Modal 的业务定位与爆发式增长
Modal 是一家专注于构建 AI 基础设施的公司，提供计算平台和存储平台。其核心客户包括 Dacagon、Suno、Runway 和 Cognition 等知名 AI 应用开发商。在实际操作中，Modal 通过软件 SDK 帮助客户快速构建 AI 应用程序，处理大量的 推理（inference）、沙盒环境运行以及部分训练和微调任务。平台底层管理所有容量资源，使开发者能够轻松部署、扩展并在生产环境中运行这些应用。
自两年前首次接受采访以来，Modal 经历了巨大的变化。公司不仅完成了从种子轮到 Series C（估值 $50亿）再到最新 Series D 的融资，后者以 $160亿估值筹集了 $7.5亿。目前，Modal 的年化收入运行率已突破 10亿美元大关。Erik Bernhardsson 指出，无论是收入、用户数量还是使用量，过去两年间都实现了至少 50倍的增长。这种爆发式增长反映了市场对无需预置集群、按需付费的服务器化 AI 基础设施的巨大需求。
GPU 需求的非矩形特性与容量管理风险
传统的数据中心合同通常以“固定数量的 GPU 供固定时间段使用”的形式存在，这在图表上表现为一个 矩形。然而，真实的 AI 工作负载行为截然不同：它们随时间增长、出现峰值并回落。如果按照峰值需求购买容量，企业将支付大量闲置硬件的费用；若购买不足，则面临无法满足需求的 风险。
Modal 的策略是一种“持续时间转换”：将数千名客户的需求汇集到一个池中，在底层锁定容量，让每个客户按需使用。这种聚合使得总体需求曲线更加平滑，从而提高了资源利用率。这与 SF Compute 的 Evan Conrad 提出的“使容量可交易”形成互补，Modal 更侧重于 使容量以更小、更具弹性的切片形式可用。
然而，这种模式伴随着财务风险。如果提供商以当前价格锁定容量，而未来 GPU 价格下跌，公司可能持有昂贵的过剩供应。Erik Bernhardsson 表示，虽然他不预计 GPU 价格会立即崩盘，但在构建商业模式时必须考虑这种 可能性。
“我们建立的是一个计算平台和存储平台，使许多客户能够构建 AI 应用程序……我们在底层管理所有容量。”
沙盒业务的意外崛起与基础设施挑战
Modal 的沙盒（Sandbox）功能最初源于创始人 Erik Bernhardsson 和 Akshat Bubna 的观察：语言模型可以生成代码，因此需要一个地方来运行这些代码。起初，这一产品的采用率 modest（适中），团队甚至考虑过将其关闭。然而，随着 编码代理、后台代理和 强化学习等新需求的爆发，沙盒业务迅速增长。目前，沙盒已占 Modal 收入的约 三分之一，这是 Erik 在发布时未曾预测到的结果。
这种增长改变了基础设施的要求。AI 代理可能会创建环境、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。这标志着从单纯的“开发者体验”向 “代理体验” 的转变。
为了实现真正的服务器化 GPU，Modal 开发了一套复杂的基础设施机制：包括 可用 GPU 缓冲区、自定义文件系统、进程检查点和 GPU 内存快照。这些技术减少了启动新模型副本所需的工作量，是基础设施决策直接影响应用响应速度和成本的典型案例。
“沙盒已经增长到占 Modal 收入的三分之一左右，这是一个我在发布时没有预料到的结果。”
工程文化与产品哲学
在工程文化方面，Modal 采取了独特的做法。Erik Bernhardsson 提到，代码审查在 Modal 是可选的。这一政策反映了公司对开发速度和代理自主权的信任，尤其是在 AI 生成代码日益普及的背景下。此外，Modal 还引入了 前置部署工程师（Forward-Deployed Engineers），他们深入客户环境解决具体问题，这种模式有助于更好地理解客户需求并推动产品迭代。
在产品管理上，Modal 强调快速响应市场变化。例如，面对 Anthropic 等大模型厂商对沙盒安全性的关注，Modal 利用代理来测试安全性，确保持续的安全合规。这种灵活性和对新兴需求（如代理工作负载）的快速适应能力，是 Modal 能够在竞争激烈的 AI 基础设施市场中脱颖而出的关键因素。
“代码审查在 Modal 是可选的。我们信任代理和开发者，更关注最终结果而非过程控制。”
Spotify 经历：推荐系统构建与基础设施痛点
Erik Bernhardsson 在加入 Modal 之前，曾在 Spotify 工作了七年（约2008-2015年）。他的核心贡献是构建音乐推荐系统，从零基础搭建团队并推出了 Related Artists、Discover Weekly 等关键功能。这一过程涉及大量的矩阵分解和高强度计算任务。这段经历让他深刻意识到 AI 应用基础设施的糟糕现状，从而萌生了“必须有一种更好的方式来做这件事”的想法。他认为 Modal 的核心理念正是源于他在 Spotify 期间始终渴望拥有却未得到的工具，而非来自 Better.com 的经历。
Better.com 时期：管理成长与全栈实践
离开 Spotify 后，Bernhardsson 受 Zach Frankel 招募加入房贷公司 Better.com 担任 CTO。当时公司规模仅10人，他在五年间将技术团队扩展至数百人。这段经历让他深入学习了管理、招聘以及开发者生产力提升，并进行了大量的全栈开发工作。尽管他形容这段经历为“过山车”，且公司最终因疫情后利率飙升等宏观因素遭遇困境，但他已于2020-2021年间离开。这段全栈与管理经验为他后续关注基础设施和 AI 机器学习领域奠定了坚实基础，但他明确表示自己更倾向于回到与基础设施紧密相关的核心业务上。
创业契机：从工作流编排到代码执行平台
在 Better.com 离职后，Bernhardsson 曾考虑咨询或短暂休假，期间尝试了多个想法。他早期曾发布过开源工作流编排框架 Kaluigi，并在2021年重新审视代码在云端运行的问题。他意识到核心难点不在于编排计算机，而在于执行计算机。尽管最初尝试过网页抓取等方向未果，但他最终聚焦于让云端代码运行变得极其简单。这一理念最初是通用型的，涵盖 GPU、AI 和数据任务。为了实现极致的开发者体验，Modal 团队深入底层栈，解决了文件系统、容器运行时等硬核工程挑战。
Stable Diffusion 成为关键引爆点
虽然 ChatGPT 是当时的热点，但 Bernhardtsson 指出 Stable Diffusion 才是 Modal 早期的真正杀手级应用。在2022年秋季，随着 Stable Diffusion 的发布大量用户涌入平台要求运行该模型。当时 Modal 团队仅有4-5人，但这一需求让他们意识到生成式 AI 推理是一个极具价值的用例。这种早期用户反馈验证了平台在应对高计算密度需求时的潜力，促使团队进一步聚焦于解决 AI 基础设施的核心痛点。
创始人主导的营销与早期融资策略
Modal 的成长初期很大程度上依赖于 CEO Erik Bernhardsson 个人在社交媒体上的高频输出。他自述曾是一名“强迫性推文用户”，通过撰写关于云计算未来的长博客和频繁发帖来吸引关注，这种策略被他称为 创始人主导的营销（founder-led marketing）。他认为创业者应专注于自身擅长的领域，而他对“在线发帖”和保持高网络活跃度有着天然的优势。在资金方面，Modal 采取了极度保守的策略，早期完全依靠创始人自筹资金支持运营。Bernhardsson 甚至长达一段时间不领取薪水，这种模式迫使团队对每一笔支出都保持极高的 投资回报率（ROI）敏感度。直到 2021 年 8 月，联合创始人兼 CTO Akshah 加入；随后在 2022 年初，Modal 才完成了种子轮融资。此时距离项目启动已过去约一年时间。
早期依赖云厂商现货市场的策略演变
Modal 在成立初期采取了高度灵活的算力获取模式，主要依赖 AWS、GCP 等超大规模云厂商的 Spot（现货）和 On-demand（按需） 容量。这种模式允许公司在全球不同区域快速聚合数百个地区的资源，从而有效应对 AI 训练中的中断风险。早期为了获取特定的高性能硬件如 H100，Modal 还较早地与 Oracle Cloud 合作，获得了极具竞争力的费率。然而，随着公司业务的快速增长以及云市场结构的根本性变化，这种依赖现货市场的模式逐渐难以为继。尽管 Modal 在基础设施稳定性上取得了显著进展，近期已基本达到四个九（99.99%）的可用性水平，但算力获取的挑战已从技术运维转向了供应链谈判。随着需求激增，单纯依靠现货市场已无法满足规模化的算力缺口。
转向长期租赁与庞大的采购工程团队
面对现货市场的枯竭，Modal 的算力策略发生了根本性转变。目前，为了获得所需的 GPU 容量，公司不得不与 近 25 家不同的云服务商 建立联系。获取容量的方式从简单的即时租赁转变为需要 三年以上长期协议（3+ year deals） 和前期大额支付。这一转变迫使 Modal 构建了专门的采购部门，目前有四名全职员工专门负责容量采购、谈判和供应商尽职调查。同时，工程团队也扩展了约 10 人，专门管理全球范围内的裸金属容量、处理网络问题以及应对硬件故障（如 GPU 掉线或硬盘损坏）。这种从“软件定义”向“资源管理”的重心偏移，反映了 AI 基础设施获取的复杂性。正如 Erik Bernhardsson 所言：
"We have to spend the entire last six to nine months kind of rethinking how we get capacity. We have to build a whole procurement like desk... basically 10 people just like managing like bare metal capacity from all over the world."
购买与租赁的经济性及硬件资产权衡
在是否自购硬件还是继续租赁的问题上，Modal 采取了务实且非教条的态度。租赁模式具有 资本效率（capital efficiency） 的优势，避免了自购硬件带来的运营复杂性（如电力、线缆、供应商管理）和财务复杂性。如果选择自购，公司需要通过股权融资（具有稀释性）或债务融资（需要锁定长期收入以支付利息），这增加了财务风险。Erik 认为，软件公司通常不应拥有重资产，就像大多数公司不必拥有办公楼一样。然而，考虑到 2027 年的算力需求 以及硬件作为昂贵资产的属性，Modal 正在全面评估所有选项。他观察到 AI 投资已占美国 GDP 的 几个百分点，且利率上升使得金融工程变得至关重要。尽管 Neo-clouds（新兴云厂商）是复杂的金融机构，Modal 仍倾向于保持精简的软件公司形态，但在算力稀缺的现实面前，一切选项都在考虑范围内（everything is on the table）。
市场供需关系与硬件价格趋势反思
关于 AI 算力是否会被完全垄断，Erik 持谨慎乐观态度。他指出，Nvidia 每月交付 数十万块 Blackwell GPU，市场并非完全低效。只要愿意支付高于竞争对手的价格，通常仍能获取容量。尽管 Anthropic 和 OpenAI 等巨头正在大量囤积资源，但市场上始终有供应流入。他特别反思了当前的 硬件价格逆势上涨 现象，认为这违背了硬件通常随时间贬值的常态。这种“反重力”的价格上涨可能持续 6 到 36 个月，具体时间难以预测。这表明当前的算力紧张是特定周期内的现象，而非永久性的资源枯竭状态。
"I don't necessarily think it's like a fully cornered resource. Prices are going up... hardware prices always go down eventually, so we're a little bit in like a weird sort of period of time."
highlights": ["We have to spend the entire last six to nine months kind of rethinking how we get capacity.", "I don't necessarily think it's like a fully cornered resource. Prices are going up.", "Hardware prices always go down eventually, so we're a little bit in like a weird sort of period of time."]
产能紧缺与价格波动的双重影响
当前AI算力市场处于严重的供不应求状态，这种稀缺性租金（scarcity rent）主要流向了两大群体：首先是硬件供应商英伟达，其次是像Modal这样的新兴云服务商（Neoclouds）。对于拥有算力储备的企业而言，掌握容量意味着更优越的经济模型。尽管市场普遍担忧价格持续上涨会推高成本，但Modal CEO Erik Bernhardsson认为这并非坏事。由于公司已经锁定了大量长期预订合同，实际上已经在某种程度上做多GPU价格。因此，价格上涨反而提升了其向客户收费的能力。相比之下，他更担心的是价格的突然崩盘。如果价格暴跌，那些在高位大量囤积硬件或签订高价供应协议的市场参与者将面临巨大的资产减值风险。虽然从长远来看，硬件价格必然下降是经济规律，但在未来几年内，这种崩盘的可能性极低。因此，目前的策略是利用稀缺性带来的溢价优势，而非盲目恐慌。
供应商多元化与采购策略
在与OpenAI、Anthropic等巨头争夺算力时，Modal采取了截然不同的多元化供应策略。英伟达也倾向于避免将产能过度集中在少数几个大型买家手中，以维持市场的分散化与稳定性。这使得中小型云服务商获得了更多机会。Modal并不局限于单一地区或供应商，而是积极在全球范围内寻找高性价比的碎片化容量。例如，他们可以在亚美尼亚获取32个节点的算力，或在印度尼西亚获取128个节点的资源。这种策略的核心在于灵活性与规模效应。虽然巨头需要超大规模的连续集群进行训练，但Modal通过整合全球各地的小型可用容量，同样能够满足客户需求。这种“积少成多”的模式不仅降低了单一供应商依赖的风险，还利用地理分散性获得了更具竞争力的价格。对于愿意承担一定风险的中小云服务商而言，这被视为一个巨大的市场机会。
严格的验收标准与长期信任机制
尽管市场上存在许多基础设施简陋的“杂乱仓库”，Modal在采购算力时有着极其严格的技术规格书（spec sheet）。他们不会仅凭GPU数量做决定，而是要求供应商满足具体的IOPS、CPU性能基准测试分数以及南北向带宽（egress/ingress）等硬性指标。在正式签署数千万美元的大额长期协议之前，通常会进行接受度测试（acceptance testing）。这一过程包括获取单个节点并进行长期的运行和压力测试，以验证其稳定性。“我们实际上拥有自己的内部‘Modal Max’评分体系”。除了硬件性能，供应商的响应速度和问题修复能力也是关键评估维度。如果系统宕机，他们关注的是供应商能否快速恢复服务并解决特定问题。这种基于历史合作数据建立的信任机制，使得Modal更倾向于与那些经过验证、可靠性高且支持响应迅速的供应商继续合作。尽管有时需要凭借直觉做出决策，但长期的可靠性记录是降低运营风险的核心保障。
激进扩张与尾部风险的博弈
尽管Modal目前采取极度积极的策略，每天购买算力并融资以扩大规模，表现出对市场的强烈看好（bullish），但创始人Erik Bernhardsson也明确指出了潜在的尾部风险。他拥有从1999年互联网泡沫到2008年金融危机的完整历史视角，因此更倾向于构建一家能存活20到50年的公司，而非仅仅追求短期的市场垄断。他引用了交易史上著名的“亨特兄弟”案例作为警示：当年他们试图垄断白银市场，最终却以灾难性的失败告终。因此，虽然Modal正在 aggressively 增加产能，但其扩张计划是与需求增长相匹配的，旨在实现明年年底的目标运行率（run rate），而非盲目地试图通过囤积算力来“围猎”整个市场。
2027：非NVIDIA加速器的转折点？
关于硬件生态，Bernhardsson承认过去五年甚至十年里，他每年都说“明年将是非NVIDIA加速器的年份”，但每次都错了。然而，他现在认为2027年可能是这一预言成真的年份。尽管NVIDIA在训练场景仍占主导，但他观察到替代加速器在某些特定任务上的表现开始变得非常有吸引力。例如，Google内部广泛使用的TPU在推理（inference）方面表现优异。他认为硬件本身的难度在于软件层的适配，一旦解决了这些加速器的软件层问题，市场需求将迅速转向。由于NVIDIA目前构成了主要的瓶颈，且TSMC和ASML等上游环节也存在更深层次的限制，市场长期来看需要更多样化的选择。即使NVIDIA是一家令人惊叹的公司，但为了市场的健康，垄断地位不会永远持续，像Cerebras和Groq这样的新兴提供商正在提供重要的补充。
混合部署与Neocloud的金融杠杆模式
在具体的硬件组合策略上，出现了一种混合且解耦（disaggregated）的推理模式。例如，使用NVIDIA芯片处理预填充（pre-fill），而利用Cerebras或Groq等专门针对解码（decode）优化的芯片进行处理。这种策略基于不同工作负载对计算密集型或内存密集型的不同需求，虽然增加了部署的复杂性，但极大地提升了效率。与此同时，Bernhardsson分析了Neocloud（如Nebius、CoreWeave）为何能如此迅速地扩张。他指出，其核心秘密在于一种金融构建（financial construct）：他们先与大型买家签订五年期的芯片采购合同，锁定未来需求；然后拿着这份承诺去华尔街融资或贷款。正如他所说：
“他们出去找像Anthropic这样的大买家，说‘你想买五年的芯片吗？’拿到合同后，再去告诉华尔街他们有了100亿美元的承诺，从而获得资金去采购硬件。”
这种预售尚未购买的资产的模式使得Neocloud能够以极快的速度扩大规模。相比之下，Modal更侧重于产品驱动增长（PLG），缺乏这种锁定长期合同的能力，因此在财务上难以复制Neocloud那种利用GPU作为抵押品进行贷款的极速扩张路径，尽管他认为长期来看最终会达到相似的市场地位。
AI算力作为资产类的同质化困境与对冲需求
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显著的非同质化挑战。与石油等成熟大宗商品不同，GPU资源在地理位置、网络延迟、磁盘类型以及CPU配置上存在巨大差异，且可靠性参差不齐。尽管市场正在尝试通过创建价格指数、衍生品交易等方式来标准化这一领域（如Orn等平台），但算力远未达到像Henry Hub天然气或Brent原油那样高度商品化和可交易的状态。Bernhardsson认为，虽然目前尚不确定GPU是否会成为超级标准化的贸易资产，但随着AI数据中心和GPU部署规模的扩大，行业必须更聪明地处理风险对冲、共享机制以及保险策略。这种对风险管理工具的迫切需求，反映了当前算力市场在规模化扩张中尚未完全解决的结构性痛点。
Modal Functions：Serverless架构下的容量聚合优势
Modal的核心产品之一是Modal Functions，于2021年推出。其设计理念是提供极易部署和扩展的Serverless函数，由平台统一管理底层容量。这一模式在推理（Inference）场景和GPU管理上取得了巨大的成功。Bernhardsson强调，Modal从未将自己定位为传统的“新云”（Neocloud）或单纯的GPU租赁商，而是避免了那种按三年合约锁定固定数量GPU的传统模式。相反，通过服务数千名客户，Modal能够聚合分散的需求，将原本具有周期性和突发性的工作负载平滑化。这种容量聚合能力使得平台能够以极高的效率管理资源。到2023年，Modal Functions实现了产品市场契合（Product-Market Fit），目前贡献了公司约三分之二的收入。尽管主要应用于推理，但其架构的灵活性使其能支持多种其他计算任务。
Modal Sandboxes：从边缘产品到核心增长引擎的转折
Modal Sandboxes于2023年推出，最初仅作为辅助产品存在。其诞生源于团队观察到用户利用大语言模型（LLM）生成代码后，缺乏便捷的运行环境。由于Modal已具备容器管理和隔离原语（如gVisors），团队在极短时间内原型开发并上线了该功能。然而，在2023年夏季之前，沙盒产品的收入贡献微乎其微，内部甚至讨论过是否应关闭该业务。转折点出现在2023年下半年，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。Lovable等公司以及Ramps等企业开始利用沙盒运行后台代理，同时Neolabs等平台也在其上开展强化学习训练。如今，Modal Sandboxes已成为公司第二大产品，贡献了约三分之一的收入。这一演变验证了Bernhardsson早期的愿景：即构建一个包含存储、计算及多种交互方式的多产品供应商体系。目前，公司正致力于将这一愿景全面落地。
未来战略：聚焦被低估的训练市场与多产品线协同
展望未来，Bernhardsson对模型训练（Training）领域持高度乐观态度。他认为，尽管市场焦点集中在超大规模的训练运行上，但中小型训练任务是一个被严重低估和服务不足的市场。这符合Modal从单一产品向多产品线演进的长期战略。除了Functions和Sandboxes，公司目前正在积极开发训练、批量处理（Batch）等其他服务模块。这种多产品供应商的定位不仅增强了客户粘性，也分散了单一技术路线的风险。Bernhardsson表示，早期商业计划书中就已规划了这一多产品蓝图，但直到近期随着Sandboxes的成功爆发，这一战略才真正清晰并转化为实际的商业成果。未来，通过整合推理、开发环境和训练能力，Modal旨在为AI开发者提供端到端的完整工具包。
批量处理需求爆发：从音频转录到语音交互
Modal 目前正积极布局批处理（Batch）市场，这一领域展现出巨大的需求潜力。公司曾接待过一个极具代表性的客户案例：该用户需要处理长达 5,000年 的音频数据，涉及数百万个独立的音频文件。面对如此庞大的非实时计算任务，Modal 利用其充裕的集群容量，在数天内完成了全部转录工作。这一案例证明了 批处理场景 在处理海量、非即时性AI任务时的独特价值。
"We had a customer the other day that needed to transcribe, you know, 5,000 years of audio... We had a lot of capacity. So we let them do that, you know, and took a few days."
除了批处理，Modal 对 低延迟（Low Latency） 应用持高度乐观态度。随着语音到语音模型及各类Voice模型的成熟，实时交互将成为极具吸引力的市场方向。同时，关于 Agent（智能体） 概念，创始人 Erik Bernhardsson 认为这是一个必然趋势。他坦言对 "Agent" 一词持有复杂情感，因为从长远来看，所有软件最终都将演变为 AI 驱动的智能体。尽管术语可能随时间变化，但构建基于 LLM 的通用软件模块已成为行业共识。
训练市场的战略调整：聚焦中小规模与后训练
在模型训练方面，Modal 的战略重心发生了显著变化。两年前，由于团队规模较小（仅十几名工程师），公司被迫将资源全部集中在推理服务上。如今，随着团队扩展至 150名工程师，Modal 有能力在多个市场进行布局。创始人指出，虽然超大规模云厂商（Hyperscaler）垄断了十万级 GPU 的巨型训练集群市场，但 中小规模模型训练 和研究人员迭代领域仍存在未被充分服务的空白。
目前，Modal 观察到来自 计算生物学、文本模型微调 以及传统机器学习推荐系统等领域的强劲需求。这些客户通常只需要 64块 GPU 级别的资源，而非十万级集群。此外，随着开源模型质量的飞跃，微调的价值主张发生了转变。
"Today, I would say like the open source models are so good that... they’re basically almost as good as like the frontier model at a much lower cost."
创始人认为，如今直接使用开源模型（如 Kimi K3、DeepSeek V4.1 或 GLM-5.3）往往能达到接近前沿闭源模型的效果，且成本更低。因此，微调不再是必选项。Modal 正重点投入 后训练（Post-training） 领域，包括监督微调（SFT）和强化学习（RL），旨在为这些中小规模但高频迭代的场景提供完善的训练基础设施。
沙箱技术的规模化优势与底层重构
在开发环境方面，Modal 的沙箱（Sandboxes）服务凭借其极高的可靠性和扩展性占据了市场领先地位。创始人坦言，虽然缺乏具体市场份额数据，但 Modal 拥有该领域最大的市场占有率，能够稳定运行数十万甚至数百万个沙箱实例。这种优势源于其作为 "基础设施极客" 对系统底层架构的持续优化。
为了支撑如此庞大的规模，Modal 多次重写其核心系统。早期产品基于 GVisor 构建，但随着需求演进，团队逐步增加了对虚拟机（VM）的支持。尽管沙箱本身在功能上差异化有限，但 底层基础设施的稳定性与扩展能力 成为了 Modal 的核心竞争壁垒。通过提供从计算、存储到数据管道的全栈构建模块，Modal 致力于让开发者能够像搭积木一样组合出任何所需的 AI 应用。
"We’re infrageeks, right? Like we’re very good at like scaling and reliability... I think we have by far the largest market share in this space."
沙箱架构的核心挑战与差异化功能
在构建 AI Agent 的运行环境时，全虚拟化机器（Full Virtualized Machines） 成为了关键选择。尽管容器化技术流行，但许多特定用例需要完整的 Linux 兼容性。为此，团队投入大量精力优化底层原语，包括改进沙箱间的数据管道、文件系统交互以及快照（Snapshotting） 技术。Erik Bernhardsson 指出，未来的核心竞争力将体现在那些“酷炫”的功能上：沙箱分叉（Forking）、快照恢复以及实时迁移。他认为，沙箱的新颖性在于其短暂的生命周期（Ephemerality），即能在几秒内启动并销毁。这种特性允许我们将 Agent 与沙箱解耦，让一个 Agent 控制多个沙箱，甚至为每个命令启动独立的、极短命的沙箱实例。
“I think a lot of the things that over in the long run will differentiate will be like, you know, really cool things like... forking sandboxes, snapshotting, resuming snaps, like live migrations.”
这种架构不仅提升了灵活性，还使得Agent 与沙箱的解耦成为可能。通过让 Agent 控制多个沙箱，可以实现更复杂的并行处理逻辑。虽然团队已在快照技术上投入大量时间，但 Erik 认为这仅仅是开始，未来还有更多基于快速启动/停止循环（Wake up, go to sleep cycle） 的创新空间，这将极大提升计算效率。
快照技术：从“搬运”到“持久化工作流”的范式转变
目前，许多沙箱负载仍停留在“搬运式（Lift and Shift）”阶段，即把本地开发环境直接搬到云端。然而，Erik 认为长期来看更优的模型是持久化执行工作流（Durable Execution Workflows）。在这种模式下，Agent 长期运行，偶尔发出命令。关键在于：在 100 毫秒内启动沙箱、执行少量命令后迅速关闭并保存快照。这种极快的“唤醒-休眠”循环使得沙箱可以仅运行极短时间，从而大幅提高计算效率。
这种能力解锁了以前无法实现的并行场景。例如，在 CI/CD 领域，传统的 GitHub Actions 流程是线性的：安装依赖、运行测试套件、生成报告。虽然可以分片（Sharding），但每个分片都需要重复安装和设置，开销巨大。如果利用快照技术，可以先完成一次环境初始化并保存快照，然后克隆该快照运行独立的测试套件。这将允许我们将整个测试套件拆分为数千个独立沙箱，实现极端的并行化（Paralyze the shit out of that）。只有当启动和停止沙箱的摩擦成本降至最低时，这种大规模并行带来的收益才能真正显现。
“I think a much better model would be you’re going to have this like very long running agents... having the ability to like spin up a sandbox in, you know, 100 millisecond... and then shut it down and like snapshot it.”
Anthropic 合作与 Hugging Face 安全事件澄清
Modal 与 Anthropic 的合作源于生态系统的互补性。Anthropic 通过推理服务获利，因此有动力推广其生态系统并扩大表面面积（Surface Area），只要用户在其平台上使用 Anthropic 的推理能力。作为沙箱提供商，Modal 成为其“自带沙箱（Bring Your Own Sandbox）”集成的一部分。这种合作是理性的商业选择，旨在为 Anthropic 的 Agent 提供灵活的基础设施支持。
关于此前备受关注的 Hugging Face 安全事件，Erik Bernhardsson 进行了澄清。该事件中，攻击者利用部署在 Modal 上的某个应用程序的漏洞作为跳板（Springboard），获取了完整的互联网访问权限。他强调，被黑客攻击的是运行在 Modal 上的应用程序（App），而非 Modal 平台本身。这与 AWS 上某个实例被攻破并不等同于 AWS 系统被黑是类似的逻辑。尽管 Modal 提供了基础设施，但应用层的安全责任在于部署者。这一事件凸显了在开放互联网访问的沙箱环境中，应用程序自身漏洞管理的重要性。
“To be clear, this is an app running a modal that was hacked. Like it was not modal that was hacked.”
并行化的经济性与 Amdahl's Law 的局限
传统 CI/CD 工具难以实现大规模并行，主要受限于Amdahl's Law（阿姆达尔定律）式的开销。在 GitHub Actions 中，如果将测试套件分为两半并行运行，每个部分都需要重新执行安装和设置步骤，耗时可能长达数分钟。这种高交易成本（Transaction Cost） 阻碍了更细粒度的并行化。
Erik Bernhardsson 指出，一旦通过快照技术消除了这些重复开销，我们就可以进入一个“极度突发（Extremely Bursty）”的计算世界。在这个世界中，用户可以并行运行尽可能多的沙箱实例，而无需担心启动延迟或环境配置的冗余。这种基础设施层面的优化（Primitives）将解锁以前因软件限制而无法实现的并行计算能力，使 AI Agent 能够以更高的效率和规模执行复杂任务。对于基础设施极客（Infrageek）而言，这些基础构建块的完善是释放 AI 潜力的关键。
“The problem is like there’s too much overhead around... starting and stopping sandboxes. So the more you create frictionless, like starting and stopping, the more you can enter a world where... run as much as you think you want in parallel.”
默认安全策略与 AI 红队测试
Modal 近期经历了一次应用被黑客攻击的事件，这促使公司反思其默认安全限制。Erik Bernhardsson 将其类比为 AWS S3 早期的历史：过去用户容易意外将存储桶设为公开，导致数据泄露。虽然这并未直接攻击 AWS 基础设施，但严重损害了客户利益。S3 随后收紧了公开访问权限，Modal 正探索类似路径，即在保持产品灵活性的同时增强默认安全性。与此同时，公司开始利用 AI 代理进行内部漏洞挖掘。AI 代理在沙盒环境中表现优异，能够深入系统底层尝试逃逸和权限提升。尽管目前尚未发现实际漏洞，但这种主动防御手段正在被积极部署。
"We started using agents internally quite a lot to try to find vulnerabilities... they’re very good at like probing into like very deep parts of the system and exploiting, trying to exploit things."
传统网络安全厂商的处境与 AI 防御观
对于大型网络安全公司是否会被淘汰，Bernhardsson 持保留态度。他指出，这些企业销售的核心往往包含恐惧营销与品牌信任。大型企业倾向于采购成熟厂商的产品，部分原因是为了在出问题时拥有责任归属对象（blame someone）。尽管 AI 代理能更高效地发现漏洞，但这并未完全消除对人工渗透测试的需求。人机协作模式正在形成：具备 AI 能力的资深安全专家可能比传统团队更高效。Bernhardsson 认为，AI 时代的突破将使世界更安全，而非让现有公司消亡。
"A lot of what you’re selling is effectively fear... brand and things like that are actually like arguably more valuable in the air of AI."
开发者体验与代理的协同效应
在讨论开发者体验（DX）时，Bernhardsson 强调其重要性并未因 AI 代理的出现而减弱。相反，良好的开发者体验直接转化为更优的代理交互效果。清晰的文档、描述性的错误信息和快速的反馈循环，不仅帮助人类开发者，也极大提升了 AI 代理的工作效率。他以 Cloudflare 为例，指出尽管该平台配置复杂且令人头疼，但AI 代理能够自动完成繁琐的配置任务。这表明，虽然人类处理复杂 API 的负担减轻，但优秀的底层设计依然是提升整体效率的关键。Bernhardsson 坚信，人类与 AI 的结合将产生更强的生产力。
Agent 训练数据导致功能弃用变得困难
随着 AI Agent 在开发流程中的普及，开发者体验的优化直接提升了 Agent 的使用效率。基础设施正从声明式的 YAML 配置转向更程序化、命令式（Imperative）的 SDK，例如直接调用 API 启动或销毁沙箱。这种转变使得 SDK 的重要性不降反升，因为 Agent 更倾向于通过代码逻辑而非 DSL 来操作基础设施。然而，这种技术演进带来了新的挑战：Agent 的训练数据使其对旧版语法产生依赖。
“因为 Agent 训练数据的缘故，现在弃用某些功能变得非常困难。我们经常看到 Agent 喜欢使用旧版的 Modal 语法，很难引导它们转向新标准。”
由于大量现有的在线代码和示例被纳入 AI 模型的训练数据，Agent 会优先推荐或复用这些“过时”但已索引的内容。这迫使 Modal 在产品迭代中采取更保守的策略，在功能弃用和移除上更加谨慎。过去一年内，团队必须仔细更新每一个在线示例和技能文档（Skills），以确保 Agent 能够接触到最新的信息。这种由 Agent Engine Optimization（类似 SEO）带来的反向约束，意味着产品团队不仅要关注技术先进性，还要管理 AI 模型对历史数据的固化认知。
Agent 优化与内容策略的博弈
为了应对 AI 模型对平台推荐的影响，Modal 内部进行了大量的基准测试。例如，让 Agent 部署 Stable Diffusion 或排名沙箱供应商，以观察其是否推荐 Modal。这些测试揭示了 Agent 在理解定价和可靠性时的潜在偏差，Agent 往往更容易误解价格结构。因此，Modal 的策略侧重于 通过高质量内容提升可见性，而非简单的堆砌。
“就像早期的 SEO 一样，生成大量内容是一种非常有效的策略。理论上你可以创建很多‘垃圾’（Slop）来影响 AI 输出，但我并不喜欢这个想法。”
虽然有人建议通过创建大量 GitHub 仓库让 Agent 编写代码来优化排名，但 Erik Bernhardsson 认为 当前 LLM 训练数据对 AI 生成的内容并不敏感，且这种“Slop Cannon”策略存在伦理和长期价值问题。相反，团队花费大量时间 使文档和内容对 Agent 更加清晰易懂，因为所有 AI 都在索引关于 Modal 的公开信息。这种策略旨在通过提升内容的结构化程度和清晰度，间接优化 Agent 的理解和推荐概率，而非操纵训练数据。
FDE（前端/全栈工程师）团队的角色演变与战略定位
Modal 今年大幅扩展了 FDE（Forward-Deployed Engineers，前置部署工程师）团队规模，从年初的 4 人增长至约 24 人。这一举措反映了 AI 应用开发进入新阶段，客户需要深度协助以解决复杂问题。FDE 的核心工作包括 性能调优、模型参数调整（如 DLM/SG Lang）以及解决客户遇到的具体 Bug 或限制。
“FDE 的最重要目标之一是弥补产品功能的缺口，这些缺口随后会被转化为真正的产品功能。我的问题始终是：长期来看，我们如何将这项工作转化为产品特性，从而不再需要 FDE 介入？”
FDE 团队还承担 主动成本优化的职责，例如识别过度配置 CPU/内存的客户并协助其节省开支。此外，他们参与销售流程中的 代码迁移支持和交易促成。然而，Modal 明确拒绝成为重服务模式企业。FDE 的核心战略价值在于“产品化”反馈闭环：通过人工服务发现痛点，将其转化为自动化功能，最终实现规模化。这种模式既提升了客户满意度，又加速了产品迭代，确保团队专注于构建可扩展的自动化平台而非依赖人力服务。
产品管理的战略深度与基础设施建设的特殊性
在基础设施建设领域，产品经理的角色往往被误解或过度简化。Erik Bernhardsson 指出，虽然部分工程人员（如 FDEs）在面向客户时承担类似 PM 的职能，但内部真正的产品管理更侧重于识别核心构建模块的投资方向。他观察到一种常见的模式：面对 10-20 个客户提出的细微差异需求，关键在于提炼共性并转化为标准化产品。Modal 内部确实存在由 DevRel 或工程师转型的产品经理，他们展现出极强的战略思维能力。然而，Bernhardsson 认为过去许多公司过早地雇佣产品经理，导致产品缺乏深度。在基础设施领域做好 PM 极其困难，因为这需要深入思考未来 1-2 年的基础架构走向。> "Doing product management at an infra company really well is very, very hard because I think it takes like a very deep, you know, level of strategic thinking." 他特别强调，必须避免陷入功能碎片化陷阱——即开发大量外观相似但仅做微小差异的功能。这种宏观架构思维极为稀缺，因此 Modal 并未激进地扩充产品团队。
技术团队结构向独立贡献者（IC）的回归趋势
随着生成式 AI 的发展，技术团队的组织结构正在经历显著变化。Bernhardsson 观察到一种向独立贡献者（IC）角色回归的趋势，他认为这对整个行业是积极的信号。回顾过去十年甚至二十年，管理职位往往与更高的薪酬、声望挂钩，但如今这一观念正在逆转。> "If you look back at the space like 10 years ago, 20 years ago, everyone wanted to be in manager... I think that shift actually started even before Gen AI." 在 Modal，管理层级与技术职级的声望完全平等，所有员工均被视为技术团队的一员。许多前经理选择回归 IC 角色以重新投入代码构建。这种转变部分由 AI 降低了编码成本所加速，使得非技术人员也能参与代码提交。Bernhardsson 本人及 Akshath（另一位高管）仍保持大量编码工作，甚至非技术团队成员也参与代码编写。这种去管理层级的扁平化文化旨在让人才专注于实际贡献而非行政头衔。
代码审查文化的重构与自动化测试的重要性
在 AI 辅助编程普及的背景下，Modal 对代码审查（Code Review）采取了更为灵活甚至可选的态度。Bernhardsson 认为，许多公司过度依赖代码审查，实则是为了逃避合并生产环境的问责制。> "My view is like code reviews in many cases trying to just escape the accountability of merging things into production." 他主张，如果缺乏足够的 CI/CD（持续集成/部署）保障，代码审查只是形式主义。在 AI 时代，无需人工审核每一行代码。对于文档修改或基础变更，不应等待人类审查。这种文化转型的前提是极高的系统可靠性投资。基础设施公司需要比一般初创企业多一个数量级的正常运行时间（uptime）。为此，必须建立全面的速率限制、系统解耦及无单点故障架构。此外，AI 代理在编写测试方面表现出色，能够以“魔鬼代言人”的视角发现潜在问题。> "Agents are actually really good at writing tests these days... now they’re actually quite good." 这种自动化测试能力的提升，使得团队能够在减少人工审查的同时保持代码质量。
AI 工具的选择策略：前沿模型与开源生态的并行实验
在具体的编码辅助工具选择上，Modal 采取全面实验与混合使用的策略。团队不仅使用 Cursor、Claude、Codex 等前沿模型，也积极尝试 Night Shift 及其他开源堆栈。Bernhardsson 没有对特定工具持有强烈偏好，而是鼓励团队成员探索不同的技术路径。> "I don’t necessarily have like a strong point of view, I want people to experiment and try different things." 这种开放态度反映了 AI 工具快速迭代的特性。通过并行使用前沿闭源模型和开源解决方案，团队能够最大化利用不同工具的优势。无论是追求极致性能的封闭生态，还是注重灵活性与可控性的开源社区，Modal 均保持技术栈的多样性。这种策略不仅降低了单一供应商依赖的风险，也为团队提供了更广泛的创新可能性。
对本地部署（On-Prem）的坚定拒绝与安全范式转变
Erik Bernhardsson 明确表示，Modal 不会转向本地部署业务，他自称为“Claude 最大化主义者”，并认为多租户系统正在全面获胜。回顾云计算早期，他曾对将代码运行在他人计算机上感到不可思议，但仅用六个月就改变了看法；而企业界则花了 15 到 20 年才完全接受这一模式。如今，Snowflake、AWS 和 Datadog 等案例证明云架构已占据主导。在他看来，本地部署正逐渐成为一种 过时的商业模式。他特别指出，BYOC（自带云）或 VPC 对等连接等技术反映了旧有的安全观念——即依赖网络边界保护内部资产。然而，现代安全范式已转向 零信任（Zero Trust） 等更稳健的模型。因此，从安全角度来看，BYOC 等技术显得日益陈旧。
全栈控制带来的迭代优势与 BYOC 的经济门槛
Modal 的核心竞争力在于对基础设施的 完全控制权。他们租用硬件、部署并管理所有基础设施，包括监控指标和主机健康状态。这种全栈控制使得团队能够 快速迭代 并构建更强大的产品，无需像传统企业软件那样担心客户环境兼容性或复杂的发布管理。例如，当需要引入新数据库时，他们可以直接行动，而不必顾虑客户的访问权限限制。尽管 Modal 过去曾为大型财富 500 强客户提供 BYOC 方案，但 报价极高且无人接受。Bernhardsson 表示，虽然理论上可以通过 BYOC 整合 Neolabs 等合作伙伴的预留容量以形成统一资源池，甚至运行他人工作负载，但这并非主流方向。他坦言：“如果未来有大型客户要求 BYOC 且价格合适，我们仍会提供，但目前看来并非重点。”
资金用途、运营杠杆与未来三大战略焦点
在融资方面，Modal 将大部分现金流用于 容量预付款。Bernhardsson 指出，尽管公司仅有 200 名员工（预计年底达 250 人），人力成本在财务中几乎可忽略不计，但 GPU 等硬件资源的 预付款和现金需求 构成了巨大的资金占用。因此，扩大容量储备是当前最关键的财务策略。关于未来战略焦点，他列出了三项核心工作：首先是 容量与金融复杂性 的管理，包括定价策略及在“拥有”与“租赁”云资源之间的权衡；其次是 产品战略，特别是为代理（Agentic）开发构建新的存储和计算原语，以预判未来几年的需求；最后是 企业文化与公司建设。他强调：“我们的运营杠杆令人难以置信，GPU 的成本远超人力成本。”
“从安全角度来看，BYOC 和那些东西看起来越来越过时了。我们认为我们已经转向更稳健的安全范式……”
“我们的运营杠杆令人难以置信，我们有 200 名员工……但 GPU 的成本要高得多。”
规模跃迁下的文化治理与信任机制
当团队从二三十人的小作坊扩展到250人规模时，隐性的文化共识必须转化为显性的制度框架。在早期阶段，创始人可以通过面对面交流感知员工情绪，建立基于直觉的信任；但随着人数激增，这种非正式沟通失效，新员工往往因畏惧权威而不敢发声。因此，建立一种既包含高度自主权又具备明确问责制的文化变得至关重要。正向的文化氛围能让员工因构建“极其酷的技术”而感到兴奋，同时确保每个人理解公司成功的核心驱动力。这种隐性信任与显性问责的平衡，是支撑大规模团队协作的基础设施。
"when you’re like 10, 20, 30 people... it’s all kind of implicit and you kind of just like feel it. But now we’re 250 people... how do I remain approachable?"
指数级增长带来的文化漂移风险
Modal在过去12个月内实现了年化四倍（4x）的增长率，Erik Bernhardsson认为这种速度在相对意义上是不可持续的。虽然每年翻倍团队规模尚属可控，但四倍增长会引发严重的副作用：首先是文化漂移（Cultural Drift），其次是不同工作风格的“孤岛”出现。在工程团队中，他特别警惕投机性开发（Speculative work）——即工程师在没有明确业务对齐的情况下，花费时间构建边缘或实验性功能。这种资源错配是高速扩张的典型成本，此外还包括新员工漫长的上手周期（Ramping up）。为了应对这一挑战，公司计划在未来一年内将规模扩大至约700人，主要新增岗位为工程师。
"growing very fast has that cost... you start to see cultural drift, you start to see islands of different working styles."
招聘重心：从底层系统到GPU性能优化
随着技术栈向上移动，Modal的工程师画像正在发生演变。核心需求依然集中在Linux、文件系统、可扩展系统和网络等底层系统工程师，这是公司的根基。然而，由于向LLM（大语言模型）领域延伸，团队开始大量招聘关注GPU性能优化、CUDA编程及MFU（每GPU最大Token率）的人才。值得注意的是，Bernhardsson指出，尽管涉及上层应用，但KV缓存（Key-Value Caching）和路由等技术问题本质上仍是系统级难题。此外，公司正在组建研究团队，专注于后训练（Post-training）、蒸馏及量化技术。初期策略是通过深度服务客户模型优化来积累洞察，但长期目标是将这些定制化工作转化为完全自助式（Self-serve）的内部产品工具。如果每次优化都需人工介入，则意味着商业模式的失败。
"we’re also looking a lot at... CUDA and like GPUs and MFU, you know, like maxing out the tokens that you can get per GPU."
基础设施战略：构建通用积木而非窄应用
在展望未来1-2年的产品策略时，Bernhardsson强调避免陷入“全知全能”的幻觉。他认为当前软件正处于新时代，需要新的基础构建模块（Building Blocks）来支持如GNI、代码生成等以前无法实现的应用。Modal自视为一家基础设施公司（Infrastructure shop），而非垂直应用开发商。其战略是构建通用的、低延迟的Agent支持及快速作业处理等通用积木，然后交由客户去组合创新。这种策略承认了未来应用形态的不可预测性——无法预见的强大应用将由客户利用这些基础模块构建而成。因此，重点在于提供灵活、强大的底层能力，而非锁定特定的应用路径。
"we consider ourselves like an infrastructure shop... we try to build very general purpose building blocks and put them in front of customers."
沙盒计算的极速演进与并行化愿景
当前，开发环境正从传统的“迁移式”部署向更短暂的沙盒形态转变。Modal 的核心愿景是将每个命令映射为一个独立的环境，实现大规模的并行化处理并降低启动开销。目前，Modal 上沙盒的中位运行时长仅为 8秒，这一数据在开发者体验层面具有极高的价值。尽管长期运行的沙盒对于特定用例依然有效，但未来的重点在于如何极大化并行能力。这种极速启停的能力使得开发者可以无缝地暂停、恢复和克隆环境，从而在保持高效迭代的同时，显著减少基础设施的等待时间。
“Today feels lift and shift. I suspect sandboxes will evolve from dev box into cloud to something more ephemeral, one environment for every command.”
这种架构不仅提升了开发效率，也为应对突发流量提供了基础。通过聚合海量短生命周期任务，Modal 能够平滑整体需求曲线，从而在底层资源调度上获得更大的灵活性。这种从“固定环境”到“即时计算单元”的转变，是解决 AI 开发中基础设施瓶颈的关键一步。
GPU稀缺性的本质与按需容量的价值
GPU 短缺的最大痛点并非获取困难，而是供给模式与实际需求的不匹配。市场上大部分 GPU 容量以“三年矩形”的形式出售，即提前3-6个月锁定长期合约。然而，大多数用户的实际需求并非这种平坦的矩形负载，而是随24小时周期波动、具有突发性和增长性的动态曲线。这种结构性错配导致许多客户难以获得灵活的资源支持。
Modal 的核心差异化优势在于提供完全按需的容量。当客户需要100张 GPU 时，Modal 能够立即提供资源，无需经过漫长的销售流程。这种细粒度切片能力使得 Modal 能够将成千上万客户的分散需求聚合，从而平滑整体负载。通过提供这种“持续时间转换”服务，Modal 解决了长期合约与短期需求之间的矛盾，成为连接 GPU 供给方和需求方的关键枢纽。
沙盒收入的爆发式增长与战略聚焦
Modal 的价值主张可归纳为两点：卓越的开发者体验和灵活的容量供给。其中，沙盒业务的增长超出了所有预期。尽管在2023年时曾预测其规模，但实际表现远超想象：沙盒收入目前占 Modal 总收入的 三分之一，且每月保持 30% 的增长率。这种持续的高增长表明市场对轻量级、即时计算环境的需求极为旺盛。
“Sandboxes is a third of our revenue today, it’s insane... keeps going up 30% every month.”
为了支撑这一增长，Modal 投入了大量团队资源优化 GPU 快照、快速扩缩容等技术细节。这种大规模聚合模型不仅提升了资源利用率，还通过技术壁垒巩固了市场地位。沙盒业务的成功证明了“即时计算”不仅是开发者的偏好，更是商业上极具潜力的增长点。
模型构建者与推理提供商的结构性分离
从结构上看，大语言模型（LLM）构建者应与推理提供商分离。这是因为最佳模型迭代迅速，而整体推理需求相对平滑。如果各实验室独立持有容量，将面临巨大的资源闲置或短缺风险：当一个新模型发布时需求激增，而另一个更优模型出现后需求又迅速转移。然而，底层的基础设施需求波动较小。
推理提供商能够在模型间快速重新分配资源。例如，今天运行1000张 GPU 用于某模型，明天即可将50%资源切换至另一热门模型。这种动态调度能力使得推理提供商能够高效应对开源社区（如中国实验室）频繁发布的模型更迭。尽管用户存在一定粘性，但基础设施层面的流动性使得分离模式成为最优解：模型构建者专注于创新，而推理提供商负责高效、灵活地满足波动中的整体需求。
“The best model keep changing a lot inference providers keep can easily reallocate resources between models since overall demand is quite smooth.”
AI智能是否已触及天花板
关于人工智能的发展潜力，Erik Bernhardsson明确表示他不认为AI的智能水平已经 plateauing（停滞不前）。尽管目前尚需时间验证，但他观察到当前的模型在可以通过强化学习进行高效训练的任务领域表现卓越。这些任务通常具有明确的反馈机制和可验证性，使得模型能够通过迭代迅速提升能力。从最初的代码片段生成到如今的生产级代码编写，再到数学计算和网络安全的处理，AI在这些领域的进步是显著且可量化的。这种基于明确目标与快速反馈循环的学习模式，正是当前大语言模型（LLM）取得突破的核心驱动力。然而，对于缺乏明确验证标准或反馈周期较长的领域，AI的表现仍有待观察。
人类优势与模糊目标的挑战
在那些目标较为弥散、反馈循环较长或难以精确量化的领域，Bernhardsson认为人类依然会保持竞争优势。他举例提到如烹饪等日常活动或更复杂的非结构化任务，这些领域往往涉及模糊的目标设定。他坦言：“I still think it remains to be seen, you know, our model is going to really good at whatever, cooking food or I don’t know...” 这表明，虽然AI在硬技能上进步神速，但在需要直觉、复杂情境判断或长期不确定性管理的场景中，人类的能力依然难以被完全替代。这种观点强调了AI与人类在能力分布上的互补性，而非简单的取代关系。
计算生物学与材料科学的新机遇
除了编程和数学，Bernhardsson特别看好具有可验证计算闭环的应用领域。他重点提到了计算生物学（Computational Bio）和材料科学。在这些领域中，LLM可以输出预测结果，随后通过分子动力学模拟或实验合成来验证这些预测，从而形成“LLM输出-计算/物理反馈”的闭环。他解释道：“you can use an LLM to output predictions, then you can do like computational like methods to simulate molecular dynamics and get feedback loops.” 这种结合AI预测与科学模拟的方法，不仅限于药物研发，还延伸至新材料的合成与性能测量。凭借他的物理背景，他对这一交叉领域充满期待，认为这是AI推动科学发现的重要方向。
总结与展望
访谈最后，Bernhardsson重申了AI在可验证计算领域的巨大潜力。无论是药物发现还是材料科学，关键在于建立有效的反馈机制，使AI能够从物理世界的真实数据中学习。虽然具体的其他应用领域他暂时未列举更多细节（“I’m drawing a blank”），但他确信这类结合模拟与验证的科学计算场景将成为未来几年的爆发点。这一观点为AI在垂直行业的落地提供了清晰的指引：寻找那些能够形成闭环验证的领域，是发挥AI最大价值的关键。”,
结论
Modal通过聚合分散需求平滑算力曲线，以按需模式解决传统矩形合约的错配痛点。沙盒业务因AI代理爆发成为核心增长引擎，占收入三分之一且月增30%。其优势在于极速启停、全栈控制及混合采购策略，但面临现货市场枯竭与长期租赁的财务压力。AI在可验证领域进步显著，2027年或现非NVIDIA加速器拐点。公司正聚焦中小训练与批处理，通过底层优化构建通用积木以支撑未来应用创新。