说可能是一个全新的世界"
→ AI让knowledge graph变得可能：大模型之前，从非结构化信息中提取实体和关系极其困难。大模型之后，这件事变得容易了，这是Ready的技术前提
→ AI像聪明的实习生：Google实习时每次push要跑几百个check花三四十分钟，当时觉得低效。现在发现这就是管理AI的最佳范式——设好框架和测试，让它自我纠错，越来越少需要人干预
Timeline：
00:00 开场：Alva Li，Ready AI创始人
00:35 产品简介：给AI agent和人使用的intelligence雷达，把非结构化数据整理成动态knowledge graph
01:26 加入Palantir的契机：NUS读书时通过NOC去Stanford交换，学长在Palantir工作带他参观总部
02:38 Palantir新加坡办公室：最早扩展到亚太的据点，服务跨国企业和政府项目
03:02 Forward Deployed Engineer：不是传统软件工程师，是部署到客户内部的"前线工程师"
03:47 最有价值的经历：接触银行、船运、保险等完全陌生的行业，单纯做software engineer很难有这种机会
05:44 空客项目：全球航司飞机运行和维护数据同步到统一平台，每家航空公司几周轮换
06:42 代表空客和每家航空公司合作：航空公司不愿意分享数据，Palantir需要提供对应价值
08:03 亚太某知名航空公司案例：每个航班TB级传感器数据，一天成百上千个TB——如何提取关键信息
08:48 Palantir最让人兴奋的是未知性：每到一个新客户就探索"你不知道存在的东西"
10:04 为什么离开Palantir去美国：想体验美国办公室的项目和同事
11:13 加入前老板的AI web automation创业公司：ChatGPT出来后想深入了解AI底层开发
12:30 错过OpenAI的反思：听了无数次"just another AI lab"，做情报的人错过了最大的情报
14:10 反思的结论：信息太多太分散，即便在Palantir也只能在认知范围内整合信息。想帮所有人减少这个问题的影响
15:46 什么是Knowledge Graph：把碎片化的对象通过关联关系连接在一起的结构化网络
17:02 每个人脑海里都有一个knowledge graph：记忆你认识的人和事，检索它们之间的关系
17:21 为什么大部分人没有自己的knowledge graph：维护成本太高，短期投入产出不明显——"P人格外难"
18:10 AI让这件事变得容易：把维护graph的工作外包给AI，你只在需要时访问
19:00 Ellen：从knowledge graph角度，认识世界的方式应该是关系式的，不是清单式的
19:40 Alva：每个人都是不同世界的domain expert，同样的新闻不同人解读完全不同
20:46 Ellen：世界观本质是人的投射——事实是既定的，理解事实是意识形态决定的
21:41 信息过载和信息茧房同时发生：小红书和TripAdvisor看到的是两个不同的世界
23:11 knowledge graph的魅力：如果我能访问你的graph，你的关注点对我来说是全新的世界
24:15 GitHub for Knowledge Graph：创建公开或私有的graph，社区分享，互相补充
26:55 Ready vs ChatGPT的区别：ChatGPT检索的是搜索引擎上的公开信息，Ready连接的是你自己的小众数据源
28:26 AI在Ready里的角色：大模型让非结构化信息→knowledge graph成为可能，这是技术前提
28:50 产品转型历程：最初是给startup founder做strategist→尝试relationship brain→最终落到radar
29:54 为什么从relationship brain转走：数据源受限（聊天API、线下信号难捕捉），而且个人关系很少有人愿意公开分享
31:25 Radar更符合初衷：信息过载问题+社区分享+动态变化追踪
31:37 目标用户画像：多数据源、非结构化、需要做high stake decision的人——投资人、创始人、分析师
33:05 Delta比Snapshot更重要：裁员+同时招聘=战略调整，不是衰退。时间维度改变你对同一事件的理解
35:00 Ready是民用版Palantir吗？"最初愿景是，但差异越来越大"——客户不同、数据源不同、加了时间序列和社区概念
36:20 Palantir的Ontology vs Ready的Knowledge Graph：理念相似，但Ready加入了时间序列——变化比状态更重要
37:12 Show the work原则：来自Palantir的data provenance理念——每个数据结果都要能追溯来源
38:08 AI场景下更重要：非结构化信息处理中AI很难100%正确，必须让用户看到来源过程，自己判断可靠性
39:05 The operator decides：不能100%相信AI决策符合人的利益，最终决定权留给用户
40:06 Mission：Amplify human intelligence, not replace
40:29 为什么社区很重要：工具的护城河在AI时代极低，社区和网络效应才是长期护城河
41:52 没有任何工具能100%解决信息过载——社区的力量是补充
42:19 GitHub是理想社区形态：大家分享自己投入时间精力开发的东西，让别人使用
43:15 Solo builder的开发经验：也不是专门做后端的，都是vibe coding现学现卖
44:17 管理AI写代码的核心：在不确定性中实现确定性——设好boundary和rule
45:10 数据库权限管理案例：写了一套测试framework让AI自我察觉权限错误并自动修正
46:22 Google实习的启发：每次push跑几百个check花三四十分钟——当时觉得低效，现在发现是管理AI的最佳范式
47:17 Obsidian的启发：底层都是通过graph把不同node串联，但Obsidian是个人知识管理，Ready要做社区分享和协同intelligence
49:36 Intelligence既是情报也是智能，这两个是同一件事还是不同的能力？
50:58 Alva：情报和智能都是数据的产物。数据→情报→可能产生智能。Ready帮人整理和追踪数据，数据是不管是AI还是人类intelligence的燃料
52:20 收尾
———
感谢本期嘉宾🙏：Alva Li，Ready AI 创始人
期待大家继续关注我们
主理人：Ellen｜新加坡
小红书：离线时间
联系：[email protected]
