一年估值翻三倍，Modal踩中了什么

2026年10月14日，Modal Labs宣布完成7.5亿美元D轮融资，Accel领投，Kleiner Perkins与六家左右老股东跟投，投后估值157.5亿美元——是上一轮的三倍多。

一年之内估值翻三倍，在今天的融资环境里不是常态，是例外。我的核心判断是：这笔钱投的不是"AI云"这个概念，而是把GPU从"一台服务器"变成"一个函数"的调度工程能力。这是当下AI基础设施里最硬、也最难抄的一段。

🚀 老股东抢着跟投，这轮不是勉为其难

先看事实。本轮由Accel领投，Kleiner Perkins加入，另外还有约六家老股东继续追加。比"7.5亿美元"这个数字更值得注意的，是估值——157.5亿美元，超过上一轮估值的三倍。

在一二级市场普遍冷静、很多AI公司估值倒挂的背景下，三倍溢价加老股东集体跟投，传递的信号很明确：内部人对自己看到的收入曲线和客户续费数据是有信心的。据多位接近人士的说法，这一轮的份额并不愁卖，领投方和跟投方是"抢"进来的，而不是被劝进来的。

从产业链看，Modal卡在了一个很微妙的位置——它不上游造卡，也不下游做应用，而是做中间那层最"脏"的活：把算力包装成开发者拿来就能用的服务。

资本在这个链条上选择投中间层，逻辑是：上游受制于显卡供给周期，下游应用生死难料，只有"把散装算力变成好用的算力"这一层，吃的是所有下游需求的总和，而且规模效应来自软件调度能力，不靠一次性堆卡。

💡 Modal到底卖什么：把GPU当函数调用

讲个典型场景。一个三人的算法团队要给自己的模型做微调，然后上线一个推理接口。传统路径是：先去公有云上包年包月租GPU实例，写好环境配置，算成本预算，然后在绝大部分时间里看着这些卡空转——因为推理负载是脉冲式的，半夜没人请求，白天高峰瞬间打满。

Modal提供的是另一种体验：开发者用Python写好代码，声明需要的GPU类型和内存，剩下的一切——容器拉起、环境依赖、任务排队、弹性伸缩、按秒计费——平台全包。任务结束，计费停止。

`infographic

{"type":"problemsolution","title":"Serverless GPU解决的三件事","items":[{"problem":"GPU包年包月，闲时大量浪费","solution":"按秒计费，用多少付多少"},{\"problem\":\"容器冷启动拖慢任务响应\",\"solution\":\"容器与镜像快照，秒级拉起\"},{\"problem\":\"算法团队被基础设施运维拖住\",\"solution\":\"基础设施代码化，代码即部署\"}]}\n`\n\n这背后是一整套不性感但极难做好的工程：容器冷启动优化、镜像分层缓存、任务调度器对GPU碎片时间的利用、多租户隔离下的稳定性。业界私下有一句流传很广的话——"AI infra的护城河不在PPT上，在P99延迟里。"Modal这类公司真正的资产，就是这些被真实客户流量打磨出来的调度代码。\n\n产业判断：随着AI应用从"演示"走向"生产"，推理负载的分布正在长尾化、突发化。稳定的大流量属于大厂和自建集群，而海量中小团队的长尾突发需求，正是Serverless GPU模式的天然腹地。\n\n## ⚠️ 竞争格局：夹在巨头的重量和专业云的缝隙之间\n\nModal不是一个人在战斗。往上看是超大规模云厂商，旁边是CoreWeave、Lambda、RunPod这类GPU专业云，往下还有"干脆自己买卡"的自建派。这个市场的竞争，本质上是两种成本结构、两种产品哲学的碰撞。\n\n`mermaid\nquadrantChart\ntitle AI算力服务竞争格局定位\nx-axis 低技术门槛 --> 高技术门槛\ny-axis 低商业价值 --> 高商业价值\nquadrant-1 领跑者\nquadrant-2 潜力股\nquadrant-3 跟随者\nquadrant-4 存量玩家\nModal: [0.75, 0.7]\n超大规模云厂商: [0.5, 0.9]\nCoreWeave: [0.6, 0.8]\nLambda: [0.5, 0.55]\nRunPod: [0.35, 0.4]\n自建GPU集群: [0.2, 0.3]\n`\n\n超大规模云厂商占据最高的商业价值象限——大客户的长期基线负载、合规需求、打包折扣，都握在他们手里。但他们的产品体验对中小开发者偏重：开一个GPU实例的配置项多到像填表格。Modal这类公司恰恰从"开发者体验"这个巨头看不上或做不快的缝隙切进去，把技术门槛做高（调度引擎），再把商业价值逐步往上顶。\n\n我的判断是：这个市场不会一家通吃，工作负载必然分层。大流量稳态负载沉淀在重资产阵营，长尾与突发负载流向Serverless阵营。真正的悬念不是谁取代谁，而是两边的边界画在哪里、以及Serverless一方的收入规模能不能撑住三倍于上轮的估值。\n\n## 📊 高估值的账怎么算：钱很多，护城河考验在后头\n\n做基础设施投资，最终要回到成本和可靠性这两本账上。Modal模式的优势在弹性成本，但挑战同样清晰：客户基线负载一旦变大，就会开始比价、甚至自建；GPU价格波动直接影响毛利；大厂随时可能用补贴把按量价格打下来。\n\n三种算力获取方式，摆在客户面前的是这样一张对比表：\n\n| 维度 | 自建GPU集群 | 超大规模云包年 | Serverless GPU |\n|---|---|---|---|\n| 成本模型 | 重资产折旧 | 包年包月 | 按秒按量 |\n| 弹性 | 差 | 中 | 高 |\n| 适合负载 | 大规模稳定训练 | 长期基线负载 | 突发推理、长尾任务 |\n| 团队要求 | 需专职运维团队 | 中等 | 很低 |\n\n对Modal来说，估值翻三倍意味着市场默认它的收入也会以相近斜率增长。这里的关键不是"再融多少钱"，而是客户结构：如果收入高度依赖少数几个大客户的长任务，那是伪Serverless；如果是由成千上万中小团队的碎片化用量堆出来的，那才是这个模式真正的复利。\n\n⚠️ 风险同样要摆在桌面上：一是大厂降价挤压按量价格区间；二是GPU供给周期反转后，重资产玩家可能用低价抢走对价格敏感的客户；三是Serverless模式对调度效率的要求会随着规模指数级上升，任何一次大规模稳定性事故，对这个品牌都是重击。\n\n## 小结\n\nModal Labs这轮7.5亿美元、估值157.5亿美元的融资，本质上是一次资本对"软件定义算力"的加注：上游卡在芯片，下游卷在应用，中间把散装GPU变成可编程、按秒计费的服务的这一层，正在成为AI基础设施里确定性最高的一段。接下来值得盯三个信号：收入规模是否跟上估值斜率、客户结构是否足够分散、以及大厂会不会认真下场做Serverless GPU。AI应用层的繁荣程度，最终决定了这块底座的天花板——而这个天花板，现在还远没有到。"}