5个月估值翻3倍、年化营收突破10亿：Modal是如何成为AI基础设施赢家的

2026年10月14日，AI基础设施圈子发生了一件值得被记录的事。

Modal Labs宣布完成7.5亿美元D轮融资，由Accel领投，Kleiner Perkins与超过6家现有投资人跟投，公司估值达到157.5亿美元。这个消息本身不算罕见——2026年的AI融资早已数字通货膨胀。

真正罕见的，是几个时间戳放在一起看时呈现出的形态：

  • 2026年5月（C轮，5个月前）：估值46.5亿美元，融资3.55亿美元，年化营收3亿美元
  • 2026年10月（D轮，现在）：估值157.5亿美元，融资7.5亿美元，年化营收超过10亿美元

5个月。估值乘以3.4，营收乘以3.3。

在Modal CEO在官方博客里写下”没有放缓的迹象”时，这不是创业公司常见的那种客气的路演措辞，而是一个被财务数据支撑的观察。以上所有数据均来自Modal官方博客（modal.com/blog/1-billion-annualized-run-rate-series-d，2026年10月14日）及SiliconAngle报道，属于公司公开披露信息。

当旧云架构遇上AI：为什么需要一家Modal

要理解Modal的崛起，必须先理解一个被AI工程师反复吐槽的现实：为传统Web应用设计的云，根本不适合AI工作负载。

传统云的逻辑是持续运行的服务器。你开一台EC2，24小时运转，按小时计费。这对CRUD应用完美契合——你的API需要随时待命，用户什么时候来什么时候响应。

但AI应用的形态完全不同。训练一个模型需要突发性地调用数百块GPU，用几个小时然后释放；推理需要冷启动一个70B参数的模型，处理一个请求，然后进入空载等待；而2026年最大的工作负载之一——AI生成代码的执行——需要在完全隔离的沙盒环境里运行，不能污染生产系统，但又需要以秒级延迟完成冷启动。

用工程师的语言说：这是一个既需要高并发、又需要强隔离、又需要极低启动时延的场景，而这3个要求对传统容器编排系统（Kubernetes为代表）来说是互相矛盾的。

Modal的联合创始人在2022年看清了这条裂缝，决定放弃改良，从头重建整个云栈：自己的文件系统、容器运行时、调度器和网络层，横跨超过20家云供应商的容量池。

这个判断被证明是正确的，而且正确的速度超出了所有人的预期。

Sandboxes：从工程师的观察到3亿美元年化营收

Modal的起点是Functions——你写代码，加上一行Python装饰器，Modal运行。简洁，强大，但足够一般化。

2023年，工程团队开始注意到一个重复出现的模式：用户在用大语言模型生成代码，然后把这些生成的代码发到Modal上运行。没有人事先设计这个用例，它是自然发生的。

“LLM在写代码，代码需要在某个地方执行，而那个地方需要与生产系统完全隔离。”

这个观察催生了Sandboxes。

表面上看，Sandboxes只是一个隔离容器服务。但3年后，它演变成了Modal最重要的产品之一：单独年化营收3亿美元，占公司总ARR的近三分之一。

几个数字可以说明这个产品的规模：

  • Modal已经为客户启动了接近30亿个沙盒（3 billion，来源：Modal官方博客，2026年10月）
  • 调度系统能在秒级内并发提供100万个容器——这是Modal今年内部压力测试中实际达成的数字（来源：modal.com/blog/scaling-to-1-million-concurrent-sandboxes-in-seconds）
  • 调度器的核心技术：将容器配置请求并行分发到多台服务器处理，而非排队串行

“100万个并发沙盒”意味着什么？打个比方：如果100万个AI智能体同时触发一个代码执行任务，Modal的基础设施可以在秒级内为每一个智能体提供一个独立、隔离的执行环境，而不是让其中999,999个在队列里等待。

这个能力对2026年爆炸式增长的AI智能体应用来说，已经成为关键基础设施。

客户矩阵：从机器人到药物发现

Modal官方在D轮公告中列出的客户名单，本身就是一张AI行业地图：

AI视频生成：Runway——这家可能是2026年最热的AI视频公司，在全球各地区用Modal的计算资源生成”逼真视频”。视频生成的工作负载特别契合Modal的模型：突发性的高算力需求，多地区低延迟分发。

AI智能体：Cognition（做AI软件工程师Devin的公司）、Ramp、Linear、Hebbia——这些公司都在用Modal跑”专家级背景智能体”（background agents that are experts in their fields）。智能体需要执行工具调用、运行生成的代码、访问外部系统，而Sandboxes的Secret Injection特性——让智能体使用凭证而不暴露凭证明文——解决了一个关键安全问题。

机器人训练：Physical Intelligence、Generalist AI、1X——这三家公司都在用Modal训练物理机器人的神经网络。机器人训练需要大规模的模拟环境并行运行，这正是Modal多节点集群的强项。

药物发现：Chai Discovery、Achira，以及通过Claude Science API接入的科学研究团队——这个用例展示了Modal已经延伸到了生命科学领域的计算基础设施。

最能说明Modal价值主张的，是TypeSafe AI的案例。TypeSafe AI的产品Jev在上线头3天就在Modal上处理了1万亿个token。TypeSafe团队在面对这个规模的流量时，没有陷入运维地狱——他们”专注于shipping，而不是管理基础设施”。这正是Modal的核心承诺。

而DoorDash的案例则从另一个角度印证了这一点：DoorDash的AI平台团队用Modal将应用从实验阶段推进到生产，核心价值在于”跨公司的应用可以从实验直达生产，不需要基础设施团队的深度介入”。

D轮7.5亿：下一步押注在哪里

融资是目的地的中途站，不是目的地本身。Modal在公告中透露了资金的主要用途，这些用途揭示了他们对接下来市场的判断：

第一，强化学习（RL）和后训练专用产品。 RL正在成为前沿模型研发管线中增长最快的计算需求。OpenAI的推理模型、各家”慢思考”模型的训练，都需要大规模的RL数据生成——本质是”跑大量模拟，收集奖励信号”。这是一个高度并行、对容器隔离需求极强的工作负载，Modal打算把这块专门产品化。

第二，Modal Servers——推理侧的下一代基础设施。 传统的”无服务器函数”模型对HTTP服务器不够友好。你的推理服务器需要保持TCP连接状态、维护KV缓存，不能每个请求都是全新的冷启动。Modal Servers解决这个问题，配合Endpoint Candidates等特性优化LLM serving场景——目标是让开发者不再需要在”无服务器”和”长期运行服务器”之间二选一。

第三，多节点训练集群的强化。 今年Modal已经推出了多节点训练集群——一行装饰器，你就能获得一个RDMA全连接的GPU集群，无需提前容量承诺。相比向AWS/Azure申请大型GPU集群往往需要等待数周的现实，这个产品的即时性是结构性优势。

20+云供应商的反直觉护城河

Modal不拥有自己的数据中心。它在超过20家云服务商的容量之上构建抽象层。

这听起来是劣势：你没有自己的硬件，利润率受上游制约，供应商可以随时涨价。

但仔细拆解这个模型，它的优势恰恰来自这个”劣势”：

弹性可靠性：任何单一云的可用区故障，工作负载自动重路由。对于训练运行持续数天的AI团队，这种可靠性价值连城——你不希望因为us-east-1的某个可用区宕机导致数天的训练白费。

GPU获取的优先级：在GPU供应仍然紧张的2026年，接触20+供应商意味着Modal的调度器可以实时路由到当前有空余算力的地方。某种程度上，Modal在和AWS抢同一批H100，但Modal更聪明——它可以从更多地方拿货，并且实时优化路由。

成本压力分散：多供应商关系提供了议价能力，避免对单一超级云的依赖。

当然，这个模型也有明显的脆弱性：在GPU全面紧张时，Modal无法像大云厂商一样用资本直接锁定制造端产能。这是一个结构性的上限。

市场格局：AI基础设施的三层战争

2026年的AI基础设施市场，正在形成一个清晰的三层结构：

第一层（算力层）：英伟达（GPU）、台积电（晶圆代工）、AWS/Azure/GCP（裸金属）。这一层的竞争逻辑是资本密集和供应链控制，门槛以百亿美元计。

第二层（AI原生云）：Modal、Anyscale（Ray）、Together AI、Replicate等。这是目前竞争最具活力的层次——谁能提供最符合AI工作负载语义的编程模型，谁就能获得开发者的”基础设施忠诚度”。

第三层（AI应用和模型）：Anthropic、OpenAI、Midjourney、Scale AI等。

Modal选择了第二层，并在其中建立了差异化：不只是”便宜的GPU云”，而是让AI开发者可以以”函数”和”沙盒”为单位组装基础设施的平台。Sandboxes给了它在AI代理工作负载上的独特锚点，而这恰好是2026年增长最快的AI应用形态。

从估值轨迹看，资本市场对这个判断投了赞成票：Modal从种子轮到D轮的估值曲线，每一轮都在加速而非减速。157.5亿美元背后的隐含逻辑是：AI基础设施市场足够大，而Modal已经找到了一个难以复制的产品-市场契合点。

隐忧与边界

任何一个月内就能3倍估值的公司，都值得被追问一个问题：什么情况下这个故事会结束？

竞争降维打击风险：AWS、GCP、Azure都在推自己的AI优化计算服务（Trainium、TPU v5e、GPU集群）。尽管大云厂商的开发者体验目前与Modal差距明显，但他们有资本在3-5年内大幅追赶，甚至以捆绑销售的方式颠覆Modal的商业模式。

单产品集中风险：Sandboxes贡献了约30%的ARR，而Sandboxes的核心场景是”AI生成代码的隔离执行”。如果AI代理的主要执行模式向边缘推移——比如轻量模型直接在设备端执行代码——Sandboxes的市场边界可能收缩。

算力获取风险：Modal建立在租用他人算力之上，这意味着它的增长速度受制于供应商给的配额。在需求持续超过供给的AI计算市场，这是一个实实在在的约束。

以及一个更根本的问题：当10亿ARR的增速是15倍年同比时，维持这个增速需要越来越大的基数。增长在某个时间点必然开始放缓。157.5亿美元的估值意味着资本预期这个时间点还相当遥远。

技术深挖：Modal调度器的工程选择

Modal调度器的设计值得单独展开，因为它揭示了Modal与传统容器编排方案（如Kubernetes）的本质差异。

Kubernetes的设计哲学是长期运行的工作负载：你声明期望状态，控制器持续比较实际状态与期望状态，差距通过调度新Pod来填补。这套机制对Web服务、数据库等长期运行服务运行良好，但对于”需要在0.5秒内启动并在10秒后销毁”的AI推理请求，Kubernetes的控制循环延迟是不可接受的。

Modal的调度器做了几个关键工程选择：

并行化配置流水线：传统的容器启动是串行的——拉取镜像→解压→挂载文件系统→启动进程。Modal把这个流水线分解为可以在多台服务器上并行准备的多个阶段，请求到来时各阶段已基本完成，只需做最后的组装。

跨云统一调度：20+云供应商的异构硬件被Modal的调度层统一抽象。调度器实时维护每个供应商的可用容量视图，新请求被路由到当前负载最低、与任务匹配度最高的机器上。这需要持续的容量探针和预热池维护，是Modal基础设施中最复杂的部分之一。

Sidecar本地化：当一个AI智能体沙盒需要连接辅助容器（比如幻觉检测器、工具调用服务）时，Modal确保sidecar运行在与主容器相同的物理服务器上。这消除了容器间的网络延迟——在高频工具调用的智能体工作负载中，这可以将端到端延迟降低一个数量级。

Secret Injection的零知识设计：当智能体需要登录外部应用时，传统方案是把凭证明文注入环境变量。Modal的Secret Injection让智能体可以使用凭证（比如”用这个凭证登录Slack API”），但凭证的明文在任何时候都不暴露给运行在沙盒内的代码。这个设计阻止了”rogue agent”——即被篡改或被对抗性输入操控的智能体——窃取生产凭证。

这些工程选择的总和，是Modal能够承诺”秒级冷启动、百万级并发”的技术基础。

开发者视角：为什么”一行代码”很重要

Modal有一个被工程师反复提到的体验细节：你只需要一行Python装饰器，就能将本地函数变成可弹性扩展的云函数。

import modal

app = modal.App()

@app.function(gpu="A100")
def my_inference(prompt: str):
    # 运行在云端A100 GPU上
    return model.generate(prompt)

这不只是代码简洁性的问题，而是一个关于认知负载的深层问题。

当你在写代码时，你的工作内存（working memory）是有限的。如果每次想用GPU都需要分心去想”Docker镜像怎么配置”、”Kubernetes YAML怎么写”、”IAM权限怎么设置”，你就在把宝贵的认知资源浪费在基础设施管理上，而不是你真正想解决的问题。

Modal的设计哲学是：把基础设施决策推迟到最后，或者完全自动化。你不需要提前知道你的任务需要多少GPU，Modal的调度器会根据实际负载动态分配。你不需要管理容量预留，Modal按实际使用计费。

这种开发者体验，解释了为什么TypeSafe AI的团队在1万亿token的流量下”专注于shipping而不是管理基础设施”——他们从来没有需要切换上下文去处理基础设施紧急事件。

Cognition（Devin的开发商）在他们的案例分享中提到，Modal上的Sandboxes是Devin执行代码的核心环境。Devin每次需要运行代码时，Sandboxes自动提供一个干净的隔离环境；Devin每次完成任务，沙盒自动销毁。整个生命周期管理对Devin的代码逻辑完全透明。

这种体验的副作用，是强烈的用户粘性。一旦你的代码库已经用Modal的装饰器写好了，迁移的成本——不只是技术成本，还有习惯成本——相当高。

关键数字速查

从Modal的D轮公告和相关报道中，提取几个值得记录的关键数字：

  • 7.5亿美元：D轮融资规模，Accel领投
  • 157.5亿美元：D轮后估值，约是5月C轮估值（46.5亿）的3.4倍
  • 10亿美元：年化营收（ARR），2026年10月
  • 3亿美元：Sandboxes产品单独的年化营收
  • 3倍：5个月内ARR增长倍数（从3亿到10亿）
  • 15倍：年同比营收增长（YoY）
  • 30亿：历史累计启动沙盒数量
  • 100万：已在内部测试中实现的最大并发沙盒数
  • 1万亿：TypeSafe AI的产品Jev在上线头3天在Modal上处理的token数
  • 20+：Modal接入的云供应商数量

这些数字的意义在于它们之间的比例关系：Sandboxes占总ARR的30%，说明Modal已经不是单一工作负载的利基产品；15倍年同比增长在10亿ARR的量级上发生，说明这不是低基数效应驱动的高增速。

一个关于”新基础设施”的更大命题

Modal的崛起，本质上是对一个问题的回答：AI时代需要什么样的基础设施原语？

传统云的哲学是”稳定持续的服务”——你部署一个Web服务，它连续运行，偶尔扩缩容。这个哲学沉淀出了整个云原生生态：Kubernetes、Helm、Terraform、Docker Compose，所有这些工具的默认假设都是”你想让某些东西一直运行”。

AI应用的哲学是”爆发性的、状态复杂的、高度隔离的计算”——你需要在毫秒内启动一个推理任务，在秒内启动一个代码执行沙盒，在分钟内拉起一个训练集群，在小时后释放所有资源，然后下一天重新开始。这个工作模式在现有云原生工具链中没有对应的一等公民抽象。

这两者之间的结构性张力，催生了整个AI原生基础设施赛道。在这个赛道上，每家公司给出了不同的答案：

  • Anyscale/Ray的答案是”分布式Python”——扩展Python代码的并行执行
  • Together AI的答案是”模型即API”——快速访问开源模型的推理端点
  • Replicate的答案是”模型即应用”——把机器学习模型包装成Web API

Modal的答案是最彻底的：扔掉旧栈，重建整个云的原语层——函数、沙盒、集群——让AI时代的工作负载以更自然的方式表达。

这种彻底性的代价是工程投入的量级。Modal花了3年时间才在今天的规模上验证了这个方向。但一旦核心基础设施就位，上面的增长飞轮是很难被追赶的——因为你的调度器、文件系统、容器运行时都是专门为这类工作负载优化的，而不是在通用系统上打补丁。

3年内近30亿个沙盒，5个月内营收三倍，157.5亿美元的估值。这些数字会继续变化。但Modal已经用这些数字证明了：在AI基础设施这个战场上，最彻底的重建者，往往也是跑得最快的那一个。

对AI开发者来说，这个故事还有一个实用含义：在GPU资源越来越稀缺、AI应用形态越来越多样的2026年，你选择的基础设施层不只是一个成本决策，更是一个速度决策。Modal的3亿Sandboxes用户已经用脚投票。

与大云的真实差距：不只是开发者体验

AWS、Azure、GCP这三家云巨头当然不会坐视Modal的崛起。他们已经在分别推进各自的AI优化基础设施：AWS Trainium 3（专用AI训练芯片）、Google Cloud TPU v6e（推理优化）、Azure NDv5系列（H100集群）。他们有Modal永远无法复制的资本规模优势——在GPU供应链上直接与英伟达签订多年期大额合同。

那么，Modal的真实差距是什么？

第一，开发者时间成本的差距。在AWS上部署一个GPU训练任务，完整流程包括：创建IAM角色→配置VPC→申请GPU实例（可能需要服务限额增加请求，等待1-3天）→配置存储→写CloudFormation/CDK模板→调试启动脚本。在Modal上，同样的工作是：写一个Python函数，加一行装饰器。这不是夸张，而是Modal用户普遍反映的体验差距。

第二，隔离执行环境的原生性差距。AI生成代码的安全执行是一个需要深度定制的场景。大云厂商的默认容器服务（ECS、Cloud Run）不是为”运行不受信任的AI生成代码”设计的，要在上面构建等同于Modal Sandboxes的安全隔离需要大量自定义工作。Modal把这个复杂性完全封装了。

第三，多云抽象层的差距。大云厂商自然不愿意帮你使用竞争对手的硬件，而Modal在20+云之间的智能路由是其独特能力。这一点大云厂商不可能复制——他们没有动机。

当然，大云厂商的优势在于更深的企业关系、更完整的合规认证（HIPAA/SOC2/FedRAMP等）、以及更长的合同谈判能力。对于把所有工作负载都放在AWS上的大型企业，切换到Modal意味着增加一个供应商，而这个额外复杂性需要业务价值来justify。

这解释了Modal的客户矩阵特征：大量是AI原生公司（Cognition、TypeSafe AI、Runway等），而非传统企业。大企业市场是Modal下一个需要打入的战场，而大云厂商在那里的护城河依然深厚。

估值逻辑：157.5亿美元在赌什么

157.5亿美元的估值对应一个10亿ARR的公司，意味着约15.75倍的ARR乘数。这个倍数在2026年的SaaS市场属于什么水平？

类比参考（以下为同类公司的近似参考，非精确比较）：Snowflake在高增速时期的估值约为ARR的40-50倍；Datadog目前约20-25倍；更成熟的基础设施公司约10-15倍。Modal的15.75倍乘数，意味着资本市场将其定位为”高增速SaaS/基础设施”而非”成熟企业软件”。以上估值乘数比较基于公开报道，仅供参考，不构成投资建议。

这个定位隐含了几个假设：

假设1：ARR增速会维持。从3亿到10亿（5个月）的速度令人震撼。但维持这个速度需要Modal在下一个5个月达到约30亿ARR（以同等速率计算）。这在算力供应有约束的条件下，是一个很紧张的目标。需要注意的是，以上增速预测是基于过去数据的简单外推，实际结果可能有重大差异。

假设2：AI代理工作负载是持续需求。Sandboxes的核心场景是AI代理执行代码。这个市场在2026年确实爆炸式增长，但它的天花板是什么？当AI模型变得更能自主完成任务、减少需要执行外部代码的频率时，Sandboxes的增长曲线会怎么变？这是一个尚无定论的开放问题。

假设3：第二层AI原生云不会被大云消灭。历史上，新的云原生工具（如容器化、无服务器）最终往往被大云平台吸收。Modal赌的是：AI原生基础设施足够独特，以至于大云”copy-and-bundle”的能力受限。从已有技术深度来看，这个赌注并非没有依据——Modal的自定义文件系统和调度器不是一朝一夕能复制的。但这是一个判断，而非确定性结论。

假设4：Modal能成功上移到企业市场。目前Modal的明星客户主要是AI原生创业公司。要支撑157.5亿美元的估值，Modal需要打入DoorDash这类大型企业的核心工作负载——而不只是AI实验项目。这一转型是否成功，目前没有足够公开数据支持确定性判断。

以上4个假设中，只有融资金额、ARR数字、估值是公司公开披露的确定事实；其余分析代表本文的判断和推测，读者应结合自身情况独立评估。

AI基础设施的”赢家通吃”模式

云计算历史给了一个重要参考：AWS在2006年推出EC2后，并没有立刻赢得全部市场——它花了约5年时间才让”大多数新项目选择云而非自建”成为默认选项。

AI原生基础设施的扩散节奏可能更快，因为AI应用本身的规模增长比2006年的Web应用快得多。但”更快”和”赢家通吃”之间还有一段距离。

Modal的战略挑战，是在”第二层AI原生云”市场尚未巩固之前，尽快建立足够深的技术护城河和客户粘性，以便在大云厂商跟进时依然有明确的差异化价值。

从今天的状况看，Modal在智能体执行（Sandboxes）这个单一赛道上已经建立了相当的护城河：近30亿历史沙盒、1万亿token的单客户记录，以及围绕这个产品形成的工具链生态（Secret Injection、sidecar本地化等）。

但护城河不是静态的。接下来18个月，随着RL训练、多模态推理、机器人仿真等新工作负载爆发，Modal能否在这些新赛道上以同样的速度建立同等深度的护城河，将是决定其长期命运的核心变量。

7.5亿美元D轮资金的意义，或许正在于此：让Modal有足够的资本，在多个新工作负载方向上同时下注，而不是等着被大云厂商逐一复制。

参考资料

  1. Modal官方博客：Modal crosses $1B in Annualized Run Rate and raises $750M Series D — 2026年10月14日
  2. SiliconAngle：AI cloud startup Modal raises $750M at $15.75B valuation — 2026年10月14日
  3. Modal官方博客：Modal’s Series C: Raising $355M at a $4.65B valuation — 2026年5月
  4. Modal官方博客：Scaling to 1 million concurrent sandboxes in seconds — 2026年
  5. Modal官方博客：TypeSafe AI case study: 1 trillion tokens in 3 days — 2026年