企业级AI公司悦点科技，最近完成了数千万元人民币的Pre-A轮融资，盈富泰克领投，水木创投跟投。创始人任鑫琦，80后，北大毕业，此前有过上市公司创业经历，现在对外对标的是美国企业级AI标杆Palantir。

这笔钱规模不大，放在当下动辄几十亿的AI融资里几乎不起眼。但悦点科技身上有三个东西值得单独拿出来说：一是它学Palantir的FDE模式，二是它的融资方结构，三是它写在融资用途里的一个词——RSI闭环。这三件事，恰好戳中了中国企业级AI眼下最纠结的几个问题。

一、学Palantir，学的不是技术，是"驻场"

悦点科技对外讲得最多的一句话，是"让AI从决策走到执行"。翻译过来就是：不做聊天机器人，做能帮企业干活的AI。它给自己定的参照物是Palantir，但学的东西很具体，不是模型，也不是算法，是FDE模式。

先交代一下Palantir是什么。这家公司2003年成立，最早是给美国情报部门做反恐数据分析起家的，靠政府合同一路做到2020年上市。它的看家本事，是把政府、企业那些乱七八糟的数据理清楚，再在上头做分析和决策。FDE是它发明的词，全称Forward Deployed Engineer，前沿部署工程师。意思是，Palantir卖的从来不是一套软件让你买回去自己装，而是派自己的工程师驻到客户现场，手把手帮客户把数据理清楚、把系统用起来、把AI真正跑进业务流程里。Palantir的CTO夏姆·桑卡尔专门解释过为什么要这么做：企业级AI最难的不是模型不够强，是落地太难，是客户的数据乱七八糟、流程没人愿意改，光给一个工具根本用不起来，所以必须派人去，坐在客户公司里，一边帮客户用，一边把客户的需求带回公司改产品。这套模式让Palantir的客户留存率高得吓人。

悦点学这个模式，等于押了一个判断：在中国做企业级AI，卷模型肯定卷不过那些有算力、有数据的大厂，但卷"驻场交付"可能是一条能收到钱的路。它给自己产品的说法也直白——"让AI当牛马，帮企业多赚几千万"。意思是，企业买我的AI，不是买个工具，是买一批"不用发工资、不用交社保"的数字化员工。

从生意的角度，这个切法不算错。企业愿意为"看得见的省钱"付费，远多于为"看不见的能力"付费。驻场、交付、按效果算账，恰恰是离钱最近的一种企业AI打法。但这条路有个绕不过去的坎，出在参照物本身。

二、"中国版Palantir"，可能是个伪命题

Palantir的FDE模式之所以能跑通，靠的是三样东西：美国政府的高毛利订单、二十年的政企行业积累、以及由此垒起来的数据壁垒。它的客单价高到足够养得起一大批派驻工程师，客户也离不开它，因为数据已经长在它的系统里了。看财务数据会更清楚：Palantir的毛利率长期在80%以上，因为它卖的核心是软件license和订阅，不是"人天"。

中国的情况是反着来的。政府订单利润薄，企业不愿为订阅付费，定制化交付还容易拖垮利润——这是中国软件行业几十年的老毛病。悦点学FDE，等于学了一个"在中国很难赚钱"的模式：驻场工程师的成本是实打实的，要发工资、要养团队，而中国客户未必愿意、也未必付得起这个价。更要命的是，如果悦点真把"驻场交付"做成主业，它的收入结构会更像"人力外包"，而不是"软件生意"，毛利率天然做不上去。Palantir能靠80%的毛利养驻场工程师，悦点做不到。

这不是悦点一家的问题，是整个"中国版Palantir"叙事的通病。Palantir在美股估值那么高，靠的是它独有的政企数据和商业模式，这两样东西都没法简单复制到中国来。这些年喊着对标Palantir的公司不少，真正做出Palantir样子的，一个都没见过。原因不在执行力，在土壤——Palantir生长的土壤，在中国不存在。

不妨拿之前写过的两家公司做个对照。讯兔科技做AI投研，是为数不多能真收到钱的企业AI公司，因为它切的是金融这个付费能力最强的行业，卖的是"省研究员时间"这种能直接算账的价值。AI编程能跑出Cognition、Cursor这些几百亿美元的独角兽，也是因为代码能直接算钱。反观"驻场交付"，它卖的是"人天"，是把工程师的时间当商品在卖——这跟"软件订阅"是两种生意。前者是线性成本，卖得越多雇的人越多，毛利天花板很低；后者边际成本趋近于零，才能撑起Palantir那种80%的毛利。

所以对悦点来说，真正要回答的问题不是"FDE对不对"，而是"这套打法在中国能不能收回成本"。驻场交付这门生意，本质上是"人海战术+高客单"的组合，它赌的是中国企业的付费意愿和付费能力。这个赌注，之前没人真正赢过。

三、所有人都盯上了"自我改进"

比FDE更值得注意的，是悦点写在融资用途里的另一个词：RSI闭环。

RSI，如果按行业通行的说法，是递归自我改进（Recursive Self-Improvement），意思是让AI自己改进自己。悦点把它和"AIGO模型训练""AI FDE模型持续进化"放在一起，等于把"自我改进"当成了下一步的产品方向。

这个词，这两天在AI圈里很热。往前数一数：羲悉智能讲的是"类脑智能自进化基座"，Anthropic的CEO Dario说"RSI已成真"，OpenAI的奥特曼当天就跟进表态。现在，一家数千万元融资的小公司，也把"RSI闭环"写进了自己的融资材料里。

这不是巧合，是一个正在形成的趋势：AI的终极命题，正在从"更聪明"变成"会自我改进"。背后的逻辑也不复杂——参数卷到头了，靠人反复"喂"数据、反复训练，又慢又贵；唯一能突破的出路，就是让AI自己进化自己。所以小公司、独角兽、巨头，如今都把赌注押向了同一个方向：谁先做出"能自己升级自己"的AI，谁就握住下一张门票。

如果把时间线拉长看，这个转向其实早有伏笔。大模型的规模定律（scaling law）带来的红利正在递减，同样的钱砸下去，能力提升越来越小；算力成本却一路走高。于是行业里越来越多人开始想另一条路：与其无限堆参数，不如让模型自己学会改进自己。从学术圈的"元学习""自监督"，到产业界的"自我进化""RSI"，其实都是同一个念头的不同叫法。

值得一提的是，递归自我改进这个词，在AI安全圈一直是个敏感词。因为它的潜台词是：如果AI能自己改进自己，改进的速度可能超过人类的掌控，最后人类跟不上。这也是为什么Dario那句"RSI已成真"会引起那么大的反应——他等于承认了那个最让人不安的假设，开始变成现实。

当然，"自我改进"这四个字，水分一直很大。到底是真让模型自己改自己的架构和参数，还是换了个说法继续靠人训练、靠人调，各家都语焉不详。悦点的RSI到底指什么，公开信息里同样没说透——它可能真的是递归自我改进，也可能只是公司内部的一个术语。但不管真假，有一个信号是明确的：当一家Pre-A轮的小公司都开始把"RSI"写进融资故事，说明这个方向已经热到了什么程度。

回到悦点科技。对标Palantir，学FDE，讲RSI——这三样东西，每一件都踩在当前企业级AI最热、也最难的点上。国资和清华系愿意给钱，买的是这个故事的想象力。但想象力要变成钱，悦点还得先回答那个最朴素的问题：驻场交付这门生意，在中国到底赚不赚钱。这个问题，Palantir在美国用了二十年才回答清楚，悦点没有二十年。剩下能看的，就是它到底能不能把"自我进化"和"驻场交付"两件事真正做成一件事，而不是又一次把两个热门词凑在一起的融资故事。