算力金礦往下移：Modal 五個月估值再翻三倍，Agent 執行層正在改寫算力定價

重點摘要

• 2026 年 10 月，Modal 完成 Series D，估值達 $160 億美元，五個月內用量與估值各成長 3 倍，一年累計約 15 倍
• Sandboxes 單一產品年化營收達 $3 億美元，累計啟動近 30 億個沙箱，可撐起百萬並發
• 資本正從模型層往 agent 執行基礎設施下移，安全隔離的執行環境正在取代 GPU 時數成為新的算力計價單元

2026 年 10 月 15 日，AI 基礎設施公司 Modal 宣佈完成 Series D 募資，估值達 $160 億美元，晉升為紐約 AI 基礎設施圈最新的 decacorn（估值破百億美元的公司），全公司年化營收同步突破 $10 億美元。這兩個數字並排看才有感：五個月前，Modal 的用量與估值都只有現在的三分之一；一年前的基準更低，前後大約 15 倍的差距說明業務本身在加速，不只是市場情緒在抬價。Latent Space AI News 在同日追蹤這筆融資，成長幅度背後真正值得問的是：這些算力帳單是替誰結的？

算力市場的價值重心正從單純的 GPU 算力轉移至 Agent 執行基礎設施，隔離的執行實例正在取代 GPU 時數成為新的算力計價標準。

Modal 五個月漲三倍，動力從哪裡來？

大部分 AI 基礎設施公司的成長靠的是推論帳單，Modal 的加速路徑不太一樣：它從執行端出發。Modal CTO Akshat 在七月的 AIE NYC 大會上描述了他們正在解的問題：agent 需要百萬並發的沙箱、要能安全彈性地啟動 RDMA（Remote Direct Memory Access，遠端記憶體直接存取）叢集來做分散式訓練、要自研推論加速用的推測解碼模型，還要打造一整套全新的 sandbox runtime（沙箱執行環境）。這些需求不是「多買幾張 GPU」就能解決的，是執行架構層級的問題，而 Modal 把答案做進了基礎設施。

五個月三倍的用量成長有一個具體錨點：Sandboxes 產品。Modal 在 2023 年注意到 LLM 開始大量產生程式碼，順著這條線做出了沙箱隔離執行能力。三年後，Sandboxes 已是年化 $3 億美元的獨立產品線，佔 Modal 整體 $10 億美元 ARR 的三成。光是「讓 LLM 生出來的程式碼安全跑起來」這件事，就已經是 9 位數的生意。

Sandboxes 怎麼從一個功能長成 $3 億美元的產品？

Sandboxes 的規模感需要具體數字才站得住：Modal 累計啟動的沙箱接近 30 億個，且整個系統可以撐住百萬並發。這兩個數字放在一起，說明它不是開發者偶爾測試用的輕量工具，而是正在為大規模自動化 agent 工作負載承接生產流量。

使用情境已形成幾條清晰的脈絡。背景 agent（background agents）是其中一類，任務丟出去後讓 agent 在沙箱裡自行跑完，人不需要盯著；強化學習（reinforcement learning，RL）同樣是大宗，模型訓練需要大量平行的環境模擬，沙箱提供了天然的隔離邊界；vibecoding 平台則是第三條線，使用者用自然語言寫程式，背後要有地方讓生成的程式碼安全執行。這三個場景的共同點：全都需要「大量、隔離、快速啟動、可拋棄的執行環境」，而這正是 Modal Sandboxes 的設計核心。

Erik 在募資文中提到，Sandboxes 當初上線並非刻意規劃成大產品，而是他們觀察到 LLM 生成程式碼的需求正在爆發、順水推舟做出來的。這個細節值得注意：Modal 最大的產品線不是頂層設計來的，而是跟著真實工作負載自然長起來的。理論上，這種「接地氣的擴張路徑」比預設好的產品藍圖更難快速複製，因為工程積累與客戶使用資料是綁在一起的。

Agent 需要的基礎設施和一般 GPU 算力差在哪？

過去幾年，AI 基礎設施的核心資源是 GPU 時數，計費邏輯是「一張 H100 用了多少小時」。這套邏輯在模型訓練和批次推論上夠用，但 agent 工作負載有一個根本不同的特徵：突發、高並發、需要狀態隔離。

一個 agent 可能在幾秒內啟動幾千個沙箱去驗證不同的程式碼路徑，每個沙箱跑幾毫秒就結束；下一個任務可能要在 RDMA 網路上拉起一個分散式訓練叢集，跑完後整個解散。這種工作負載對傳統 GPU 雲端的排程器很難處理，因為那些系統的設計假設是「資源預留較長時間、用量平穩可預測」。

Modal 看起來正在解的，就是這個錯位：把底層執行環境的粒度從「GPU 小時」往下推到「隔離的執行實例（秒或毫秒級）」。如果這個方向繼續成立，算力市場的定價單元正在發生結構性轉移。$160 億美元的估值反映的是投資人對這個轉移速度的預期，而非基本面的終點。

對在做 agent 工程的人，這代表什麼？

這一層基礎設施的出現，填的是「模型能用」和「agent 能大規模幹活」之間的那道缺口。對做 agent 平台的工程師，這意味著有一個已驗證的執行基礎設施可以接入，不必自己解決沙箱隔離、並發排程和 RDMA 叢集的安全管理，可以把工程資源壓在更靠近產品的層次。

對在做 RL 訓練的團隊，百萬並發沙箱的規模理論上可以大幅壓低平行環境模擬的等待時間，讓訓練迴圈跑得更快。這個改善能不能轉換成競爭優勢，還取決於各隊自身的演算法瓶頸在哪，但基礎設施層的摩擦確實在降低。對 vibecoding 平台的開發者，30 億個沙箱的歷史工程積累代表 Modal 在「高速啟動、安全隔離、快速執行程式碼」這個問題上有相當深的底子，短時間難以從零補起。

算力的下一個金礦位置，不在「誰擁有最多 GPU」，而在「誰能讓 agent 安全、低延遲地大規模執行任意程式碼」。$10 億美元 ARR、$160 億美元估值是市場對這個轉移方向的投票，三年前一個順水推舟做出來的沙箱功能，已經給了一個相當具體的答案。