我要投稿

复旦肖仰华：Palantir并无独门绝技，中国企业可以复刻

发布日期：2025-11-26 13:14:57 浏览次数： 1542

作者：DataFunTalk

微信搜一搜，关注“DataFunTalk”

主要内容包括以下几个部分：

1. 嘉宾发言实录

2. 自由讨论环节详细实录

3. 嘉宾信息

分享嘉宾｜肖仰华、郑镒晚、张森森、勇幸、赵雪波、史凯捷、年强、闫国玉、孟嘉、罗水权

内容校对｜郭慧敏

出品社区｜DataFun

嘉宾发言实录

1. 肖仰华（复旦大学教授）—— 开场与破题

“作为本次论坛的发起人，分享一下我发起这次闭门会的初衷和一些不成熟的思考。”

“我相信在座的很多人，关注 Palantir 这家公司已经不是一天两天了。我自己做信息化、知识图谱研究将近二十年，可以说是看着它一路成长起来的。最早注意到它，还是在我深入研究知识图谱技术和应用的那个阶段。当时我的观察是，它在运用图结构、知识图谱去解决风控、甚至国家安全问题时，所采用的技术路径，在我们看来，并没有超出国内同期技术发展的预期范围。我们当时也在做图上挖掘、知识图谱构建和管理，所以从纯技术视角看，它早期并没有展现出颠覆性的技术优势。”

“但是，转折点发生在最近几年，尤其是以大模型为代表的 AI 技术崛起之后。Palantir的进步速度堪称恐怖。我查过数据，2023 年它的估值还在二十多亿美金徘徊，而今年，这个数字已经突破了数千亿美金。一年之内翻了几十倍，这种在极短时间内实现的指数级成长，本身就是一个值得深入研究的商业和技术现象。它到底做对了什么？这是盘旋在我心中最大的问题。”

“我的初步判断是，它的成功不能简单地归因于任何单一技术。它早期使用的图技术并非独家，现在整合大模型也是行业共识。因此，其护城河可能更在于它的方法论体系，以及它所植根的美国成熟的信息化土壤——那里有相对规范的数据制度、标准化的企业软件生态。这些因素共同构成了它成功的基石。”

“那么，为什么我非要在这个时间点，把大家召集起来聊一聊呢？是因为我们反观国内，尤其是企业级软件和服务市场，现状非常严峻。我与国内很多 To B 企业有深入合作，亲眼看到过去一年，大家普遍面临巨大的生存压力，市场规模收缩得很厉害。一边是 Palantir 的一飞冲天，一边是我们本土 To B 企业的举步维艰，这种强烈的反差，像一面镜子，逼着我们所有从业人员必须进行深刻的反思：我们之间的差距究竟在哪里？为什么它们能打造出全球瞩目的产品，而我们却陷入内卷？”

“所以，我今天更多地是扮演一个提问者和倾听者。我希望这个闭门论坛能成为一个开始，一个火花。我们不一定今天就能得到所有答案，但我们可以坦诚地分享各自的实践经验，无论是成功的还是失败的。我们能总结出一些值得借鉴的思路，也能清晰地识别出我们共同面临的问题。最终目的，是希望通过这样的交流，能为我们各自企业的数据与 AI 落地之路，找到一条更清晰、更健康的发展路径。”

2. 郑镒晚（Ilamn Chung）—— 方法论演示与核心洞察

“大家好。”

“我职业生涯的 30 多年，都投入在基于商业价值的业务模型构建上，此方法持续完善中，是一套基于本体论（Ontology）的持续价值创新方法论，10 年前已经研发出一套平台。对于本体论的认识，不是简单的技术切换，而是思维范式的转变。”

正如谚语所说：“串起来的珠子才是宝。”孤立的数据和技术，就像散落的珠子，本身无法创造价值。它们需要一根“线”，将所有元素有意义地串联起来。这根线，就是定义业务中所有概念与关系的“活蓝图”——也就是“本体论”。“在座的各位可能认为构建一个覆盖信贷业务领域、包含数千个实体、属性、关系和各种业务约束的本体模型，需要几个月甚至几年。但我可以告诉大家，这是基于一个真实的信贷产品生成的本体模型，从零开始到初步完成，只需要 6 个小时。而且，这不仅仅是静态的模型，是可执行的模型，基于它，训练了一个能够理解业务、回答疑问甚至驱动流程的多 AI 智能体（Agent）。”

住房信贷产品的本体模型示例（www.bmgovernance.com）

“本体模型的价值远不止于‘看图说话’。当模型构建完成后，我可以立即向它提问复杂的业务问题，它可以基于模型中的逻辑和关系给出答案并执行业务方案。，这个演示可以根据需求生成符合业务规范的设计案例、用户故事（User Story）和实体模型等 29 个业务层面的设计模型。这意味着，本体的输出可以直接作为应用开发的输入，极大地压缩了从业务设计到技术实现的周期。为什么能这么做？因为所有的业务流程、决策规则、实体约束都已经在模型里被清晰地定义了，不再只存在于某个人的脑子里或分散的文档里。”

“肯定会有人问，业务是变化的，当底层数据源或业务规则更新时，这个‘庞然大物’怎么办？我的解决方案的核心之一，就是确保了逻辑与物理、需求与实现、方案与企业级等的端到端一致性。我们有一套机制，能够捕捉到源系统的变化，并像涟漪一样，将这种变化通过预设的传导链，更新到所有相关的本体节点和业务知识上，从而保证整个数字世界与现实世界的同步。”

“那么，为什么 Palantir 能如此卓越，与其它技术公司拉开如此大的差距？我认为一个根本性的战略区分，在于它对两个概念的界定：‘能力（Capability）’与 ‘专业技能（Competency）’。”

“Capability 是向外能够展示的能力，关注的是最终想要实现的目的，是关心‘做什么’和‘为什么做’。比如，一个国家的反恐部门，其 Capability 是‘听懂敌方的通讯意图、定位关键人物并成功实施行动’，这直接服务于‘保护国家安全’的目标。

而 Competency 是内在的专业技能，关注的是组织内部执行任务的效率和专业性，关心‘怎么做’。比如，同一个部门，其 Competency 可能是‘快速检索海量通讯数据’或‘熟练使用某种侦察设备’。

很多技术公司致力于提升企业的 Competency，但 Palantir 聚焦于增强企业的 Capability。它思考的起点是‘您的终极目标是什么’，然后反过来设计技术和数据应该如何组织来支撑这个目标。”

“最后，我想谈谈数据和本体的关系。过去十几年，我在中国观察到，当大家谈论数据时，焦点往往只在数据本身——如何存储、如何计算。但本体关注的是‘语义’，是数据背后的含义、是业务流程、是业务动作（Action）、是决策规则。它将企业的商业模式、业务流程、数据资产和决策逻辑，整合成一个统一的、可被计算机理解和执行的‘业务操作系统’。这才是关键在。”。如感兴趣，欢迎访问 https://www.youtube.com/@BusinessModelGovernance 获取相关视频，其中展示了基于本体模型的多智能体协作系统，如何在实际应用中完成理财组合分析的实例。

3. 张森森（平安科技）—— 平安的实践与思考

“我来自平安集团的数据管理部。我们团队之所以开始密切关注本体论和相关方法，是因为在当今的 AI 浪潮下，我们遇到了一些过去不曾有过的、全局性的挑战。”

“过去，我们的数据应用模式很大程度上是‘烟囱式’的。我们处理的主要是结构化数据，通过构建数据仓库来满足各个业务条线的报表和分析需求。比如，财险公司做它的理赔分析，银行做它的授信模型。这些应用都是从局部业务痛点出发的，虽然能解决问题，但缺乏一个穿透集团所有专业公司的宏观视角。平安拥有保险、银行、投资等二十多家专业公司，沉淀了海量的、异构的产品数据和业务知识。我们突然发现，当想用 AI 去挖掘集团综合金融的协同价值时，这些数据是割裂的，‘实体’无法联通，‘知识’无法流动。”

“这促使我们的工作范式发生了根本转变。过去是‘业务提需求，技术来实现’。现在我们推动任何数据或AI项目前，会先问一系列更根本的问题：第一，这项业务的终极战略目标是什么？第二，为了实现这个目标，我们需要服务哪些对象（客户、员工、合作伙伴）？第三，要服务好这些对象，我们需要哪些广义的‘数据’？（这里的数据是泛化的，包括交易数据、行为数据、规则知识和文档）第四，基于这些数据，我们究竟应该采用什么样的技术组合，才能最有效地达成业务目标？我们开始从一个更宏观、更顶层的视角来审视技术和业务的关系。”

“引入本体的概念后，我们看待数据资产的视角也更深了一层。过去我们看数据，主要是看‘实体’和‘静态的关系’。现在，我们更关注实体之间动态的‘约束’和‘动作（Action）’。我举个简单的例子：一个保险客户打电话修改密码。这个‘修改密码’就是一个 Action。在这个 Action 发生前后，哪些实体会发生变化？（比如‘客户’实体的‘最后修改时间’属性），它会触发下一个什么动作？（比如发送通知短信）。我们希望通过构建这样一个包含了‘动作’的、动态的‘真实世界数字映射’，让AI智能体能够在这个世界里去模拟、去尝试解决业务问题。”

“比如，我们银行想推出一个全新的保险产品。在过去，我们只能基于历史数据做粗略的预测。但如果这个‘数字世界’的本体模型构建得足够完善，我们就可以在里面进行‘沙盘推演’：模拟这个产品推向市场后，不同类型的客户群会有什么反应？可能会与哪些现有产品产生组合效应？代理人的销售行为会如何变化？我们的长远目标，是构建一个能够真实反映、甚至超前模拟业务运营的数字平行世界，利用本体和 AI 技术，实现从被动响应到主动模拟、预测和决策的转变。”

4. 勇幸（小米）—— 重资产投入与长期价值

“我来自小米，负责数据管理平台。今天分享几个我们内部的观察和思考。我们之所以投入精力研究 Palantir 这套东西，是因为我们底层数据平台团队，对传统数据开发模式的痛点感受太深了。”

“过去我们是怎么做的？业务方来一个需求，数据产品经理和数仓工程师就跟着忙活一阵，建一套专用的数据表和指标。久而久之，我们发现公司的数据资产里充满了大量重复、口径不一致的表和指标。虽然我们也通过建设‘数据市场’试图缓解这个问题，但本质上还是‘烟囱式’开发。每个需求过来，工程师们大部分知识都装在脑子里，想到哪儿就建到哪儿，缺乏一个统一的‘语义层’来规范和沉淀。”

“正是沿着‘如何构建企业级语义层’这条线去探索，我们发现了 Palantir，以及它所倡导的本体论。我们内部随即启动了一个小范围的 POC，整个过程下来，我个人有两点非常深刻的感受：”

“第一，坦白说，这套体系非常‘重资产’。如果公司真的要下决心全面铺开，那必须要有‘十年磨一剑’的战略耐心。为什么说它‘重’？郑先生刚才的演示其实也体现了，它的技术栈和实现路径是独特的，它要求底层的数据必须是高质量的、整体一致的。它不是在现有的‘数据湖’或‘数据沼泽’上直接盖房子，而是要求你先‘清淤、打地基’，准备好高质量、结构化的‘数据砖块’（也就是本体实例）。这对于我们互联网公司来说，挑战巨大，因为我们的数据源多、杂、变化快，数据治理本身就是个大难题。”

“第二，尽管‘重’，但我们看到了它巨大的、不可替代的优势——‘复用’和‘沉淀’带来的长期收益。 它的出发点非常‘本分’，就是从企业最核心的业务概念和关系出发，构建一个唯一的‘真相源’。它有点像互联网早期的‘雅虎目录’，把所有的知识和数据按照本体规范（实体、关系、属性）有序地组织起来。随着时间推移，整个企业会形成一个不断生长、越来越丰富的‘知识结晶核’。任何增量的业务需求过来，你首先想的不再是‘我要新建哪些表’，而是‘我可以复用哪些已有的实体和关系’。这就能从根本上杜绝重复建设和‘数据垃圾’的产生。”

“而且，这种高质量的沉淀，带来了一个我们过去梦寐以求的东西：业务口径的确定性和准确性。传统数仓里，你做完一个数据看板，业务方可能会说‘数不对’，往往是因为双方对指标口径的理解有细微偏差。但在本体中，一个‘客户’、一笔‘订单’的定义是唯一的、清晰的，基于它产生的所有数据，其准确性有了根本保障。”

“那么，AI 的到来，对这套模式意味着什么？我们的判断是：AI 非但不会颠覆它，反而会极大地放大它的价值。因为 AI 的本质是喜欢规整、高质量、结构化的信息。我们过去沉淀的那些看似‘笨重’的本体数据，恰恰是 AI 最容易理解和利用的‘优质燃料’。当别人还在手忙脚乱地为大模型准备乱七八糟的数据时，你已经拥有了一个现成的、AI-ready 的企业知识基座。所以，我们的结论是：这是一套先苦后甜、属于长期主义者的模式。”

5. 赵雪波（马上消费金融）—— 实践中遇到的四个卡点

“我们是一家持牌消费金融公司，数据和科技是核心。我们做了一些实践，遇到了几个具体的卡点：”

语义统一难：“我们和数据工程师在结合业务时，发现很难统一对业务实体的描述，最后变成各说各话。”
长链路一致性难：“一笔贷款从授信、放款、服务到结算，链路很长，涉及多个系统。如何保证这么长链路上的数据一致性？我们感觉缺少完整的实体关系和约束来描述它。”
监管报送要求高：“监管报送要求数据明细和强关联关系，目前靠人力核对，工作量大且易错。如果有完整的本体模型和约束，应该能自动化解决。”
客服场景复杂：“线上客服问题非常复杂，靠现有的知识库不够。我们希望能构建一个更精准的、能理解客户上下文和业务逻辑的模型来预判和解决问题。”

6. 闫国玉（京东零售）—— 互联网公司的挑战

“我们很早就关注 Palantir了，可惜没买它的股票。”

“我们现在最大的挑战是：为通过建模产生的数据，补充‘业务语义’。这是我们在 B 端自动化的基础。”

“互联网公司的情况很特殊。我们有很复杂系统、很多页面和很厚的数据资产，如何把这座‘数据大山’变成规范的本体模型，是我们面临的最大挑战。”

7. 孟嘉（悦点科技）—— 十年实践者的观察

“大家好，非常荣幸能参加这个活动。我们悦点科技团队，算是国内最早一批跟踪并深度实践Palantir这套方法论的公司之一，到今年已经快十年了。”

“我们团队核心成员来自‘明略数据’，我们回来创业，就是因为在海外看到了Palantir的产品后，认定这是未来的方向，决心参考它的理念来打造我们自己的产品。我们最初是从公共安全和金融这两个高价值行业切入的，尤其是公共安全领域，我们利用这套方法论构建的系统，真正帮助客户解决了实际问题，甚至获得了公安部的一等功。这说明，这套理论不是纸上谈兵，是真正能产生战斗力的。”

“经过近十年的淬炼，我对Palantir的理解是：它本质上是一套动态可执行的、对企业级数据和隐性知识以及业务场景进行萃取的建模方法论，以及与之配套的强大工具集。它解决的不仅仅是怎么存数据、怎么画图，而是怎么让企业的核心资产变成计算机可以理解、可以执行的东西。”

“我们看到它巨大的威力，但同时也深刻地认识到它的限制。一个最现实的挑战就是，这套体系非常‘重’，对客户的数据基础和组织协同能力要求极高。如果我们想把这套东西原封不动地卖给超大型的银行或运营商，会发现实施过程步履维艰。因为绝大多数企业在过去的信息化建设中，积累的是大量的‘数据沼泽’，而非‘数据沃土’。”

“但同时，我们也在实践中验证了它的价值。比如，我们在为国内某运营商总部实施项目时，对比了传统技术和我们基于本体方法论的技术。在解决一个复杂的数据链路分析问题时，传统NL2SQL技术的准确率大约在70%，而采用我们基于Ontology的方法后，准确率直接提升到了95%以上。这种质的飞跃，让我们坚信这条路是对的。”

“现在，结合大模型的发展，我们的技术路径也在演进。我们正在做的是 ‘符号主义’与‘连接主义’的深度融合，即用我们构建的、可解释的符号化本体知识，去增强和约束大模型的黑箱推理能力。我们称之为‘Ontology Based Agentic AI’。”

“我有一个非常强烈的感受：当前市场上很多AI智能体（Agent）项目效果不佳，其根本原因往往不是AI算法本身不先进，而是底层支撑的数据太‘脏’、太‘乱’。我们认为，在很多典型场景下一个智能体最终效果的绝大部分是由其底层数据的质量和结构决定的。AI擅长推理，但理解企业业务，必须依赖扎实的、结构化的知识基座。因此，如何利用本体这套方法论，为企业准备好AI-ready的高质量数据，是做好企业级智能体的关键前提。”

🚀 深入探索Palantir方法论，获取独家电子书

如果您对Palantir的本体论方法、企业AI落地路径或决策核心系统的未来感兴趣，我们为您准备了独家内容——《告别“数据后视镜”：Palantir 战略价值与落地案例分享》。

这本12万字的深度研究报告，系统拆解了Palantir的核心方法论壁垒，并汇集了AIPCon 1-8最具代表性的前沿实战案例，是理解下一代企业软件形态不可多得的实战指南。

📥 扫码免费获取电子书：

02 自由讨论环节详细实录

主持人：肖仰华（复旦大学教授）

肖仰华的开场引导：

“刚才听了各位的发言，我很有感触。大家从业多年，有进展，但问题更多。我先抛砖引玉，提出几个核心困惑，希望能引发大家的深度思考。”

“我的第一个观察是，我们似乎处在一个技术供给过剩，但‘炒菜’能力不足的时代。从本体、知识图谱到大数据平台，再到现在的大模型，原子技术很多，但如何将它们组合、拼装，去解决企业的战略目标，我们一直有欠缺。Palantir 看起来就是一个‘顶级厨师’，它用的未必是原创技术，但它的系统工程能力极强，能把技术围绕企业目标做成一道‘好菜’。他甚至把这件事比作‘第二次曼哈顿计划’，这让我很震惊，说明其复杂度和系统性极高。”

“第二个关键点是本体（Ontology）。它到底解决了什么根本问题？我认为，它填补了数据语义和业务语义之间的鸿沟。数据库里的 DDL 定义了数据本身的含义，但一个完整的业务流程，其语义是跨系统、跨数据表的。过去我们缺少一个载体来描述这种完整的业务语义，而本体恰恰扮演了这个角色。”

“基于这个逻辑，我想提出五个具体的技术问题，供大家探讨：

建模：Palantir 的本体建模方法，与传统的企业架构建模相比，根本不同在哪里？如何应对业务的快速变化？
构建：如何自动化、高效率地将企业海量的数据、文档、甚至代码‘实例化’到这个本体框架中？大模型在这里面能起到什么作用？
更新：业务是鲜活的，本体如何实现实时或准实时的更新？一个数据的变化，如何像传导链一样触达所有相关的知识和规则？
决策：一个原则性的本体，如何生成针对具体案例的、可执行的、步骤清晰的决策方案？
执行：生成的决策如何变成可执行的代码或工作流？是自动规划还是需要人工编排？”

“最后，超越技术，一个最核心的问题是：人的干预程度。这套方案最终能多大程度上替代人？人主要干预在哪些环节？这直接决定了它的成本和发展天花板。希望大家围绕这些点畅所欲言。”

讨论一：核心瓶颈是“人”吗？—— 关于“FDE”角色与评估体系的实践

勇幸（小米）首先回应：

“肖教授提的这些问题都非常关键。我们小米内部做了三个月的 POC，正好有一些体会可以分享。”

“我特别认同‘人’是关键。Palantir 有一个核心角色叫 FDE（前沿部署工程师）。这个角色的要求非常高，他必须比客户更懂客户的业务，然后去帮助客户构建本体体系。我们的 POC 思路就是模仿这个角色，在内部找一个‘领域专家’来充当 FDE，在一个小范围场景内进行建模。”

“在这个过程中，我们发现最大的挑战不是开始，而是迭代和评估。模型建得好不好，不能凭感觉。我们干了一件事：建立评估体系。我们为这个领域列了一堆测试问题，如果专家能基于他建的模型把数据找到、把问题回答出来，才说明这个模型是有效的。”

“这就引出了另一个问题：怎么迭代？ 我们发现迭代非常痛苦。模型每改一次，评估题库也要跟着增补，然后把所有历史问题再跑一遍。这像什么？就像写代码后的回归测试！ 我们后来翻看 Palantir 的文档，发现他们果然有严格的版本管理和 Review 机制。因为模型后面关联的是直接的业务动作（Action），如果谁都能随便改，对业务系统是灾难性的。”

“所以，我们实践后的认知有三点：

高度依赖懂业务的专家，知识源头在人。
必须配套严格的评估体系，否则不知道走在哪条路上。
迭代过程需要像软件工程一样管理，有版本、有回归测试、有 Review。

AI 的作用是什么？ 我们认为，AI 是在你有了高质量的知识沉淀之后，帮你提效的，比如加速理解和建模。但高质量知识的源头，这个‘根’，还是离不开人。”

讨论二：与 RAG 的路线之争—— 精准 vs.泛化

年强（科大讯飞）提出尖锐问题：

“我有个问题想请教。现在大模型加上 RAG（检索增强生成），可以从互联网或企业文档中检索信息，直接生成答案或模型。这种方式对用户更友好，也更轻量。相比之下，构建本体显得非常‘重’。在这种新范式下，本体构建的优势还存在吗？它会不会被替代？”

金镒晚（ILMAN Chung）回应：

“这是一个非常好的问题。这完全取决于你的期望值和业务场景对精准度的要求。”

“我举个例子。你回去可以让你的团队成员，每个人用一页纸写下‘客户’的定义。你会发现，销售、财务、产品团队给出的定义可能都不一样。如果你用 RAG 或直接问大模型‘客户是什么？’，它可能会给你一个笼统的、或是由训练数据统计得出的答案，但无法保证精准和一致。”

“然而，在企业内部，很多场景是不允许模糊的。比如，生成一份具有法律效力的合同，或计算一笔贷款的精确利息，答案必须是唯一和正确的。本体通过明确的定义、关系和约束，确保了这种精确性。”

“所以，我的观点是：如果你不需要非常精确的答案，那么 RAG 或直接使用大模型是可以的。但如果你需要高度精准、可解释、一致的业务答案，那么本体是至关重要的。你可以把本体看作是为大模型提供的一个‘精准知识骨架’，约束它不会‘胡说’。”

讨论三：如何衡量好坏？—— 关于建模标准的探讨

一位嘉宾提出了一个非常实际的问题：

“我现在就面临一个真实难题。我们找了不同的公司，针对同一个业务场景构建本体。但不同公司对业务的理解不同，给出的模型差别非常大。”

“比如‘家乡’这个属性，有的工程师把它作为‘人’的一个简单属性（字符串）。但有的工程师则把它作为一个复杂的‘业务对象’，里面包含了行政区划、经济数据等。再比如‘配偶关系’，有人用属性表示，有人则把‘配偶’也建为一个‘人’的实体。”

“作为甲方，我如何去评估和验收哪个模型构建得更好？这里有没有一个客观的标准？”

郑镒晚（Ilman Chung）解答：

“这确实是一个本体工程中最常见也最重要的问题。答案不是绝对的，它取决于您的业务焦点和目标。”

“我们以‘地址’为例。如果你只是需要记录一个邮寄地址，那么把它作为‘客户’的一个字符串属性，就足够了。这样简单、高效。”

“但是，如果你的业务目标是基于地域进行精准营销、分析区域销售态势、或者进行渠道管理，那么把‘地址’作为一个独立的业务对象，拥有自己的属性（如省份、城市、GDP水平、人口密度）和关系，那么你的能力和获取的价值就会强大得多。你可以问出‘请列出所有在年收入超过X水平的某区域活动的客户’这样的复杂问题。”

“所以，评价一个本体模型好坏的关键，在于它是否能够支撑你当前的业务意图，并具备足够的扩展性以适应未来的业务需求。建模的深度和广度，最终是为业务目标服务的。”

讨论四：成功的前提—— 从技术问题到管理问题的升华

张森森（平安科技）分享了更宏观的思考：

“听了大家的讨论，我认为我们首先要认清一个前提：本体的成功落地，首先是一个管理问题，而不是纯粹的技术问题。”

“在平安，我们过去做数据治理，强调的是组织、流程、标准，要确定数据的 Owner，保证一致性。现在我们做‘知识治理’，逻辑是一样的。我们正在推行一项管理制度，要求每一份结构化的知识文档都必须有明确的负责人，其正确性将纳入考核。”

“那怎么驱动人们去更新知识呢？我们打算用 AI 来倒逼。未来 AI 应用会挂接所有这些知识，如果 AI 回答错了，问题就能追溯到这个知识点的负责人，他必须在一定时效内完成更新。只有当企业的数据治理和知识治理达到一定成熟度，本体论才能发挥出真正的威力。”