用深度强化学习简化智能控制系统构建的机器学习平台：可视化编程加仿真训练，让不懂 ML 的工程师也能搭建自适应系统。2018 年被微软以约 2000 万美元收购并入 Azure AI（Project Bonsai），2025 年被悄悄弃用。
不是猝死，而是在微软战略转向中的慢性窒息。第一幕（2014-2018）时机错配：RL 学术火热但工业界未验证，企业缺仿真基建、干净数据管道与组织准备度，销售周期拉到 18 个月以上——客户得先自建仿真环境才有资格评估产品；融资烧在客户教育与定制集成上，被收购时生产部署不足 20 个，市场根本没准备好。第二幕（2018-2023）微软集成陷阱：微软为对抗 AWS SageMaker 与 Google Vertex AI 收下它改名 Project Bonsai，本想捆绑 Azure 交叉销售，但其技术需要深度定制，与 Azure 的自助云模式天然冲突；销售团队无法向只想即插即用 AI 的客户解释 RL，产品沦为微软内部的孤儿——太窄撑不起广泛采纳、太复杂养不起伙伴生态、相对收入太贵，只能作为勾选项苟活。第三幕（2023-2025）生成式 AI 抽走一切：GPT 爆发后微软把 AI 投入全转向 Copilot 与大模型——横向适用、巨大 TAM、病毒式采纳的 LLM 面前，复杂低毛利的 RL 平台商业理据一夜蒸发，Project Bonsai 2025 年被静默弃用。根因不是技术失败（RL 算法是好的），而是横向平台的战略错配。
垂直 AI 公司，为商业地产与数据中心的工业暖通（HVAC）系统交付自主优化：不卖 RL 平台，而是把「已验证的能源节省」当成服务来卖。安装边缘计算节点接入既有楼宇管理系统（BMS），实时运行 RL 控制策略，按已验证节能额的百分比向客户收费。重建踩中 Bonsai 之后的三大技术变迁：一是边缘 AI 硬件商品化（NVIDIA Jetson、树莓派 5）让本地部署成本骤降；二是数字孪生与云仿真（NVIDIA Omniverse、AWS TwinMaker）让策略训练不干扰真实楼宇运行；三是 LLM 辅助奖励工程（GPT-4、Claude）把「降低能耗同时保持舒适度」这类业务目标自动翻译成 RL 奖励函数。只做暖通：300 亿美元市场、ROI 清晰、验证周期 30-90 天、协议标准化（BACnet、Modbus）。避开平台陷阱靠全栈自营——硬件、策略训练、部署、结果保证一手包办，这是能源服务生意，不是开发者工具。
技术栈：NVIDIA Jetson（边缘 AI） / NVIDIA Omniverse / AWS TwinMaker（数字孪生） / GPT-4/Claude（奖励函数生成） / BACnet/Modbus 协议集成 / Ray（RL 训练）
死因是「无市场需求」。不是猝死，而是在微软战略转向中的慢性窒息。第一幕（2014-2018）时机错配：RL 学术火热但工业界未验证，企业缺仿真基建、干净数据管道与组织准备度，销售周期拉到 18 个月以上——客户得先自建仿真环境才有资格评估产品；融资烧在客户教育与定制集成上，被收购时生产部署不足 20 个，市场根本没准备好。第二幕（2018-2023）微软集成陷阱：微软为对抗 AWS SageMaker 与 Google Vertex AI 收下它改名 Project Bonsai，本想捆绑 Azure 交叉销售，但其技术需要深度定制，与 Azure 的自助云模式天然冲突；销售团队无法向只想即插即用 AI 的客户解释 RL，产品沦为微软内部的孤儿——太窄撑不起广泛采纳、太复杂养不起伙伴生态、相对收入太贵，只能作为勾选项苟活。第三幕（2023-2025）生成式 AI 抽走一切：GPT 爆发后微软把 AI 投入全转向 Copilot 与大模型——横向适用、巨大 TAM、病毒式采纳的 LLM 面前，复杂低毛利的 RL 平台商业理据一夜蒸发，Project Bonsai 2025 年被静默弃用。根因不是技术失败（RL 算法是好的），而是横向平台的战略错配。
累计烧掉约 $2000万美元（美元），2014 年创立，2025 年停止运营，存活 11 年。