「1 亿 TOKEN 俱乐部」挤爆了，AI 的燃料不够了｜对谈于文渊：阿里云百炼技术负责人
Agent 点燃的算力大爆炸。
Agent 点燃的算力大爆炸。
👦🏻 播客采访：Koji
🥷 整理编辑：十字路口
🧑🎨 排版: NCon
🚥 如果你最近在用 Claude Code、OpenClaw、各种 Agent，你大概率已经感受到一件事：模型能力越来越，SOTA 让人兴奋，但 Token 让人清醒：贵，而且不够用。
有人甚至给重度用户建了个群，门槛很离谱：一天烧掉 1 亿 Token，才能进「1 亿 TOKEN 俱乐部」。更离谱的是，这个门槛正在变得"不够高"——因为越来越多人开始把 AI 从聊天工具，推进到真实的生产力链路里。
这期「十字路口」，我们请到的嘉宾是 于文渊，「阿里云百炼」技术负责人。文渊处在一个很少有人能看到的视角：算力需求如何暴涨、哪些场景在吞噬 Token、云的范式如何被 Agent 改写、以及"再多 GPU 都不够用"背后真正的工程难题。
此外，我们还聊到为什么 Token 暴涨不是一时的泡沫，而是一个阶段性信号？什么有关系企业应该选择自建 infra？AI coding 火了之后，为什么更需要警惕 vibe coding？
如果你关心 AI 怎么进入生产、怎么稳定、怎么规模化、以及下一轮机会会在哪个层面发生，这期播客值得一听。
微信收听播客：
小宇宙收听播客：
🎬 视频播客已同步上线于 @Koji杨远骋 的视频号、小红书、哔哩哔哩、Youtube 等平台
由于访谈全文较长，可先参考目录：
🟢 快问快答
年龄、毕业院校、MBTI 与星座、一句话介绍百炼、工作经历。
🟢 Token核弹：Agent 点燃的算力大爆炸
Claude Code与OpenClaw席卷全球——这背后不只是一款工具的走红，而是算力消耗方式的根本性转变。
🟢 让每一块GPU一秒都不能闲
有一个"最激进投入算力"的CEO，但依然还是不够用——这种对算力的饥渴感，在云计算历史上从来没有出现过。
🟢 自建还是上云？我来发表一个"暴论"
成本可控、数据安全、灵活性——这三个企业自建GPU的理由，文渊说，恰恰是应该用MaaS的理由。
🟢 非共识：不要让AI帮你写太多代码
对计算机专业学生的建议是"少用AI"——这不矛盾吗？
🟢 最反直觉的预言：写操作系统的人最先被AI取代
大家都以为前端工程师最危险——文渊说，恰恰相反。
🟢 算力如石油：但今天的关键不止是算力
过去中国的云计算参考架构往往来自美国——但这一次，连美国都还没答案。
🟢 未来的基础设施四件套：水、电、煤、模
AI会成为像水电煤一样的标准商品——但文渊说：对，但也不会变成那种"插上就是220伏"的标准化基础设施。
快问快答
👦🏻 Koji
我们从快问快答开始。文渊，你的年龄？
👨🏻💻 文渊
39 岁。
👦🏻 Koji
毕业院校是？
👨🏻💻 文渊
本科毕业于北京大学，博士毕业于英国爱丁堡大学。
👦🏻 Koji
MBTI 和星座？
👨🏻💻 文渊
我是 INTP，双鱼座。
👦🏻 Koji
在负责百炼之前，你主要在做什么？
👨🏻💻 文渊
2018 年我做了一家小公司，被收购进了阿里，当时在做图计算。后来一直在达摩院和通义实验室做一些系统方向的研究。
Token 核弹：Agent 点燃的算力大爆炸
👦🏻 Koji
最近两个月，Claude Code 和 OpenClaw 席卷全球，这对你们的工作带来了哪些影响？
👨🏻💻 文渊
最直接的是 Token 数的迅速增长，基本以按月翻倍的速度在进行，而且都是非常高质量、SOTA 的 Coding 模型。大家已经不再把 AI 当作一个 chatbot 或闲聊工具，而是把它融入到生产力场景。
这是非常夸张的 Token 消耗，而且现在仅仅是一个开始。我们相信这个增速会迅速达到一个惊人的程度。
👦🏻 Koji
现在仅仅是一个开始？
👨🏻💻 文渊
真的是一个开始。
👦🏻 Koji
一方面是 Claude Code，一方面是 OpenClaw，让 Token 消耗出现了核弹级的爆发，全球都在缺算力。除此之外，还有别的原因吗？
👨🏻💻 文渊
今天，AI 正在非常深刻地改变大家使用算力的方式。我很难预测短期内下一个爆发的场景是什么，但我非常笃定，三五年后，许多耗费人力的工作都将由 AI 来完成。
其次是云计算本身，今天数据中心、调度系统长什么样？大家如何消耗计算、存储、网络？三五年后，会和今天完全不一样。
👦🏻 Koji
所以你认为云计算的范式也会发生天翻地覆的变化？
👨🏻💻 文渊
会发生天翻地覆的变化。
👦🏻 Koji
云厂商会重新洗牌吗？
👨🏻💻 文渊
已经出现了一些洗牌的趋势。
"什么是一个好用的云" 的定义，今天也在变化。为什么会有新云蓬勃而出？未来的云是什么样子？我们正处在一个发展的十字路口。
👦🏻 Koji
有一段时间，大家普遍认为全球云厂商的格局已定，就是中美那几个巨头。但最近 Neocloud 的出现，你觉得这会是昙花一现，最终市场还是会被云巨头拿下？还是说这些新公司有机会跻身一线行列？
👨🏻💻 文渊
这我很难判断。但每个云厂商自己也在变革，在革命自己。
阿里云是中国最大的云计算厂商，我们也在思考，未来的云用户是不是不再是真人，而是 Agent？Agent 用云需要什么样的计算、存储、网络？需要什么样的数据库和算力？该如何满足它们的需求？所有厂商都在迎接这场变革。
让每一块 GPU 一秒都不能闲
👦🏻 Koji
在阿里云，你最关注的事情有哪些？
👨🏻💻 文渊
我们最关注的肯定是稳定性。安全当然也极其重要，但我们每天都能看到的变化是：用户量、Token 量和算力需求的巨大增长。
我们 Qwen 3.5 模型在除夕当天发布，只用了两个多星期，它的峰值（每分钟请求数）就跃升到了历史上所有文本模型都未曾见过的高度。
我们有一个对算力投入最激进的 CEO，依然觉得不够用。因为我们还有大量的模型研发和客户服务要做，我们 Token 数的增长压力依然巨大。
👦🏻 Koji
这种爆炸性增长，是从哪个时间点开始的？
👨🏻💻 文渊
我的感觉是从百炼上线第一天起，就没停下来过。
👦🏻 Koji
所以你不觉得 OpenClaw 或 Claude Code 加速了这种增长？
👨🏻💻 文渊
在 Agent 场景下，它们绝对加速了增长。但从历史上看，我们经历过很多次这样的爆发，比如某个视频生成模型，一旦跨过从 Demo 到市场可用的门槛，就会迅速带来一波又一波的增长。
👦🏻 Koji
在这样剧烈的变化里，追求稳定是不是很难？
👨🏻💻 文渊
非常难。在追求稳定的前提下，我们还希望能把算力充分利用起来。
除了安全和稳定性，面对如此快速的增长，我们还有一个巨大的限制——GPU 的供给非常有限。很多算法团队都在抢，说需要 GPU 做训练，希望在某个场景用上更强的模型，需要更好的服务质量。这中间有巨大的系统和工程挑战。
我们有一个非常重要的使命：让每一块 GPU 都不要有一秒钟闲下来，让它发挥最大的作用。 我们希望把阿里云所有的 GPU 算力资源——无论是 1 千卡、1 万卡还是 100 万卡——都利用起来，让所有用户都能享受到极致的弹性和稳定性，让他们感觉背后有一个中国最大的算力集群，通过一个 API 就能调用。
👦🏻 Koji
最近有个微信群叫"一亿 Token 俱乐部"，要求日消耗一亿 Token 才能加入。你之前提到不应只关注数量，也要关注质量，能展开讲讲吗？
👨🏻💻 文渊
Token 这个词有一点误导性。一个 0.6B 小模型或 embedding 模型的 Token，和一个会深度思考的 SOTA 大模型的 Token，在算力消耗、智能水平上都是不等价的。
OpenClaw 这波浪潮，大家用的都是非常 SOTA 的开源或闭源模型，它们的 Token 质量很高。
👦🏻 Koji
在百炼上，每天消耗一亿 Token 的用户大概有多少？
👨🏻💻 文渊
我们感觉每天都在增加，数以万计。所以你们那个"一亿 Token 俱乐部"的门槛可能要再提高了。
👦🏻 Koji
要变成"十亿 Token 俱乐部"了？
👨🏻💻 文渊
我觉得可以。因为我们的 Coding Plan 用户，很多是重度消耗 Token 的个人，一亿已经不是一个很高的门槛了。
👦🏻 Koji
除了 Token 数量，你们还关心什么？
👨🏻💻 文渊
我们关心峰值调用量，如何做技术上的削峰填谷，如何做好调度以充分利用 GPU。
我们也希望服务好更多的用户，提供更好的服务质量，包括首包时延和生成速度。
👦🏻 Koji
让 GPU 全天候运转，国际化是不是一个好方法？比如中国的白天由中国用户使用，欧洲的白天由欧洲用户使用。
👨🏻💻 文渊
Token 出海一定是一件非常重要的事情，我们才刚刚起步。
阿里云非常拥抱国际化，但国内和国际业务的发展不在同一个速度上。可能你稍微慢两个月，海外业务的占比就只有个位数了。虽然齐头并进很难，但我相信最终的中台一定是国际国内通用的。
当然，这需要克服很多问题，比如地缘政治、合规等。但总的来说，中国厂商的 AI 出海，是一个大势所趋且无法停止的方向。
👦🏻 Koji
在百炼，你们是不是有一种"上帝视角"，能看到哪些赛道、哪些场景消耗的 Token 最多？有没有可以分享的有趣故事？
👨🏻💻 文渊
比如，某个饮料厂商，他们在经销商群里建了机器人。经销商想补货，直接在群里对机器人说"某某饮料多少箱"，机器人就能理解这是什么饮料、他过往的购买习惯，然后直接安排补货。整个过程都是通过非常自然的语言在一个群里完成的。
👦🏻 Koji
这听起来确实是更自然的工作方式，不用去学习新系统，就像和真人沟通一样。
👨🏻💻 文渊
这肯定是一个自然而然的未来。当大模型真正开始替代"人"的角色时，未来很多行业的运作方式都会被它深刻影响。
👦🏻 Koji
今天所有云厂商都推出了自己的 MaaS 服务，从外界看似乎大同小异。从内行角度看，差异化主要体现在哪里？制胜点可能是什么？
👨🏻💻 文渊
我是一个 hands-on 的工程师，信奉"hands-dirty club"的理念。一个公司的基础设施和技术做得好不好，非常影响最终的产品。
阿里云在国内做基础设施很久，积累了很强的规模和技术厚度。同时，我们还有通义实验室这样的伙伴，给我们提供好的、非黑盒的模型，我们是背靠背一起打磨的。
我们也有平头哥这样的芯片团队，从 CPU 时代开始我就用过很多他们的芯片，开发体验和效率都非常好。从模型、基础设施、算力规模到自研硬件，我们有能力进行端到端的打磨，这是一种很独特的感觉。
👦🏻 Koji
具体来说，在百炼上调用千问模型，和在别的平台调用，你们的独特优势是什么？
👨🏻💻 文渊
我听到很多客户反馈说，为什么自己部署的千问模型，在效果、质量或速度上不如百炼上的好？这不仅限于千问，也包括开源模型。
因为我们这么多年积累了一套非常成熟的、包含精度和稳定性保障的推理服务框架。我们可以自信地说，千问所有模型在 Model Card 上官方公布的分数，通过百炼的 API 一定可以复现。
自建还是上云？我来发表一个"暴论"
👦🏻 Koji
今天一些有规模的企业会觉得，私有化部署、自建 GPU 的成本更低。在你看来，是否存在企业应该考虑自建的场景？
👨🏻💻 文渊
我发表一个"暴论"，不代表阿里云，只代表阿里云百炼：我认为，没有任何一个情况需要自建。
👦🏻 Koji
这是否也符合社会分工越来越精细化的规律？专业的人做专业的事。
👨🏻💻 文渊
一方面是这样。另一方面，是大家低估了这件事的复杂性和增长速度。
客户采购 GPU，无非出于三个原因：
第一，成本可控。我就这么多 GPU，未来几个月的花费是确定的。
第二，安全。模型、数据、请求都是我自己的，不经过第三方 API 更放心。
第三，灵活性。买了英伟达的卡，感觉什么模型都能部署，业务怎么调都行。
但我的看法恰恰相反。如果你是出于这三个目的，那么使用 MaaS 才是最好的选择。
👦🏻 Koji
成本、安全、灵活性——你认为 MaaS 反而能比自建更好地满足这三个需求？
👨🏻💻 文渊
首先是成本。如果要把成本折算到每个 Token，需要解决几个问题。
第一是推理优化，模型和算法迭代很快，每个公司都养一个 Infra 工程师来持续优化推理效率，是很难的。
第二是资源利用率，你自己持有的 GPU，能保证时刻都在高效运转吗？模型越来越多，如何在服务质量和成本间找到平衡，这是个非常复杂的系统问题。
其次是安全。作为云厂商，可信是我们的底线，我们看不到也不会去看用户的数据。我们还在推行一种叫"机密计算"的方式，在这种模式下，我们连你的模型文件和请求内容都看不到，端到端的密钥掌握在你自己手里，这是密码学级别的保障。
最后是灵活性。今天最大的确定性就是不确定性。你不知道明天的 AI 需要什么，模型架构会有什么变化。对 MaaS 用户来说，他们面对的永远是一个简单的 API。
非共识：不要让 AI 帮你写太多代码
👦🏻 Koji
插个问题，你本科是计算机专业。对于今天的学弟学妹，你还建议他们学计算机吗？如果建议，你认为他们的学习方式和当年会有哪些不同？
👨🏻💻 文渊
我的建议是，大家可以继续学计算机。我导师是 80 年代的北大的本科生，他说他的老师告诉他：未来世界上只有两种人，一种是使用计算机的人，一种是被计算机使用的人。
👦🏻 Koji
很准确，就像《晚点》那篇《困在系统里的人》。
👨🏻💻 文渊
对。这句话在 80 年代是真理，在我读大学的 21 世纪初是真理，今天依然是真理。计算机专业的同学需要明白，无论未来 AI 能解决什么问题，最终还是要落到物理世界上，落到逻辑电路和硅片的设计生产上。
AI 在这个过程中作用会越来越大，但我们不能不知道这一切是如何发生的。
至于如何使用 AI，我建议学弟学妹们一定不要用 AI 帮你写太多的代码。这可能有点反直觉。
我前两天看到张文宏的一个访谈，他说医生该怎么用 AI。资深医生用 AI 肯定没问题，但如果一个实习医生，从看第一个病人起就直接把病例丢给 AI，他将无法发现 AI 犯的错误。
因为他没有经验的积累，没有对好坏、对错的判断力，只能相信 AI 的 99% 正确率，而发现不了那 1% 的问题。
刚入行的计算机专业的同学，一定要避免自己成为那 99% 与 AI 高度重合、没有独特技能的人，而要努力成为能识别出 AI 做不到的那 1% 的人。
👦🏻 Koji
这很有趣。编程工具 Cursor 最近的数据显示，半年前无脑接受代码补全的用户只有 20-30%，现在这个比例反转了，变成了 70-80%。这个趋势似乎不可逆转。
你能举一个具体的例子吗？因为你曾经手写过大量代码，形成了自己的判断和审美，所以在某个时刻，你对 AI 给出的解决方案提出了不同的看法。
👨🏻💻 文渊
这种情况在我们日常工作中非常多。做 code review 时，如果一看是 AI 生成的代码，至少我会很慌。我们有太多把 AI 提交的代码再删掉的 case。
AI coding 用来做一个 prototype，质量完全没问题，但用于生产环境，还差一点。当系统真正面临压力时，问题就会暴露。
生产级的代码，你需要清楚地知道每一行能完成什么，以及它的副作用在可接受范围内，比如不会导致内存泄漏或占用过多文件句柄。AI 对上下文和业务的深度理解，还远远达不到那个程度。
所以我认为，对于 mission-critical 的代码，暂时还是不能完全依赖 AI。它是一个效率工具，但你不能认为它什么都行。这个判断力特别重要，否则你引入的就不是效率工具，而是一个让你在代码屎山里挣扎的负担。
👦🏻 Koji
在苦海中挣扎？
👨🏻💻 文渊
对。我认为 Spec Coding 是一个更好的方式，就是你写出非常清晰的需求文档或规范。这对架构师的要求极高。
去年顶级存储会议 FAST 上有一篇论文，研究者让 AI 写文件系统，他们把各种规范清晰地提供给 AI，发现即使是当时的 32B 模型，只要规范写得足够清楚，也能写出文件系统这种高质量的底层代码。
这给我的启发很大：如果人能用一种偏形式化的逻辑，把我想要的东西描述清楚，AI 肯定能把填空的事情做得很好。但我不敢说，今天用两三个提示词就能让它把事情做好。
所以我鼓励大家多尝试 AI，但前提是，你自己首先要具备完成这项工作的能力。
👦🏻 Koji
现在有些企业很激进，把"提高 AI 生成代码的比例"当作一个 KPI。在你看来，这是否有点危险？
👨🏻💻 文渊
我觉得非常危险。只要对今天 AI 算法能力的局限性稍有了解，就知道这是危险的。人与人之间的协作，有很多知识传递是隐性的、过程性的，没法用几句提示词讲清楚。
很多决策，比如代码应该怎么写，可能和创始人的风格、产品的历史上下文都很有关系，这些是 AI 无法 get 到的。
👦🏻 Koji
不要低估 AI 的能力，也不要高估 AI 的能力。
👨🏻💻 文渊
绝对不要高估 AI 的能力。但我相信它是一个很好的效率工具。
今天我们更应该追求的，是一个工程师在 AI 的辅助下，能完成过去几个工程师才能完成的工作，而不是用一个 AI 替掉几个工程师。
👦🏻 Koji
我最近也在思考"过程知识"的重要性。**做成一件事需要三个要素：生产要素、知识要素和过程要素。**比如我们去宜家买家具，我们买到了生产要素（零件）和知识要素（说明书），但组装过程依然很痛苦。
可一个熟练的师傅上门，三下五除二就装好了。他拥有的要素和你一样，但他因为重复了无数遍，掌握了过程知识。
👨🏻💻 文渊
完全正确。所以我个人感觉，程序员非常重要的一点，是**必须把自己的能力点建立在 AI 做不到的地方。**哪怕未来 AI 的能力达到了 99.9%，你也要坚守住属于你的那 0.1%。
最反直觉的预言：写操作系统的人最先被 AI 取代
👨🏻💻 文渊
你会发现，关于 AI 的很多事情都非常反直觉。比如我看到 AI 写文件系统那件事后，我一个更强的直觉是：AI 可能最先替代的，是那些写最顶尖代码的人，比如写操作系统内核、数据库内核、文件系统的工程师。这些领域最容易被大批量地提效和替代。
👦🏻 Koji
这和很多人的想法恰恰相反？
👨🏻💻 文渊
对。像前端工程师，或者与产品结合紧密的岗位，他们的很多逻辑不是简单的复制，而是需要一种 know-how，知道如何让用户更好地把产品用起来。
👦🏻 Koji
明白。和人交互越紧密的东西，越难被取代。而系统工程师，因为他致力于让系统物尽其用，目标非常明确，所以反而更容易被取代。
👨🏻💻 文渊
是的，他们更容易被取代。而且那些领域的代码库质量很高，测试用例和结果都非常清晰，问题就像一个可以被精准定义的数学题。
AI 在今天，数学竞赛、编程竞赛做得非常好，就是因为这些问题的目标足够清晰。但"什么是一个好的短视频 APP？" 这就没有清晰的定义。
👦🏻 Koji
这是一个开放问题？
👨🏻💻 文渊
非常开放。
👦🏻 Koji
那你觉得 MaaS 系统工程师面对的是一个开放问题还是一个封闭问题？
👨🏻💻 文渊
我其实觉得是一个开放问题。因为今天 AI 的变化太快了，我不知道明天会是什么样。在这种情况下，底层资源、算力状况也都在快速变化。
一个系统工程师需要的不再是固定的知识，而是应对变化的潜力。
算力如石油，但今天的关键不止是算力
👦🏻 Koji
今天我们谈到中国 AI，都绕不开英伟达的芯片供应问题。在你看来，这对我们的影响有多大？
👨🏻💻 文渊
影响很大，非常大。我对国产算力非常有信心，相信它一定能做得非常好。但在今天的市场上，算力有点像石油。
问题本质上不是中国能不能产石油，而是中国每天需要的石油和能供给的石油是否匹配。我完全相信中国能实现自主可控，我们有聪明的工程师和强大的工业基础，技术上一定能成为世界第一。
但是，当油田还没完全开采，下游却已经有巨大需求。
👦🏻 Koji
就像高速公路上的车已经跑起来了，但油还不够？
👨🏻💻 文渊
对。算力如果出现供给缺口，会很影响中国 AI 的发展。很多国家也面临类似问题，但他们可能卡在电力上。
电力是工业的血液，这个道理 100 年前就知道了，但今天依然会"供血不足"。从我个人感觉来讲，只要是能进来的算力供给，对中国一定是只有好处没有坏处的。
👦🏻 Koji
国产芯片里，比如平头哥，还有一些新上市的公司，你觉得哪些做得比较好？
👨🏻💻 文渊
平头哥做得非常好，真的非常好。英伟达是事实标准，它起步早，有非常强的软硬件和设计团队。而平头哥是我们用起来最丝滑、最好用的国产芯片。
👦🏻 Koji
那在资本市场上很热的摩尔线程、沐曦，你觉得怎么样？
👨🏻💻 文渊
我个人没有用过。但还是那句话，今天 MaaS 和 AI 的发展，不取决于某款算力产品做得好不好——就像石油是轻质的还是重质的，总有人能炼。
今天我们面临的是总量的供给问题。你说我明年算力能增长 10 倍，为什么不能有 100 倍呢？只要给我 100 倍的算力，市场一定能消耗掉。
哪怕给我 1000 倍，我相信市场也能通过训练出更强的模型、或让更多 AI 应用变得更便宜而把它用完。
所以我永远觉得算力不够用。大家可能觉得中国算力，包括阿里云的算力已经很够了，但其实还不够，还可以更多。
👦🏻 Koji
这种感觉，在云计算时代是前所未有的吧？从来没觉得给再多云资源也能用完。
👨🏻💻 文渊
历史上确实没有出现过对算力如此爆炸性的需求。阿里云曾经有过高速增长的时期，但像今天这样对算力的"饥渴"，是前所未有的。
👦🏻 Koji
我们来预测一下，到 2026 年底，你估计会有哪些新出现的、甚至意想不到的场景，会消耗掉大量 Token？
👨🏻💻 文渊
现在我的"意想不到"的阈值已经非常高了，感觉 AI 做到什么我都不意外了。
Agent 一定是今年最大的增量之一，AI 生成也一定是。它们谁多谁少我不敢说，每个厂商情况可能不同，但我相信这两个方向一定会是今年的最大增长点。
👦🏻 Koji
用户今天也可以不通过你们，直接调用 OpenAI 或千问的 API。你们作为中间平台，提供的价值厚度有多厚？
👨🏻💻 文渊
首先，千问的 API 就是百炼的 API。我们提供的价值厚度，就在于谁能做到更好的体验、更低的成本和更好的模型效果。
此外还有容量。我们要想办法不让任何一块 GPU 闲置一秒，并把这些算力高效地转换成 Token。今天的 MaaS，本质上就是算力到 Token 的转换器，谁转得更高效，谁有更多的算力，谁就更有优势。
👦🏻 Koji
在百炼上，除了千问，还可以用其他模型吗？
👨🏻💻 文渊
当然可以。百炼作为一个云的平台，服务的是客户的需求。中国主流的开源模型，在百炼上都有托管化部署。
此外，像 MiniMax、Kimi、硅基流动的 DeepSeek 等国内模型厂商，用户也可以用百炼的 API Key 去调用他们的模型服务。
👦🏻 Koji
前面我们聊到 Neocloud，这些新云厂商里有你特别看好的吗？
👨🏻💻 文渊
Neocloud 是一个很泛的概念，大家无非是想为客户屏蔽掉一些复杂性。我个人不太看好那些直接做资源转售的 Neocloud，比如把英伟达的算力相对裸地、低层次地转卖。
我更看好那些 AI 原生的、深度屏蔽了硬件和复杂性的公司，比如像 Fireworks 和 Together 这种做 MaaS 的。还有一些围绕 AI Agent 生态的公司也很有意思，比如做沙箱托管、云桌面浏览器，以及像 Datadog 那样做 Agent 可观测性的。
围绕 Agent 和 AI 云相关的基础设施，会诞生非常有意思的公司和产品。
未来的基础设施四件套：水、电、煤、模
👦🏻 Koji
最后一个问题。今天 MaaS 仍然处在激战区，变化一日千里。你有没有想过，未来的某一天，当战局确定下来时，会是因为发生了什么样的变化？
👨🏻💻 文渊
这本质上取决于 AI 未来在整个社会中扮演什么样的角色。我相信它会成为类似水电煤一样的公共事业，就像电信运营商、高速公路一样，是一个基础设施。
但 AI 的终局，可能不是一个单一模型。电，我不分核电、水电，插在插座上就是 220 伏交流电。
它一定会是一个非常多样化、复杂的生态，在速度、模型效果、功能等方面呈现出多种形态，可能不会那么垄断。
👦🏻 Koji
你是否觉得，未来的基础设施会从"水电煤"变成"水电煤模"？
👨🏻💻 文渊
一定的，一定是这样。它会深远地影响我们的日常生活。
👦🏻 Koji
好的，今天非常开心请到文渊。
我们处在一个变化飞快的时代，很期待再过半年或一年再聊的时候，又会看到哪些新的变化。
👨🏻💻 文渊
好，谢谢。
