智能体时代的底层管道
谁在铺设 AI Agent 的基建

沙盒（Sandbox）是 Agent 执行代码、处理文件和访问互联网的隔离安全环境。它允许不可信或具有潜在风险的代码在其中运行，而不会对外部系统造成破坏。随着 Agent 获得代码执行和浏览器操控等能力，其自主性带来了前所未有的风险：一个恶意指令可能导致数据被删、系统被入侵。

隔离技术的三代演进

沙盒技术经历了三代演进，核心矛盾始终是隔离性、性能和资源占用三者之间的平衡。

第一代是传统安全沙箱（如 Cuckoo Sandbox），用于恶意软件分析，隔离性强但资源占用大。第二代是虚拟机技术（VMware），提供硬件级隔离，但因资源占用大、启动慢而显得过重。第三代是容器技术（Docker），轻量快速但所有容器共享宿主机内核，隔离性天生弱于虚拟机。

AWS 开源的 Firecracker MicroVM 技术找到了更优解：结合虚拟机的强隔离性和容器的轻量化优势，实现约 125 毫秒启动和硬件级安全隔离。这完美契合了 AI Agent 对沙盒的需求：既要启动快、响应及时，又要绝对安全、互不干扰。

E2B：Agent 沙盒的标杆

E2B 成立于 2023 年，选择将复杂的沙盒技术封装成简单的 API，底层使用 Firecracker，保证虚拟机级别硬件隔离的安全性、150 至 200 毫秒启动的性能和高密度部署的低运营成本。Manus 的自动编程 Agent 依赖 E2B 沙箱执行代码，Groq 的 CompoundAI 系统也使用 E2B 解决安全代码执行问题。

中国玩家：PPIO 与腾讯云

国内厂商也在快速跟进。PPIO 在 2025 WAIC 上发布了中国首款兼容 E2B 接口的 Agent 沙箱，平均启动时间小于 200 毫秒，具备同时启动数千个沙箱实例的能力。腾讯云在 2025 年 9 月发布 Agent Runtime 解决方案，其自研 Cube 安全沙箱技术实现 100 毫秒级启动速度，支持数万实例并发，每分钟扩容超十万实例。阿里云则在 WAIC 上推出无影 AgentBay，三行代码即可接入。

AI 算力的需求结构正在发生根本性变化。训练是一次性成本，推理是持续性成本。一个前沿模型训练一次花费数千万美元，但同一个模型每天服务百万用户时，推理算力的持续消耗在投产 12 至 18 个月内就会超过训练成本。

Agent 加剧了这一趋势。一个自主完成多步工作流的 Agent 不会只消耗一次推理调用，它可能执行数十次模型调用。当数千个 Agent 并发运行时，需求曲线以单查询聊天机器人从未产生过的方式呈非线性增长。

NVIDIA：仍是不可替代的底座

NVIDIA FY2026（截至 2026 年 1 月）全年营收 2159 亿美元，同比增长 65%，首次突破 2000 亿大关。净利润 1200 亿美元，同比增长 65%。数据中心业务全年收入 1937 亿美元，增长 68%。Q4 单季数据中心收入 623 亿美元，同比增长 75%。

Blackwell 架构已成为主导产品。根据 SemiAnalysis InferenceX 基准测试，Blackwell Ultra 在 Agent 式 AI 领域的性能较 Hopper 平台提升 50 倍，成本降至 1/35。黄仁勋在财报会上明确表示：代理式 AI 的拐点已经到来。FY2027 Q1 收入指引 780 亿美元（不含中国数据中心），远超分析师预期的 727 亿美元。

AMD：追赶者， silicon 追上但软件仍有差距

AMD MI300X 凭借 192GB HBM3 内存（H100 仅 80GB），单卡可承载 H100 需要 2-3 张卡才能处理的模型，在推理场景具备系统级成本优势。MI355X 在 Llama 3.1 405B 推理中的 token 性价比比 NVIDIA B200 高 40%。十大模型厂商中已有七家（含 Meta、OpenAI、Microsoft、xAI）在生产环境使用 AMD Instinct 加速器。

但软件生态仍是根本短板。ROCm 7（2025 年 9 月发布）在 PyTorch + vLLM 无自定义内核的场景下接近 CUDA，但 CUDA 在 TensorRT-LLM、FlashAttention-3 等 Hopper 专用优化上仍占据明显优势。摩根士丹利报告显示，AMD MI355X 平台 AI 推理利润率为负 28.2%，而 NVIDIA GB200 NVL72 利润率高达 77.6%。

要让 Agent 像数字员工一样 24 小时在线，关键在于持久化和健壮性。如果服务器重启，Agent 必须能从数据库中读取它刚才在干什么。如果网络波动，任务不能因此中断。如果 Agent 陷入死循环，监控系统必须自动检测并重启。

四个必要条件

1. 持久化状态存储：Agent 的状态不能只存在于内存中。会话状态、对话记忆、任务进度必须持久化到数据库，支持断点续办。腾讯云 Agent Runtime 支持会话持续运行 7 天，暂停保留 30 天。
2. 事件驱动架构：使用消息队列（如 Kafka）处理异步任务，确保任务不因网络波动中断。Agent 的多步任务本质上是异步事件流。
3. 算力成本管理：24 小时运行意味着巨大的 Token 消耗。必须设置预算熔断机制，当单次任务消耗超过阈值时自动暂停或降级。
4. 可观测性：自动监控 Agent 是否陷入死循环（Hallucination Loop），实时追踪延迟、错误率和资源消耗，出错时自动告警和重启。

Datadog：Agent 监控的领跑者

Datadog FY2025 全年营收 34.3 亿美元，同比增长 28%。自由现金流 9.15 亿美元。年付费 100 万美元以上的大客户达 603 家，同比增长 31%。公司已推出 Bits AI SRE，一个自主巡检 AI 值班 Agent，能在数分钟内利用遥测数据和组织上下文定位告警根因，帮助工程师更快解决问题。

Datadog 2026 财年指引营收 40.6 至 41.0 亿美元，隐含增速约 19%。公司已加入标普 500 指数，并连续五年被 Gartner 评为可观测性平台魔力象限领导者。

AI Agent 基础设施的产业链可以分为四层，每一层的商业模式、竞争格局和投资逻辑各不相同。钱沿着产业链自下而上流动：最底层的芯片供应商拿走最大份额的利润，中间的云平台赚取规模效应，上层的沙盒和监控公司赚取增速溢价。

利润流向：谁拿走了最多

底层芯片层拿走了产业链最大份额的利润。NVIDIA FY2026 毛利率 71.3%（Non-GAAP），净利润 1200 亿美元。云平台层依靠规模效应赚取稳定利润，但 AI 基建资本开支巨大（四大云厂商 2026 年资本开支预计超 6600 亿美元，同比增长超 60%）。沙盒层目前以创业公司为主，尚未形成稳定的盈利模式。监控层则已跑出 Datadog 这样的上市公司，自由现金流稳健。

以下为 Agent 基建产业链各环节的核心美股上市公司，按产业链层级排列。数据截至 2026 年 7 月 22 日收盘。

24 小时运行 Agent 意味着巨大的 Token 消耗，但 Agent 并非每时每刻都在满载推理。当 Agent 处于休眠或等待 API 响应的空隙，大量算力被闲置。提高算力利用率本质上是解决资源调度与任务切片的问题。

路径一：混合负载调度

将延迟敏感型任务（如实时交易的 Agent）与吞吐量导向型任务（如大模型预训练、数据挖掘）混合部署。当 Agent 等待 API 响应时，调度系统自动将剩余算力分配给后台任务。主要依赖 Kubernetes 的资源配额管理和 NVIDIA MIG（Multi-Instance GPU）技术，允许单个 GPU 被分割为多个独立实例。

路径二：算力池化与虚拟化

将单机孤立的算力打通，形成巨大的算力池。vGPU 技术允许多个虚拟机或容器共享同一个硬件 GPU。动态超分类似银行的准备金制度：分配出去的算力总量大于实际物理算力，博取用户不会同时满载的机会。

路径三：分布式算力网络（DePIN）

利用区块链技术，将全球散落的个人电脑、小型服务器里的闲置算力聚合起来。PPIO 的做法是典型代表：其核心团队源自 PPTV，拥有近 20 年大规模分布式计算经验，通过智能工作负载调度聚合全球闲置 GPU 资源，以削峰填谷模式提供高性价比 AI 推理算力。自研推理引擎通过算子融合、低精度量化、投机采样等优化技术，将模型推理效率提升 7 倍以上，理论运营成本降低超 85%。