「模型能力已经够了，要卷就卷 infra」｜对谈戴冠兰：Runta 创始人

概览

本期围绕 Runta 创始人戴冠兰展开，核心问题是：当 AI Agent 从聊天、代码辅助走向长时间执行和生产权限时，现有云基础设施、模型安全和权限管理是否足够支撑它们真正落地。

戴冠兰的关键判断是，Agent 的底层执行单元具有概率性，不能再假设软件行为完全确定；因此企业需要新的执行底座，把权限、隔离、审计、恢复、成本、调度等确定性能力补回来。他把 Runta 定位为面向 AI Agent 的 runtime / execution layer。

节目也讨论了 AI 行业近期从 token maximizing 转向 token minimizing 的变化、开源与闭源模型的竞争、模型能力商品化的可能，以及为什么他认为“模型能力已经够了，要卷就卷 infra”。

后半段转向职业和创业经验：戴冠兰强调年轻工程师要拥抱 AI 工具，同时锻炼底层架构判断力；选择公司和投资类似，关键是识别浪潮、研究团队，并判断自己是否愿意把青春投进去。

分段落总结

[00:00] 开场与嘉宾背景

[事实] 主持人 Koji 介绍本期嘉宾为戴冠兰，其创业公司 Runta 刚完成 2000 万美元融资，A16Z 领投，李飞飞和 Jeff Dean 等以天使投资人身份参与。

[事实] 戴冠兰介绍 Runta 是为未来大量 AI 智能体打造执行底座，解决 Agent 跑在哪里、跑起来以后怎么管理的问题。

[事实] 他提到团队目前约 10 人，同时有成百上千个 Agent 在背后干活。

[01:38] Jeff Dean 的问题与概率性执行

[事实] 戴冠兰回忆 Jeff Dean 问过一个核心问题：如果系统最底层的执行单元变成概率性的，Infra 应该如何构建。

[事实] 他认为传统系统工程中的事务、恢复、异常处理等，都建立在软件确定性之上；而 Agent 上生产后，隔离、分叉、恢复、迁移等需求反而会更多。

[推测] 这段奠定了 Runta 的技术叙事：AI Agent 不只是一个应用层问题，而是会动摇传统基础设施的假设。

[04:54] A16Z 为什么重视 Runta

[事实] 戴冠兰说，A16Z 伙伴 Martin 亲自写文章，是因为他们看到 Runta 不只是 feature 或单个产品，而是平台级机会。

[事实] 他把这次变化类比为客户端服务器、数据中心、物理机、虚拟机、容器化等计算范式迁移。

[事实] 他认为真正被托管和管理的对象，正在从软件和服务转向 Agent。

[06:13] Runta 解决的核心问题

[事实] 戴冠兰将 Runta 描述为基础设施建设工作：在非确定性、概率性的 workload 下加入足够多的确定性，让企业可以信任并使用 Agent。

[事实] 他提到企业要把生产权限、客户数据访问、执行记录、扩展能力交给 Agent，就需要执行层来管理 Agent 碰了什么、动了什么。

[推测] Runta 的价值主张不是消除模型的不确定性，而是在模型外部建立可控边界。

[07:11] 从 token maximizing 到 token minimizing

[事实] 戴冠兰认为 token maximizing 最早与 O1 等 thinking model 有关，企业把“用更多 token 变得更聪明”延伸成组织 KPI。

[事实] 他举例说，一些企业会展示员工 token 使用排名，甚至把 token 用量和业绩考核挂钩，也出现过为了刷用量而制造无意义 loop 的行为。

[事实] 他认为近期企业转向控制用量，是因为点火阶段结束、ROI 开始被追问，以及 token 成本被低估。

[10:18] Runta 内部如何管理 token 使用

[事实] Runta 一开始也采用过 unlimited token，让团队先形成使用 AI 的习惯。

[事实] 后来他们改成给员工订阅较高规格的 plan，并在超额使用时加入轻微流程摩擦，要求说明用在哪里、为什么需要更多。

[推测] 这种做法试图在鼓励 AI native 和成本意识之间取得平衡。

[11:15] Cloudflare 与 Kong 经历

[事实] 戴冠兰说自己曾在 Cloudflare 做边缘平台，参与边缘缓存、网络防火墙和早期 worker 系统等建设。

[事实] 他也在 Kong 做过企业网关、API 平台、微服务平台相关工作，服务过世界 500 强客户的数字化转型和平台落地。

[事实] 他认为这些经历让他参与过上一代基础设施从底层构建到成为标准的过程。

[12:54] 为什么出来做 Runta

[事实] 戴冠兰认为大模型把电力转化为 token，而 Agent 的工作是把 token 转化为企业价值。

[事实] 他强调 Agent 既像软件又像人：它会自主决定下一步，但又不像人一样天然承担责任。

[事实] 他认为当前基础设施不是为这种新 workflow 设计的，因此存在一个需要从第一性原理重新思考的机会。

[15:41] Runta 与现有 Coding Agent 的关系

[事实] 戴冠兰说，企业使用 Codex、Claude Code 或自研 Agent，都可以放到 Runta 的执行层上运行。

[事实] Runta 提供云托管平台、虚拟化、定制操作系统、网络处理等能力，不挑具体跑的是什么 Agent。

[事实] 他举例说，Agent 处理邮件时需要管理能读哪些邮件、能否访问凭证和密钥等权限边界。

[16:51] 客户最关注成本、治理与安全

[事实] 戴冠兰说，近期客户非常关注预算、token 用量、compute spending，以及 Agent 跑在哪里、如何弹性扩缩容。

[事实] 金融类客户尤其关注 governance：他们希望 Agent 干真正的活，同时担心 Agent 跑出不可控结果。

[事实] 他提到，若世界 500 强公司使用 Agent 后泄露机密或客户信息，会是巨大问题。

[17:52] 为什么不是公有云或模型公司来做

[事实] 戴冠兰认为现有公有云主要为 SaaS、传统软件和人设计，计费模型和基础设施底座与 Agent 需求存在冲突。

[事实] 他认为模型公司一定会做 Agent 相关能力，但企业不会绑定单一模型或单一云，多模型、多 harness、多云会是常态。

[推测] Runta 的差异化来自中立执行层，而不是拥有最强模型或最大云资源。

[20:13] 竞争可能来自哪里

[事实] 戴冠兰认为更可能的竞争来自 Neo Cloud、上一代 serverless 公司，或其他专注 Agent Infra 的团队。

[事实] 他认为这些公司有既有客户和业务包袱，而创业公司可以 24 小时专注思考 Agent 执行底座。

[事实] 他提到 E2B、Daytona 等 sandbox 方案，并认为 sandbox 是从上一代 Infra 迁移过来的有效组件。

[21:00] Sandbox 不等于完整 Agent Runtime

[事实] 戴冠兰认为现有 sandbox 很适合短时间执行代码片段、隔离环境并快速返回结果。

[事实] 他指出 Agent 越来越长时间运行，会带来 GPU 使用时机、动态迁移、内存动态伸缩等问题，上一代 serverless 技术未必够用。

[推测] 他试图把 Runta 与“代码沙盒”区分开，强调长程 Agent 执行是更复杂的系统问题。

[22:29] 早期客户与产品路线

[事实] 戴冠兰说 Runta 还处于较早期探索阶段，早期营收不是当前优化目标，更重要的是从底层做成通用平台。

[事实] 他认为应该服务最 agent native 的客户，包括 agent builder 和垂类 agent 公司，因为这些客户有规模化 Agent 运行需求。

[事实] 他同时也与世界 500 强企业保持阶段性沟通，了解智能体部署进度和痛点。

[25:25] Agent 的边界与权限管理

[事实] 戴冠兰说，目前行业并没有约定俗成的 Agent 定义，有些人会从名字、身份、分工和权限来界定 Agent。

[事实] 他提到一种权限管理方式：只在 Agent 执行具体任务时分配所需权限，任务完成后马上收回。

[事实] 主持人分享自己让 Agent 访问 Gmail 的经验，并承认随着信任增加，审核边界会逐渐放松。

[推测] “approval fatigue” 是 Agent 权限管理需要解决的真实人性问题，而不只是技术问题。

[28:06] 个人使用、Cloud Shell 与灾难性邮件

[事实] 戴冠兰说 Runta 有一个开源项目 Cloud Shell，可以在本地支持一些 Agent，并帮助管理邮箱等场景。

[事实] 他判断未来必然会出现由 Agent 发出的灾难性邮件，造成难以挽回的后果。

[事实] 他认为安全的核心不是传统扫描或特征匹配，而是让 Agent 在可控边界内执行，并且最坏情况下可恢复、可审计。

[30:15] 让企业交出生产权限

[事实] 戴冠兰说，Runta 最终愿景是让企业能够真正把非只读权限和生产权限交给 Agent。

[事实] 他认为 Agent Infra 的需求已经明确，特别是执行层已经进入起飞状态。

[事实] 他提到有很多企业客户想用 Runta 服务，但团队交付能力有限，因此暂时优先服务 Agent Native 团队。

[31:32] 标准化能力与内部 Vibe Coding

[事实] 戴冠兰说 Runta 已经抽象出执行平台、沙盒调度、token 分析等偏标准化能力。

[事实] Runta 可以分析 harness 是否浪费 token、浪费在哪里，并生成提示词或建议帮助优化 harness。

[事实] 他表示 Runta 内部 95% 以上是 vibe coding，入门程序员的工作基本由 harness 替代。

[事实] 他同时强调，架构设计、API 设计、模块解耦等底层判断力仍然需要人类工程师。

[33:21] 模型安全无法从模型侧根治

[事实] 戴冠兰认为，只要 Transformer 架构和 next token prediction 的概率性本质不变，模型就无法彻底避免非确定性。

[事实] 他指出模型很难从 token 层面区分“控制指令”和“数据”，即使加分隔符也可能被绕过。

[事实] 因此他认为需要在 infra 侧加入确定性约束，让非确定模型在企业可控范围内执行。

[35:40] 开源、闭源与模型商品化

[事实] 戴冠兰认为开源模型能力会持续爬坡，并提到 Kimi、DeepSeek 等模型在能力和多快好省上的进步。

[事实] 他认为模型最终可能变成类似电和水的商品，但时间可能是一年，也可能是五年。

[事实] 他提出本期标题式判断：模型能力已经够了，要卷就卷 infra。

[推测] 这不是说模型不再重要，而是说企业落地的瓶颈正在从模型能力转向执行、治理、成本和安全。

[38:43] Infra 赛道与招聘

[事实] 戴冠兰说 Frontier Lab 里可能有几十到上百人做类似 Agent Infra 的工作，但这些工作主要服务于提升自家模型能力。

[事实] 他希望一年后大家形成共识：Agent 像数据进数据库一样，需要跑在 Agent 执行底座里。

[事实] Runta 在旧金山和新加坡两地办公，并欢迎对 Agent 基建感兴趣的工程师加入。

[39:24] 给年轻工程师的建议

[事实] 戴冠兰建议刚入职场的工程师先 token maximizing，充分使用 AI 工具，因为新人没有包袱。

[事实] 他同时提醒年轻工程师要对既有技术保持敬畏，锻炼架构能力和底层思考能力。

[推测] 他的建议不是“只会用 AI”，而是把 AI 使用能力和系统工程基本功结合起来。

[40:03] 职业选择：识别浪潮

[事实] 戴冠兰说自己加入 Cloudflare 是因为看到边缘计算和云迁移浪潮，加入 Kong 是因为看到微服务、云原生和分布式系统复杂度的浪潮。

[事实] 他选择创业，是因为认为 AI Agent 这波浪潮非做不可，不做会后悔。

[事实] 他认为职业发展要能识别浪潮、跟上浪潮，也要在浪潮退去时有收板回家的勇气。

[42:17] 如何选对早期公司

[事实] 戴冠兰认为工程师选择公司，本质上是在投资自己的青春和精力。

[事实] 他最看重团队是否有底层能力，是否愿意往下钻一层，例如理解 kernel、调度、网络协议栈或系统底层。

[事实] 他建议年轻人花更多时间研究公司，做思想实验：如果自己是 CEO，会怎么做，再与创始人的认知对照。

[48:32] 如果做天使投资，会看哪些方向

[事实] 戴冠兰说如果有虚拟资金要立刻投出去，他会关注头部视频模型早期创始成员，因为视频模型是赚钱赛道且创业公司仍有机会。

[事实] 他也关注用 AI 改善模型训练的方向，包括 auto research、长程 Agent 和下一代大模型训练范式。

[推测] 这些方向与 Runta 有协同，因为更强的长程 Agent 和训练基础设施会反过来推动执行底座需求。

[50:08] 常用 AI 工具与模型选择

[事实] 戴冠兰说自己更常用 Codex，并提到模型能力之间没有代差级别差别，harness 开源和开发者友好也很重要。

[事实] Runta 内部不强制统一模型，工程师可以根据体感选择 Codex、Grok、Fireworks 上的模型或国产前沿模型。

[事实] 他强调最终工程师要对结果负责，而不是由公司规定必须使用某个模型。

[53:01] 其他 AI 产品与个人使用习惯

[事实] 戴冠兰个人还会使用 Hermes、Py、ElevenLabs、生图产品、录音笔、语音客服 Agent 等工具。

[事实] 他称自己是公司里使用 Agent 最激进的人之一，会主动尝试早期 Agent 产品以理解智能化到了哪一步。

[推测] 这种高强度试用既是个人习惯，也是为了给 Runta 的产品判断积累体感。

[54:24] 创业状态与结尾

[事实] 戴冠兰说，作为 CEO 创业每天像过山车，会同时有好消息和坏消息。

[事实] 他认为自己正在解决一个令人兴奋的问题，团队、投资人和支持网络也都适合做这件事。

[事实] 节目最后他再次邀请对未来 Agent 基建感兴趣的听众联系他或 Runta。

播客点评/总结

[推测] 本期最有价值的部分，是把 Agent 落地问题从“模型够不够聪明”转向“执行环境是否可靠”。对于做 AI 应用、Agent、Infra、企业安全和平台工程的人来说，这个视角很有参考价值。

[推测] 嘉宾的亮点在于有上一代基础设施经验，能把 Cloudflare、Kong、serverless、公有云、sandbox 和 Agent runtime 放在同一条技术演进线上讨论，而不是只停留在产品概念层面。

[事实] 节目中不少公司案例、市场判断和未来预言来自嘉宾个人观察与判断，转录稿没有提供外部证据验证；例如 token KPI、灾难性邮件、模型商品化时间等内容，更适合作为行业一线观点而非确定事实。

[推测] 这期适合 AI 创业者、平台工程师、技术投资人和正在选择职业方向的工程师收听；如果听众期待的是 Runta 产品细节、架构实现或客户订单数据，转录稿提供的信息仍然偏战略和观点层面。