Modal 的爆发式增长与核心业务定位

Modal 是一家专注于构建 AI 基础设施的平台，其核心价值在于为开发者提供无需预置集群、预测负载或支付闲置资源费用的服务器less计算体验。平台主要服务于 Dacagon、Suno、Runway 和 Cognition 等知名 AI 应用公司，通过软件 SDK 简化推理、沙盒运行、训练微调及批量任务的部署与扩展流程。Erik Bernhardsson 指出，公司在过去两年中实现了至少 50 倍的增长，涵盖收入、用户基数及实际使用量。在最近的 Series D 融资中，Modal 以 160 亿美元估值筹集了 7.5 亿美元，此前已完成 50 亿美元的 Series C。目前，Modal 的年化运行收入已突破 10 亿美元大关，并成功启动了近 30 亿个沙盒环境。这种指数级增长不仅验证了其基础设施架构的可行性，也反映了市场对弹性 AI 算力需求的急剧上升。

GPU 需求特性与“持续时间转换”策略

传统云计算合同通常以矩形形式呈现，即客户在固定时间段内购买固定数量的 GPU。然而，真实的工作负载随时间波动剧烈，呈现增长、尖峰和回落的非矩形特征。若按峰值购买容量，企业将承担高昂的闲置成本；若按需缩减，则面临无法满足需求的风险。Modal 采取了一种被称为“持续时间转换”的策略：通过汇集数千名客户的需求，在底层锁定容量池，使每个客户能够按需使用资源。Erik 强调：“平滑的聚合需求使得该池子更具价值。” 这种模式与 SF Compute Evan Conrad 提出的“使容量可交易”形成互补，Modal 更侧重于将容量转化为更小、更具弹性的切片以供使用。此外，这种模式也伴随着金融风险：如果提供商以当前高价锁定容量而 GPU 价格随后下跌，将面临持有昂贵供应的风险。尽管 Erik 认为短期内不会发生崩盘，但他表示在构建业务时必须考虑这种可能性。

沙盒产品的意外崛起与 Agent 体验重构

Modal 的沙盒功能最初源于创始人注意到语言模型能够生成代码，从而需要运行环境。尽管早期采用率有限且团队曾考虑关闭该功能，但随着编码 Agent、后台 Agent 和强化学习需求的爆发，沙盒业务迅速增长。如今，沙盒已占 Modal 总收入的约三分之一，这一结果在发布时并未被预测。这种增长改变了基础设施的要求：Agent 可能需要创建环境、运行代码、检查结果并多次重试，因此启动和恢复环境的延迟成为用户体验的关键部分。 这标志着基础设施重点从单纯的开发者体验向Agent 体验的转移。为了支持这种高频交互，Modal 构建了包含可用 GPU 缓冲区、自定义文件系统、进程检查点和 GPU 内存快照在内的技术栈，以大幅减少新模型副本上线所需的工作量。Erik 表示：“快速启动已成为一项基础设施特性。” 这种技术决策直接影响了应用程序的响应速度和成本结构，使得在 Agent 时代实现真正的弹性推理成为可能。

Spotify 经历：音乐推荐系统与基础设施痛点的觉醒

Erik Bernhardsson 在创立 Modal 之前，曾在 Spotify 任职七年（2008/2009-2015），其主要贡献是从零构建音乐推荐系统。在此期间，他带领小团队开发了包括“相关艺人”和“Discover Weekly”在内的多个核心功能。这些工作涉及大量的矩阵分解技术，属于计算密集型任务。这种高强度的 AI 应用开发经历让他深刻意识到当时基础设施的糟糕体验，从而萌生了“必须有一种更好的方式来构建 AI 应用”的想法。可以说，Modal 的核心理念源于他在 Spotify 期间始终渴望拥有却未能找到的工具。他明确表示：“我认为这就是为什么我选择使用它而不是任何竞争对手的原因。”这段经历不仅奠定了他的技术背景，也直接催生了对更优开发基础设施的需求。

Better.com 时期：管理历练与全栈视角的补充

离开 Spotify 后，Erik Bernhardsson 担任了抵押贷款公司 Better.com 的首席技术官（CTO），任期长达五年。当时公司规模仅 10 人，他负责将技术团队从几人扩展至数百人。这段经历虽然充满波折——包括疫情后利率飙升导致的公司危机，但他于 2020-2021 年左右离开——却为他提供了宝贵的管理视角。他在 Better.com 深入学习了团队构建、招聘以及开发者生产力的提升，并进行了大量的全栈开发工作。尽管这段经历相对独立于 AI 基础设施的核心技术积累，但它让他对工具如何影响开发者效率有了更深层次的理解。他回顾道：“我学到了很多关于管理和建立团队的知识，也学到了很多关于开发者生产力的知识。”这段“过山车式”的旅程最终让他回归到更贴近初心的基础设施与机器学习领域。

Modal 的诞生：从工作流编排到云代码执行的演进

在离开 Better.com 后，Erik Bernhardsson 经历了一段短暂的休整期，期间尝试了多个想法。早在 2015 年之前，他就发布过一个名为 Kaluigi 的开源工作流编排框架。到了 2021 年，他重新审视云代码执行的问题，意识到核心难点不在于“编排”计算机，而在于高效地“执行”计算机。这一洞察促使他转向构建 Modal。最初的目标是通用的，旨在让 GPU 代码、AI/ML 任务或数据处理在云端运行变得极其简单。为了实现卓越的开发者体验，团队深入底层技术栈，解决了文件系统、容器运行时等硬工程挑战。Stable Diffusion 的发布成为了 Modal 早期的杀手级应用场景，吸引了大量用户运行生成式 AI 推理任务。他总结道：“Modal 是我在 Spotify 多年间一直想要拥有的工具的延伸，而不是来自 Better.com。”这一过程体现了从通用云代码执行到聚焦 AI 基础设施的战略收敛。

创始人驱动的增长与早期财务策略

Modal 的初期增长高度依赖于 CEO Erik Bernhardsson 个人的社交媒体影响力，他自称为“创始人主导营销”（founder-led marketing）。由于擅长在 Twitter 上活跃并撰写长篇博客，他通过持续分享公司进展和云计算趋势吸引了大量关注。这种策略在早期至关重要，因为他在很长一段时间内并未寻求外部融资，而是选择自筹资金（self-funded）来维持运营。这种财务独立迫使他保持极度的节俭，并严格审视每一笔支出的投资回报率（ROI）。在很长一段时间里，他甚至不领取薪水，直到需要资金维持生活时才有所改变。这种对成本的极致敏感为公司的稳健发展奠定了基础。

“I always like feel like you kind of have to lean into like what you’re good at... I guess like just shit posting and being terminally online.”

这种“被迫”的节俭并非没有代价，直到 2021 年 8 月 Akshah 作为 CTO 和联合创始人加入，以及直到 2022 年初才完成种子轮融资。在此之前，公司已经独立运作了约一年时间。这种早期的财务压力虽然带来了焦虑，但也确保了公司在面对市场机会时拥有极高的灵活性和生存能力。

从稳定扩散（Stable Diffusion）爆发的收入曲线

Modal 的收入增长在 2022 年经历了从几乎为零到爆发式增长的剧烈变化，这一转折点与 Stable Diffusion 的兴起紧密相关。在 2022年11月，公司的月收入仅为 $100。然而到了下个月（2022年12月），收入跃升至 $2,000。真正的爆发发生在 2023年1月，月收入突然达到 $30,000。这一数据让 Bernhardsson 感到如释重负，确认了公司确实找到了市场痛点。

时间点 月收入 (USD)
2022年11月 $100
2022年12月 $2,000
2023年1月 $30,000

这一爆发式增长最初并非来自广泛的用户群，而是由单一客户驱动的。Bernhardsson 透露，该客户是纽约的一家名为 Mage 的公司，这是一家专注于 Stable Diffusion 的企业。在 2023年第一季度，Mage 贡献了 Modal 80%-90% 的收入。随后在2023年底，另一家大客户 Soon（推测为 Sonos 或类似缩写）加入，进一步巩固了收入来源。随着时间的推移，Modal 成功实现了收入的多元化（revenue diversification），降低了对单一客户的依赖风险。

针对 AI 工作负载重构底层基础设施

尽管 Kubernetes 和 Docker 等工具在 Web 和云计算时代取得了巨大成功，但 Bernhardsson 认为它们并不适用于生成式 AI（GenAI）的新世界。他指出，传统工具是为稳定的后端工作负载设计的，这些负载通常具有均匀的请求数量和较低的 CPU 利用率。然而，AI 工作负载涉及昂贵的 GPU、需要通过网络加载的大型模型以及极高的资源成本压力。

“You can’t build like a wrapper on top of the old stuff in order to do the new stuff. You kind of need to start over a little bit from scratch.”

因此，Modal 选择从头构建基础设施。他们开发了自定义的文件系统、CPU/GPU 快照技术（snapshotting）以及专用的自动扩缩容器和调度器。这些工具旨在解决 AI 特有的挑战，如快速上下调整容器规模和管理 GPU 容量。虽然传统自动扩缩容存在，但针对 AI 的高成本和动态特性进行了重新设计。

全球容量管理与技术挑战

在扩展过程中，Modal 面临的最大挑战之一是GPU 容量的获取与管理。为了应对数百甚至数千张 GPU 的需求，公司早期就做出了多区域部署（multi-region）的关键决定。Bernhardsson 将这种容量管理视为一个全球统一的拉取系统（one big pull over the entire world），而不是分散在各自区域中的独立集群。这种架构决策虽然增加了复杂性，但为后续的快速扩张提供了必要的弹性基础。

“Capacity is always from time to time been, been a challenge. Like how do you get like, hundreds and thousands and tens of thousands of GPUs?”

这种全球统一的容量视图使得 Modal 能够更有效地平衡负载和成本，尽管在扩展过程中仍不时面临资源瓶颈。通过构建这些底层能力，Modal 不仅服务于早期的 Stable Diffusion 用户（他们倾向于使用 ComfyUI 等低层、可高度定制的工作流），也为更广泛的生产级 AI 工作负载奠定了技术基础。

早期依赖云厂商现货市场的模式及其局限

在 AI 算力基础设施的构建初期，Modal 主要依赖 AWS、GCP 等超大规模云服务商提供的现货（Spot）和按需容量。这种模式允许公司在全球数百个区域中聚合资源，利用现货市场的低价优势快速扩展。然而，随着公司业务的快速增长以及云市场供需关系的根本性变化，这种策略逐渐失效。现货容量具有可抢占（preemptible）特性，虽然通过聚合多地资源可以缓解中断风险，但在大规模扩张时遇到了瓶颈。为了获取特定的高性能硬件（如 H800），Modal 早期开始向 Oracle 等厂商租赁，并逐步引入一年期预留实例（Reservations）以锁定价格。但直到去年年底，大部分容量仍来自现货或短期预留，这种灵活性在算力紧缺时期成为了劣势。

转向长期合约与专业化采购团队的建立

面对算力短缺，Modal 不得不彻底重构其供应链策略。目前，公司已与近 25 家云服务商（Neoclouds）合作，获取容量往往需要签署三年期合约并支付预付款。这一转变迫使公司建立了专门的采购部门，由四名全职人员负责谈判和验证容量；同时组建了一支十人的工程团队，专门管理全球范围内的裸金属（Bare Metal）基础设施。这些工程师需处理网络延迟、硬盘故障及 GPU 掉线等底层运维问题，因为尽管不拥有硬件所有权，但需对租赁资产的稳定性负责。三年期合约是重大决策，涉及长期的定价锁定和资金占用，标志着从“灵活租赁”向“长期绑定”的战略转移。

自购硬件与租赁模式的财务及运营权衡

在是否购买硬件的问题上，Modal 采取了务实而非教条的态度。租赁模式具有资本效率（capital efficiency）优势，避免了拥有硬件带来的运营复杂性（如电力、线缆管理）和财务复杂性（如需通过股权融资购买硬件会导致稀释，或通过债务融资需锁定长期收入以支付利息）。然而，随着 AI 投资占美国 GDP 比例上升至几个百分点，硬件资产变得极其昂贵且金融工程化。Modal 正在评估所有选项以锁定 2027 年的算力需求，甚至可能效仿 Neoclouds 进行复杂的金融操作。尽管创始人倾向于保持软件公司的轻盈，认为拥有重资产并非最佳方案，但在供给受限的现实下，一切手段皆在考虑范围内。

算力市场的供需动态与价格趋势反思

关于算力是否会被完全垄断，Modal CEO 认为市场并非百分之百有效。尽管 Anthropic 和 OpenAI 等巨头正在大量囤积，但 Nvidia 每月仍能交付数十万块 Blackwell GPU。核心观点在于：只要愿意支付高于市场平均的价格，通常仍能获取算力资源。 目前处于一个异常时期，硬件价格不降反升，这违背了“硬件最终会摆脱重力、价格必然下降”的常态规律。这种价格上涨可能持续六个月至三十六个月。虽然供应端在不断增加，但需求的爆发式增长使得短期内供需依然紧张。因此，公司必须通过长期合约和多元化供应商策略来对冲这一不确定性的窗口期。

产能紧缺与稀缺租金的去向

当前 AI 算力市场处于极度紧张状态，价格持续上涨。对于 Modal 而言，这种稀缺性并非纯粹利空，因为公司此前已锁定大量低价 GPU 储备，实际上已经处于“做多”GPU 价格的状态。因此，价格上涨反而意味着更高的客户收费潜力。从经济学角度看，稀缺租金（scarcity rent）主要流向了两个群体：一是 NVIDIA 等硬件供应商，二是拥有算力容量的新型云服务商（Neoclouds）。只要产能受限，持有硬件资产的经济优势就不可否认。

“I think the primarily goes to two places, mostly Nvidia, but of course, but also to some extent, Neoclouds... anyone owning capacity has better economics.”

然而，这种优势具有周期性。长期来看，硬件价格必然下降，持有昂贵资产的风险与收益需要重新评估。虽然短期内产能瓶颈难以缓解，但长期内单纯依靠囤积硬件可能不再是最佳策略。市场正在经历从“抢购”到“理性配置”的过渡期，稀缺租金的最终归属将随着供需平衡而动态变化。

激进采购与尾部风险的对冲策略

Erik Bernhardsson 承认 Modal 在算力获取上采取极度激进的采购策略，每天购买容量并融资以扩大规模。尽管他对市场持强烈看多态度，但他明确指出了潜在的尾部风险（Tail Risks）。这种谨慎源于他自1999年以来的行业经历，亲历了互联网泡沫和金融危机。他的目标不是短期垄断市场，而是构建一家能存活20到50年的公司。他引用了历史上著名的“亨特兄弟（Hunt Brothers）”试图垄断白银市场最终惨败的案例，警示强行占据市场份额并非良策。因此，Modal 的扩张计划虽然激进，但旨在与需求增长及明年年底的目标运行率相匹配，而非盲目囤积。

“I’m extremely aggressive, like buying capacity every day... but I do want to point out and like there are tail risks here.”

2027：非NVIDIA加速器的转折点？

关于替代芯片，Bernhardsson 坦言过去五年每年预测“明年将是非NVIDIA加速器的年份”都错了，但他认为2027年可能是真正的转折点。目前，像 Google 内部广泛使用的 TPU 在某些任务上表现优异。他认为硬件本身很难突破，但软件层的优化是关键。如果解决了这些替代加速器的软件适配问题，市场需求将大幅释放。鉴于 NVIDIA 已成为主要瓶颈，且 TSMC 和 ASML 等上游环节也存在更深层次的制约，市场多元化对长期健康至关重要。即使 NVIDIA 产品卓越，他也预期市场上会出现更多样化的竞争者。

“I think fundamentally, with NVIDIA being such a bottleneck... you’d be healthy for the market to have more alternative.”

混合部署与异构算力的复杂性机遇

在替代提供商方面，Cerebras、Groq 等公司因其在特定负载下的出色表现而受到关注。Bernhardsson 指出，不同工作负载对算力的需求性质不同：有的受计算瓶颈限制（Compute bound），有的则受内存带宽限制（Memory bound）。这催生了复杂的混合异构部署模式。例如，有团队尝试将 NVIDIA 用于预填充（Pre-fill）阶段，而使用 Cerebras 进行解码（Decode）阶段。这种解耦推理（Disaggregated inference）虽然增加了部署的复杂性，但也带来了巨大的优化机会和性能提升空间。

“Certain things are compute bound, certain things are memory bound. So you can sort of mix and match.”

Neocloud 的金融杠杆与快速扩张逻辑

Neocloud（如 Nebius、CoreWeave）之所以能实现极速规模扩张，核心在于其独特的金融构造。以 Nscale 为例，其在几乎无实际容量的情况下迅速获得数百亿美元管道订单。其模式是：先向大型买家（如 Anthropic）销售长达五年的芯片合约，锁定收入；随后拿着这份承诺合同去华尔街融资或作为抵押品获取贷款；最后再用融得的资金向 Super Micro 等硬件供应商采购并安装。这种预售未拥有资产（Pre-sell things that you haven’t even bought）的模式使其能绕过传统资本积累的限制。相比之下，Modal 因侧重产品驱动增长（PLG）而非长期锁定合约，在财务扩张速度上面临更大挑战。

“You have this like very nice sort of financial construct where you can basically sort of pre-sell things that you haven’t even bought.”

算力作为资产类的非同质化挑战与对冲需求

在探讨AI基础设施的商业前景时，Erik Bernhardsson 指出，算力作为一种资产类别面临着独特的非同质化挑战。与石油等标准化大宗商品不同，GPU资源在网络环境、地理位置、磁盘配置以及CPU架构等方面存在显著差异，且可靠性参差不齐。尽管行业正在尝试建立价格指数的衍生品交易机制（如Orn等平台），但算力远未达到完全标准化的程度。然而，随着AI数据中心和GPU部署规模的急剧扩大，风险管理成为关键议题。Bernhardsson 认为，行业需要更智能的风险对冲机制和保险策略来应对波动性。他对此持开放态度，但也保持谨慎预测：GPU不太可能像Henry Hub天然气或Brent原油那样成为高度商品化、可自由交易的标准化资产，其复杂性和异构性使得完全 commoditization（商品化）变得极其困难。

Modal Functions：核心产品与容量聚合优势

Modal 的核心产品线之一是 Modal Functions，该产品于2021年推出。其设计理念是提供极易部署和扩展的无服务器函数，并由平台统一管理底层容量。这一模式在推理（Inference）场景及GPU资源管理上取得了巨大的成功，尽管Modal从未将其定位为传统的“新云”（Neocloud）或单纯的GPU租赁商。Bernhardsson 强调，避免陷入单纯出售固定时长（如三年期）GPU实例的陷阱至关重要。Modal 的核心优势在于通过服务成千上万的用户，将周期性或突发性的工作负载进行聚合。这种容量聚合策略使得整体需求曲线变得平滑，从而实现了极高的资源管理效率。截至访谈时，Modal Functions 已贡献了公司约三分之二的收入（revenue）。虽然其主要应用场景是推理，但其灵活性也支持多种其他计算任务，并在2023年确立了产品市场契合度（Product-Market Fit）。

Modal Sandboxes：从边缘尝试到爆发式增长

Modal Sandboxes 的崛起是公司产品战略中最具戏剧性的转折点。该产品于2023年推出，初衷源于创始团队观察到LLM生成代码能力的提升，用户需要一个地方来运行这些生成的代码。由于Modal已具备容器管理和隔离（如gVisors）的基础设施，Akshar在极短时间内原型开发并上线了该功能。然而，初期市场反应平淡，到2023年夏季，Sandboxes 对收入的贡献微乎其微，内部甚至讨论过是否应终止该产品线。转折点出现在2023年下半年至2024年，随着LLM从生成代码片段进化为能构建完整应用的能力爆发，“Vibe Coding”（氛围编程）模式兴起。以Lovable为代表的公司以及使用Modal进行后台代理工作的Ramps等客户推动了需求的激增。此外，Neolabs 在Modal Sandboxes上进行强化学习（Reinforcement Learning）的需求也带来了巨大的增长。目前，Sandboxes 已占据Modal约三分之一的收入，成为继Functions之后的第二大支柱产品。

多产品线愿景与未来训练市场布局

Sandboxes的成功验证了Modal早期的战略愿景：成为提供存储、计算及多种交互方式的多元化云产品供应商。Bernhardsson 表示，尽管早期愿景中已包含多产品线布局，但直到近期才在外部市场得到清晰体现。目前，Modal不仅拥有Functions和Sandboxes两大成熟产品，还在积极布局训练（Training）、批量处理（Batch）等其他领域。对于未来市场，Bernhardsson 对训练赛道持强烈看好态度（Bullish）。他认为，尽管市场焦点往往集中在超大规模的训练运行上，但中小型训练任务实际上是一个未被充分服务的蓝海市场。这种从单一功能向多产品工具箱的演进，标志着Modal已从早期的技术验证阶段正式迈入多元化基础设施提供商的新阶段。

批量处理与低延迟推理的市场机遇

Modal 正在积极拓展其服务边界，不仅关注实时交互，也重视大规模批量计算需求。公司近期组织了一场会议，重点探讨Batch（批量处理）这一极具潜力的市场领域。客户案例显示了对海量非结构化数据处理的需求，例如某位用户曾需要转录长达 5,000 年的音频文件，涉及数百万个独立的音频片段。面对此类任务，Modal 利用其庞大的集群容量支持了该请求，尽管处理耗时数天，但成功交付。这种对高吞吐量、非实时任务的支撑能力证明了平台在大规模数据预处理场景下的可靠性。与此同时，Modal 对低延迟应用持高度乐观态度。随着语音到语音（speech-to-speech）模型及 voice models 技术的成熟，实时音频交互被视为一个极具吸引力的新兴市场。这种从离线批量处理到在线低延迟推理的全方位覆盖，旨在满足不同阶段 AI 应用的基础设施需求。

Agent 软件与通用构建块战略

在讨论 AI 应用形态时，Modal CEO Erik Bernhardsson 对“Agent（智能体）”一词持有复杂看法。他认为，所有软件最终都将演变为 AI 驱动的形式，因此“Agent”并非一种独立的技术类别，而是软件进化的必然结果。Modal 的核心战略是提供通用、可组合且经过实战检验的基础构建块（building blocks）。这些模块旨在帮助开发者快速搭建基于 LLM 的应用，无论具体用例如何变化，底层的工程组件具有高度的通用性。正如 Erik 所言：

"We’re in the business of building building blocks... we want to give you like amazing, generalizable, battle-tested, you know, general purpose, composable building blocks."

这种策略强调通过模块化设计降低开发门槛。无论是复杂的 Agent 工作流还是简单的推理服务，开发者都可以利用这些经过验证的组件进行拼装。这种思维模式将 AI 开发从“从零构建”转变为“积木式组装”，从而加速创新并提高系统的稳定性与可扩展性。

训练市场的定位：服务中型规模需求

关于模型训练，Modal 的战略重心并非争夺超大规模云厂商的百万级 GPU 订单，而是聚焦于被忽视的中层市场。Erik 指出，虽然公司多年前因团队规模限制而专注于推理（Inference），但随着工程师数量增长至 150 人，现在有能力在训练领域下注。然而，他们的目标客户并非进行超大规模预训练的巨头，而是研究人员、小型模型训练者以及特定垂直领域专家。这些用户通常涉及计算生物学、推荐系统或传统机器学习任务，所需资源通常在 64 GPU 左右。这类市场面临的主要痛点是训练集群搭建难度高且服务不足。Modal 计划通过提供简化的训练基础设施，服务于这些对算力需求适中但工程复杂度高的用户群体。

微调价值的演变与沙箱技术壁垒

在模型应用层面，微调（Fine-tuning）的必要性正在下降。Erik 观察到，随着开源模型质量的飞跃，如 Kimi K3、DeepSeek V4.1 或 GLM-5.3，这些模型在成本和性能上已接近前沿闭源模型。因此，开箱即用的开源模型往往能直接满足需求，微调不再是必选项，而成为一种可选的高级定制手段。尽管如此，后训练（Post-training）阶段仍包含强化学习等有趣的研究方向。在基础设施层面，Modal 的沙箱（Sandboxes）服务拥有极高的市场渗透率。其核心竞争力在于底层工程能力，能够稳定运行数十万甚至数百万个沙箱实例。为了支撑这种规模，团队多次重写系统架构，并逐步增加了对虚拟机（VMs）的支持。Erik 强调：

"We’re infrageeks... we are very good at scaling and reliability... that explains to a large extent why we have by far the largest market share in this space."

这种对高并发、高可靠性底层架构的极致追求，构成了 Modal 在沙箱服务领域的深厚护城河。

沙箱技术的核心演进：从临时性到持久化工作流

Modal 在构建 AI 计算基础设施时，不仅提供了完整的虚拟化机器以确保持续的 Linux 兼容性，还投入大量精力优化底层原语。这些改进包括更高效的沙箱间数据管道、文件系统交互以及快照技术。Erik Bernhardsson 指出，虽然沙箱的 novelty（新奇性）在于其短暂的生命周期和即时启动能力，但真正的差异化竞争点将集中在更高级的功能上。他特别强调，“really cool things like, you know, forking sandboxes, snapshotting, resuming snaps, like live migrations”（真正酷的事情，比如分叉沙箱、快照保存与恢复以及实时迁移）将是未来的关键。这种技术演进旨在解耦智能体（Agent）与运行环境，使一个 Agent 能够控制多个沙箱，甚至为每个命令启动独立的、寿命极短的沙箱实例。

快照技术的价值：打破 CI/CD 的串行瓶颈

对于“为什么需要快照”这一核心问题，Bernhardsson 认为当前的许多沙箱工作负载仅是简单的“迁移上云”，即把开发环境直接搬到云端由 Agent 控制。他提出了一种更优的模型：长期运行的持久化工作流（Durable Execution Workflows）。在这种模式下，Agent 可以以毫秒级速度唤醒沙箱、执行命令并立即休眠快照。这种“快速醒睡循环”能极大提升计算效率，并支持如 Claude Code 般的非线性、分支式并行处理。以 CI/CD（持续集成）为例，传统流程如 GitHub Actions 往往是串行的：安装依赖、运行测试、生成报告。虽然可以分片，但每个分片都需要重复安装和设置环境，导致高昂的开销。Bernhardsson 指出，“what I would love to do is like take your entire test suite and just run every single test in its own sandbox... parallelize the shit out of that around a thousand sandboxes”（我理想的做法是将整个测试套件中的每个测试都在独立的沙箱中运行……在一千个沙箱中进行极致并行）。通过快照克隆环境，可以消除重复设置时间，实现真正的无摩擦大规模并行。

商业合作与安全事故：Anthropic 生态与 Hugging Face 事件

在商业模式上，Modal 与 Anthropic 的合作具有战略合理性。Anthropic 通过推理服务获利，因此有动力构建庞大的生态系统以扩大其市场覆盖面。Bernhardsson 解释，“it’s very much in their interest to promote, for everything else, as much of an ecosystem as possible and they want to have the largest possible surface area as long as you use Anthropic for inference”（只要用户使用 Anthropic 进行推理，他们就有极大动力推广尽可能多的生态系统）。这种合作允许用户通过“Bring Your Own Sandbox”集成使用 Modal 沙箱。然而，近期 Hugging Face 事件引发了关注。Bernhardsson 澄清，“this is an app running a modal that was hacked. Like it was not modal that was hacked”（这是在 Modal 上运行的应用程序被黑了，而不是 Modal 平台本身被黑）。攻击者利用部署在 Modal 上的应用漏洞作为跳板，获取了完整的互联网访问权限。这一案例强调了隔离性与安全性边界的重要性：虽然平台本身未受损，但运行其上的应用仍需严格的安全防护。

默认安全策略与 AI 渗透测试的实践

在云原生环境中，应用被黑并不等同于云平台本身存在漏洞。正如 AWS 用户的应用遭遇攻击时，我们不应简单归咎于 AWS 被入侵。对于 Modal 而言，类似的安全事件促使团队反思默认安全限制（security restrictions by default）的必要性。借鉴 AWS S3 的经验，早期用户常因配置失误导致桶公开而泄露数据，AWS 随后收紧了默认权限设置。Modal 正在探索类似路径：在保持平台灵活性的同时，通过更严格的默认配置来降低安全风险。这种转变旨在防止用户因疏忽造成数据泄露，而非破坏平台的核心价值。

与此同时，AI 代理（Agents）在网络安全领域的应用正从理论走向实战。Modal 内部已启动利用 AI 代理进行漏洞挖掘的项目，这被视为一次重要的安全学习过程。团队将代理置于沙盒环境中，赋予其“逃逸”任务：让 AI 尝试解释如何从受限环境中突破限制。这种模拟攻击方式能够深入系统底层，探测传统手段难以触及的角落。尽管目前尚未发现重大漏洞，但 AI 代理在探测深层系统弱点及尝试权限提升（escalate）方面的表现令人印象深刻。这一举措标志着安全测试从被动防御向主动、自动化渗透的转变，团队正积极评估其效率与覆盖面。

传统安全厂商的困境与新范式

关于大型网络安全公司是否会被 AI 颠覆，Erik Bernhardsson 持谨慎态度。他指出，许多安全产品的核心卖点往往建立在恐惧营销（selling fear）之上，这种品牌策略在 AI 时代依然具有极高的商业价值。传统巨头拥有深厚的企业客户关系和强大的销售团队，擅长讲述“恐怖故事”以维持市场地位。因此，品牌资产在 AI 浪潮中可能比核心产品更具韧性。尽管 Modal 等新兴公司倾向于自建安全能力，但大型企业出于合规和责任归属的考虑（即“甩锅”需求），仍倾向于雇佣成熟供应商。这种心理因素使得传统厂商在短期内难以被完全取代。

然而，AI 正在重塑安全测试的效率边界。过去，初创公司通常每六个月进行一次人工渗透测试（pen testing），而现在AI 代理的介入可能将这一周期延长至每年一次。这并非意味着人类安全专家的角色被完全消除，而是人机协作成为新趋势。Bernhardsson 认为，人类与 AI 的结合比单纯使用任何一方都更强大。未来的安全专家将是那些擅长利用 AI 代理快速发现漏洞的高手。这种乐观主义观点认为，AI 带来的突破将使世界更安全，而非更危险。安全行业的未来在于利用 AI 提升效率，而非简单地替代人类或传统厂商。

开发者体验与 AI 代理的协同效应

随着 AI 代理能力的提升，有人质疑开发者体验（Developer Experience, DX）是否依然重要。Bernhardsson 认为，DX 不仅没有过时，反而与 AI 代理的体验高度重合。实践中发现，良好的开发者体验要素同样优化了 AI 代理的表现。例如，清晰的文档、描述性强的错误信息以及快速的反馈循环，不仅帮助人类开发者高效工作，也降低了 AI 代理理解和执行任务的难度。当文档结构良好且错误提示明确时，AI 能更准确地解析意图并执行操作。

以 Cloudflare 的配置为例，该平台以往因配置复杂而备受开发者诟病。然而，当引入 AI 代理后，AI 能够自动配置多项服务并生成代码（pollute me for you），显著降低了使用门槛。这表明 AI 代理正在缓解传统复杂工具带来的“人类痛苦（human toll）”。虽然某些繁琐的人机交互环节被自动化取代，但开发者体验的核心价值并未消失。相反，它成为了 AI 代理发挥效能的基础设施。Bernhardsson 强调，好的 DX 是 AI 时代竞争力的关键组成部分。随着代理技术的成熟，那些提供清晰接口和良好反馈机制的平台将获得更大的优势。这种协同效应意味着，提升 DX 不仅是为人类服务，更是为了赋能 AI，从而实现整体开发效率的飞跃。

Agent 训练数据倒逼产品保守化与“代理引擎优化”

随着 AI Agent 在基础设施层面的普及，开发者体验（DX）与代理体验（AX）高度重合。Modal 的核心论点在于，基础设施必须变得更加程序化（Programmatic）。过去需要配置 YAML 或声明式 DSL 的任务，现在应通过 SDK 以命令式方式完成，例如“启动沙箱、执行操作、销毁沙箱”。这种接口转变不仅提升了效率，也重塑了交互逻辑。SDK 的重要性不降反升，因为它们提供了更直接、更具操作性的控制手段。

然而，Agent 的广泛使用带来了意想不到的副作用：历史代码成为产品迭代的枷锁。由于大量 Agent 的训练数据来源于互联网上现有的 Modal 示例代码，Agent 倾向于复用旧版语法。这导致公司在弃用（Deprecate）功能时变得异常谨慎。为了引导 Agent 转向新特性，团队必须投入大量精力更新线上所有示例和文档。这种对训练数据的依赖使得产品演进路径受到制约，因为任何激进的功能移除都可能被 Agent 忽略或误用。

“我们不得不更加保守地处理功能弃用……必须非常小心地更新线上每一个示例。”

此外，Modal 内部建立了类似 SEO（搜索引擎优化）的“代理引擎优化”机制。团队定期运行基准测试，例如要求 Agent 部署 Stable Diffusion 或排名沙箱供应商，以监控其推荐倾向。虽然存在通过生成大量代码（“Slop Cannon”）来操纵 Agent 认知的理论可能，但 Modal 拒绝采用这种低质量内容策略，而是选择通过提升内容的清晰度和可理解性来优化 Agent 的索引效果。

Forward Deployed Engineers (FDE)：从销售辅助到产品迭代引擎

Modal 近年来大幅扩展了 Forward Deployed Engineers (FDE) 团队规模，从最初的几人增长至约 24人。这些工程师并非传统意义上的技术支持或重型服务人员，而是处于销售、客户成功与产品研发的交汇点。FDE 的核心价值在于解决那些无法通过标准化文档解决的问题，特别是在大语言模型（LLM）应用的性能调优方面。

FDE 的工作内容高度定制化，包括协助客户调整模型参数、优化 DLM（可能是指 Data Loading 或特定框架）及 SGLang等底层技术细节。他们深入客户现场，帮助解决 Bug 或提供工作around方案。更重要的是，FDE 主动识别客户的资源浪费问题，例如发现客户过度配置 CPU 或内存时，介入并提供优化建议以降低成本。这种 proactive（主动式）的服务模式不仅增强了客户粘性，也为销售团队提供了强有力的技术背书。

“我们的目标不是成为重服务业务……FDE 最重要的功能是 bridging gaps in the product（填补产品空白）。”

从战略角度看，FDE 团队承担着三重使命：首先是促进销售成交，通过技术信任感加速决策；其次是提供深度的客户支持；最关键的第三点是作为产品需求的探针。FDE 在解决具体问题时发现的痛点，会被转化为未来的标准化功能。Modal 的长期愿景是将 FDE 的工作自动化或产品化，从而减少对人工干预的依赖。这种模式确保了服务投入能直接反哺核心产品的竞争力，形成闭环。

“我始终在问：长期来看，我们如何将这项工作转化为产品功能？”

基础设施公司产品管理的战略深度与稀缺性

在构建底层技术平台时，产品管理（PM）的角色往往被误解。Erik Bernhardsson 指出，虽然部分工程人员承担了类似 PM 的职能，特别是在面向客户或内部需求整合时，但真正的产品管理需要极高的战略深度。他认为过去许多公司过早且过度地招聘产品经理，导致产品堆砌了大量缺乏深思熟略的功能。对于基础设施公司而言，优秀的 PM 必须能够规划未来一到两年的基础构建块，并避免功能同质化。Bernhardsson 强调：“在基础设施公司做好产品管理非常困难，因为它需要极深层的战略思维。” 这种能力极为稀缺，因此 Modal 并未激进地扩充专职 PM 团队，而是让具备战略思维的工程师或开发者关系专家自然过渡到该角色。他观察到一些产品充斥着“急于求成的产品经理”所设计的琐碎功能，这反映了基础设施领域对长期架构稳定性的严苛要求远超短期特性堆砌。

工程师文化回归：从管理导向到个人贡献者（IC）

随着生成式 AI 的兴起，技术团队的组织结构发生了显著变化。Bernhardsson 指出，尽管这一趋势在 AI 爆发前已初现端倪，但AI 极大地加速了向个人贡献者（IC）角色的回归。过去十年中，管理职位曾被视为获得更高薪水和声望的唯一途径，但现在许多前管理者选择回归一线编写代码。在 Modal，经理与 IC 享有同等声望，所有技术团队成员均被视为“技术人员”，评价标准完全基于实际贡献。这种转变使得非技术背景的员工也能参与编码，因为 AI 工具降低了代码编写的门槛和错误率。Bernhardsson 本人及团队核心成员仍保持高频的代码提交习惯，这反映了“非技术管理者回归工程实践”的新常态。这种文化不仅提升了团队的代码质量感知，也打破了传统层级带来的沟通壁垒，使技术决策更贴近实际实现细节。

代码审查的重新定义：从人工把关到自动化控制

在工程师文化回归和 AI 辅助编程的背景下，传统的代码审查（Code Review）流程正在被重新评估。Bernhardsson 认为许多公司的代码审查流于形式，本质上是逃避生产环境合并责任的文化体现。在 Modal，代码审查被视为“可选的”而非强制流程。对于文档修改或基础调整，团队鼓励直接合并而不等待人工审核。这种激进做法的前提是建立极其强大的 CI/CD（持续集成/部署）系统。Bernhardsson 指出：“如果你依赖人工代码审查来逃避责任，说明你需要在 CI/CD 上投入更多。” 基础设施公司需要比一般初创企业更高的可用性（多一个“9”），因此必须通过全面的测试覆盖率、速率限制和系统解耦来确保稳定性。他特别提到，现在的 AI 代理在编写测试用例方面表现出色，因为它们能够以“魔鬼代言人”的视角审视代码逻辑。这种自动化测试与有限人工审查相结合的模式，既保证了基础设施的可靠性，又提升了开发效率。

坚持多云架构与拒绝本地部署的逻辑

Erik Bernhardsson 明确表示，Modal 不会转向传统的本地（On-prem）业务模式，并认为这已成为一种过时的商业模式。他回顾了自己对云计算态度的转变：从最初觉得将代码运行在别人电脑上“疯狂”，到半年后完全接受，再到看到 Snowflake、AWS 等厂商证明多租户系统（Multi-tenant systems）的胜利。他认为，本地部署所依赖的“将网络作为安全边界”的传统观念已经过时，现代企业应转向零信任（Zero trust）等更 robust 的安全范式。因此，像 BYOC（Bring Your Own Cloud）或 VPC peering 这类功能，在他看来更多是反映了旧有的安全焦虑。

“对我而言，本地部署看起来越来越像是一种遗留的商业模式。”

从运营效率角度看，Modal 拥有对基础设施栈的完全控制权。他们租赁硬件、部署并管理所有基础设施，包括健康监控和指标观测。这种控制力使得他们能够快速迭代并构建更优秀的产品。相比之下，过去需要客户自行部署的企业版软件面临着复杂的发布管理和兼容性顾虑。例如，如果 Modal 想引入新的数据库技术，他们可以直接实施，而无需担心客户环境是否支持。这种多租户架构带来的敏捷性优势巨大。尽管对于某些大型 Fortune 500 客户提出的 BYOC 需求，Modal 曾提供过报价但无人接受（因为价格极高），但在理论层面，BYOC 仍可能成为获取特定容量资源的一种手段。例如通过与 Neolabs 合作，利用其已有的大规模预留容量，Modal 可以保留控制平面在自身环境中运行。

资金用途与运营杠杆分析

关于融资资金的用途，Bernhardsson 指出，目前最核心的支出在于容量预付款（Capacity prepayments）。随着 Modal 激进地扩张算力规模，大量的现金流被用于锁定 GPU 资源。虽然薪资和办公场地也是成本，但在整体财务结构中，这些人力和行政开支几乎可以忽略不计。

“我们拥有 200 名员工，他们确实很贵，但 GPU 的成本要高得多。”

这种成本结构揭示了 Modal 惊人的运营杠杆（Operating leverage）。在 200 人的团队规模下，硬件采购成本占据了绝对主导地位。Bernhardsson 强调，即使未来可能涉及资产所有权或其他部署模式，预付款或首付款的现金成分始终存在。因此，当前将资金用于获取算力容量是最高效的资金使用方式。这种重资产、高杠杆的模式要求公司在财务规划上必须极其精准，以应对算力市场的波动和长期承诺。

三大核心战略焦点：容量、产品与文化

面对快速扩张（预计年底员工数将达到 250 人），Bernhardsson 将公司的战略重心归纳为三个主要领域。首先是容量管理与财务复杂性。这涉及如何平衡所有权与租赁的关系，是否应向“新云（Neocloud）”方向转型，以及如何制定定价和包装策略。这是目前他思考最多的问题。

其次是产品战略与未来构建块。Modal 擅长在需求爆发前预判并推出产品（如 Serverless Functions 和 Sandboxes）。现在的焦点是确定下一个关键的基础设施原语（Primitives），无论是存储还是计算。Bernhardsson 思考的是：未来几年世界会突然意识到需要什么样的新工具？他们需要确保在这些需求显现时，已经准备好了相应的解决方案。这要求团队具备极强的前瞻性。

最后是企业文化与公司建设。随着公司规模从 200 人向 250 人甚至更多增长，如何维持高效协作和创新文化成为关键挑战。这不仅仅是管理问题，更是确保公司在高速扩张中不迷失方向的核心要素。

“我认为我们通常很擅长预判需求，并在其之前构建产品。那么下一个是什么？”

规模化挑战：从隐性信任到制度化管理

当公司处于快速扩张期，拥有250名员工时，管理重心必须从依赖人际默契转向建立明确的激励机制与文化基础。在10到30人的小团队阶段，文化是隐性的且可感知的，成员能直接读取创始人的情绪并即时调整行为；但当规模扩大至250人，这种隐性信任机制失效。新员工往往因层级感而不敢直接与CEO沟通，因此保持管理者的可接近性（Approachability）变得至关重要。同时，必须建立一种既包含高度信任又具备严格问责制的文化环境，确保每个人都知道如何为公司创造最大价值。

"When you’re growing very fast, you have 250 people that are all trying to figure out how they can have the most value to modal... making sure that, you know, we, people have like a very positive culture where they have the sort of implicit trust to do a lot of stuff, but also the accountability."

尽管存在所谓的邓巴数（Dunbar's number，约150-200人），但在实际运营中，文化基础的奠定是超规模的关键。随着人数激增，若缺乏清晰的上下文和动机对齐，员工容易陷入迷茫。因此，明确的成功标准与激励相容性（Aligning incentives）成为维持组织活力的核心要素。管理者需确保员工不仅感到兴奋于构建酷炫的技术，更清楚自身工作与公司成功之间的逻辑联系。

极速增长的风险与招聘策略调整

过去12个月内，Modal实现了年化4倍（four acts）的增长率。虽然每年翻倍团队规模尚属可控，但如此高速扩张带来了显著的副作用：文化漂移（Cultural drift）以及工作风格孤岛的形成。在工程团队中，这种风险尤为明显：工程师可能因缺乏明确指引而转向投机性项目（Speculative things），即开发边缘化或非核心功能的产品。CEO对此保持高度警惕，通过直接询问工程师的工作内容来识别并纠正这些偏离主航道的努力。

此外，人员上手成本（Ramping people up）随规模线性增加。基于当前趋势预测，到明年年底团队规模可能达到700人左右。招聘重点将集中在两类工程师：一是深耕Linux、文件系统、可扩展系统、网络及云基础设施的核心系统工程专家；二是随着技术栈上移，专注于LLM前端、CUDA优化及GPU性能（如最大化每卡Token吞吐量）的AI系统工程师。尽管涉及LLM，但许多问题（如KV缓存、路由）本质上仍是系统级挑战。同时，公司正组建研究团队，初期通过协助客户优化模型来积累数据，长期目标是将其转化为自助式内部产品（Self-serve internal products）。

基础设施愿景：构建通用AI原语

关于未来1-2年的产品战略，CEO认为预测具体需求极具挑战性，若声称完全清楚则属自欺欺人（Delusional）。当前的核心信念是：软件行业正进入新时代，需要更好的构建模块（Building blocks）来支持此前无法实现的应用类型。例如，生成代码的LLM需要运行在隔离环境中，这催生了针对GPU和LLM的新原语（Primitives）需求。Modal已构建部分基础模块，解锁了诸多新应用。

"I think what we’ve seen so far... is like, we need better building blocks. Like this is a new era of software and we’re unlocking a whole new type of applications that could not be built a few years ago."

Modal将自己定位为基础设施公司（Infrastructure shop），而非开发狭窄垂直应用的厂商。其战略是构建通用的、面向客户的基础模块，由客户自行组合这些模块以创造不可预见的创新应用。尽管对训练、快速作业（Fast jobs）、智能体及低延迟场景持乐观态度，但核心逻辑始终是提供通用能力而非封闭解决方案。这种策略旨在通过赋能开发者生态，间接推动AI应用的爆发式增长。

沙盒化演进：从开发机到瞬时环境

Modal 目前的基础设施形态正经历显著演变，沙盒（Sandbox）正在从传统的开发机向云环境过渡。Erik Bernhardsson 指出，未来的愿景是构建一种更短暂的（ephemeral）环境，即“每个命令对应一个独立的环境”。这种架构允许用户随时暂停、恢复或克隆实例，极大地提升了交互的灵活性。

“Today feels lift and shift. I suspect sandboxes will evolve from dev box into cloud to something more ephemeral, one environment for every command.”

目前，Modal 上沙盒的中位时长仅为 8秒左右。这一数据令人惊叹，且 Bernhardsson 预测未来沙盒启动时间可能会更短。尽管公司也支持长运行时间的沙盒以覆盖特定用例，但其核心战略在于大规模并行化以及降低启动和停止沙盒的开销。这种极速启停能力是支撑高并发、细粒度计算需求的关键基础设施。

容量痛点：打破“三年矩形”的垄断困境

当前 GPU 稀缺性的最大负面影响并非难以获取硬件，而是几乎所有容量都以“三年期矩形”（3-year rectangles）的形式预售。这些合同通常在未来 3 到 6 个月后生效，这与大多数用户实际波动的需求模式严重脱节。现实中的工作负载并非平坦的矩形，而是随 24 小时周期上下波动、长期增长或存在突发峰值。

“The biggest downside of GPU scarcity is not that it’s hard to get GPUs, but that almost all capacity is sold as three years... That’s not what demand looks like for most users.”

Modal 的核心差异化优势在于提供完全按需（fully on-demand）的容量。客户若需要 100 张 GPU，通常无需经过销售谈判即可立即获得。Modal 通过聚合成千上万客户的需求，将波动的个体需求平滑化，从而实现灵活的容量持续时间转换（duration transformation）。这种能力使得 Modal 能够以极高的颗粒度切片和分配资源，解决了客户在获取即时算力时的结构性难题。

商业模式验证：沙盒收入的爆发式增长

Bernhardsson 将 Modal 的价值主张归纳为两点：开发者体验（无需关注基础设施即可迭代构建）和 容量管理。随着公司聚合全球计算资源的能力增强，其沙盒收入（sandbox revenue）呈现出惊人的增长态势。尽管每月都在预测该业务会趋于平稳，但它每个月仍以 30% 的速度增长。目前，沙盒业务已占据 Modal 三分之一的总收入。

“Every month I keep saying or saying box revenue might apply to it, but it keeps going up 30% every month. It’s kind of nuts... the fact that sandboxes is a third of our revenue today, it’s insane.”

这一数据证明了市场对细粒度、瞬时计算资源的巨大需求。Bernhardsson 承认，尽管在 2023年就预见到了沙盒的重要性，但并未预料到其收入规模会如此庞大。目前，Modal 拥有庞大的团队专门投入沙盒技术的研发，包括 GPU 快照、快速扩缩容等底层优化技术。这种大规模聚合与细粒度切片相结合的模式，构成了 Modal 在 AI 基础设施领域的核心竞争壁垒。

推理与模型构建分离：结构性必然性

从结构上看，推理提供商（Inference Providers）应与模型构建者（Model Builders）分离。这是因为最佳模型变化迅速，而整体推理需求相对平滑。如果各大实验室独立持有容量，当新模型发布时需求激增，随后又因竞品推出更好模型而骤降，导致资源利用率极低。相反，独立的推理提供商可以轻松在模型间重新分配资源。例如，今天运行 1000 张 GPU用于某模型，明天即可将 50%的资源无缝切换至另一热门模型。

“The best model keep changing a lot inference providers keep can easily reallocate resources between models since overall demand is quite smooth.”

这种动态调整能力使得推理提供商能够高效应对如中国实验室等不断发布最新开源模型带来的需求波动。虽然用户粘性和提示词工程带来了一定的稳定性，但系统层面的资源迁移是自动且无缝的。Bernhardsson 用 Taylor Swift 类比模型构建者：如同歌手通过专辑和巡演保持品牌价值和利润率，顶级实验室依靠持续发布新模型来维持高边际利润和品牌影响力，而基础设施层则负责提供灵活、高效的算力支撑。

AI智能是否已触及天花板？

关于人工智能的发展前景，Erik Bernhardsson 明确表示他不认为智能已经出现停滞或 plateauing（平台期）。尽管目前尚需时间验证，但他观察到当前的模型在能够通过强化学习进行高效训练的任务领域中表现卓越。这些任务通常具有明确的反馈机制和可验证性，使得模型能够迅速迭代并提升性能。他举例指出，AI 在编写代码片段、生成生产级代码、数学计算以及网络安全分析等方面已经变得非常出色。这些领域的共同特点是结果易于验证，从而形成了高效的训练闭环。

"I still think it remains to be seen... things that I have like more diffuse targets, maybe longer feedback loops or whatever"

然而，Bernhardsson 也谨慎地指出，在那些目标模糊、反馈周期较长或涉及复杂物理交互的领域（如烹饪），人类依然可能保持竞争力。他认为在这些非结构化或长反馈回路的问题上，人类的适应能力将在很长一段时间内优于模型。这种区分对于理解当前 AI 的能力边界至关重要：AI 擅长的是可验证、高频率反馈的计算任务，而非所有类型的智能活动。

具备可验证计算闭环的潜力领域

除了编程和数学，Bernhardsson 认为未来几年将出现巨大增长的应用场景集中在那些拥有可验证计算基础（verifiable computational basis）的领域。他特别提到了计算生物学（Computational Bio）和材料科学。在这些领域中，虽然结果并非完全即时可验证，但可以通过特定的方法构建反馈循环。例如在计算生物学中，可以利用大语言模型（LLM）输出预测结果，随后通过分子动力学模拟等计算方法进行验证，从而形成有效的反馈回路。

在材料科学方面，同样存在类似的机制。研究人员可以合成特定材料并测量其属性，然后将这些数据输入到代理（Agent）循环中。这种结合实验数据与 AI 预测的模式，使得模型能够不断修正和优化其输出。物理背景的研究者对此感到兴奋，因为这代表了 AI 从纯数字世界向实体科学世界的延伸。这种"AI预测+物理验证/模拟反馈"的模式，是未来几年 AI 落地的重要方向。

药物研发与科学探索的延伸应用

基于上述逻辑，药物研发（Drugs）被视为另一个极具潜力的应用领域。虽然 Bernhardsson 在访谈结尾表示一时想不出更多具体例子，但他强调这类应用的核心共性在于存在某种形式的模拟或验证机制。无论是通过计算模拟分子相互作用，还是通过实验合成新材料并反馈数据，关键在于建立"AI 输出 -> 计算/物理验证 -> 模型修正"的闭环系统。

这种模式不仅限于他提到的几个领域，而是可能扩展到许多其他科学分支。只要一个领域能够被转化为可计算、可模拟或可通过实验快速验证的问题空间，AI 就有机会在其中发挥巨大作用。这与之前提到的编程和数学领域一脉相承，都是利用 AI 处理高维度、复杂但可验证的计算任务。对于拥有物理或科学背景的专业人士而言，这种将 AI 融入传统科学研究流程的方式提供了广阔的创新空间。

"I think anything that has like kind of a verifiable computational bio... you can use an LLM to output predictions, then you can do like computational like methods to simulate molecular dynamics and get feedback loops"

访谈最后，Bernhardsson 对这种跨学科的应用前景表示期待。他认为，虽然目前具体的应用案例可能还在涌现中，但核心逻辑已经清晰：AI 将在那些能够建立有效反馈循环的科学计算领域产生深远影响。这不仅是对 AI 技术能力的认可，更是对科学研究范式变革的一种展望。

结论

Modal通过“持续时间转换”聚合全球碎片化算力，以Serverless模式解决AI工作负载波动与长期合约“矩形”供给的错配。其核心优势在于底层基础设施重构带来的极致开发者体验（DX）及沙盒产品的意外爆发，后者已贡献三分之一收入并推动基础设施向Agent体验演进。财务上，激进采购与长期合约虽带来尾部风险，但通过锁定低价产能实现了高运营杠杆。未来战略聚焦于中型训练市场、异构算力混合部署及通用AI原语构建，旨在通过软件层优化打破NVIDIA垄断瓶颈。