AI Agents Need Computers: 74% MoM Growth, 850K/Day Runs, & New Agent Cloud — Ivan Burazin, Daytona

AI Agent 的基础设施需求与人类完全不同，Daytona 通过自研调度器和裸金属架构，抓住了这个被低估的巨大市场，并正从代码执行向“Windows 知识工作自动化”这一万亿美元级市场扩张。

这期内容适合所有关注 AI Agent 基础设施、创业方向以及下一代计算平台的人。Daytona CEO Ivan Burazin 分享了从 Code Anywhere 到 Daytona 的创业历程，以及他们如何敏锐地捕捉到“Agent 需要的是可组合的、持久的、极速的计算环境”这一关键洞察，并以此为核心完成了产品 pivot。最值得注意的冲突在于：大多数现有云基础设施（如 Kubernetes、EC2）是为人类工作负载设计的，而 Agent 的工作模式（超高频创建、长时间运行、极度尖峰）完全不同，这创造了一个全新的、价值巨大的基础设施市场。Ivan 还首次披露了 Daytona 正在押注的“Windows 沙箱”方向，这可能是解锁知识工作自动化的关键。

这期节目是 Latent Space 对 Daytona CEO Ivan Burazin 的深度访谈。内容围绕 Daytona 的创业故事、产品 pivot 背后的洞察、AI Agent 基础设施市场的独特性，以及未来发展方向展开。Ivan 详细解释了为什么现有的云服务（如 EC2、Kubernetes）不适合 Agent 工作负载，Daytona 如何通过自研调度器和裸金属架构实现极致的启动速度和规模，并分享了他们从客户需求中观察到的市场趋势，特别是从代码执行沙箱向“计算机使用”（Computer Use）和 Windows 沙箱的拓展。

1. Agent 需要全新的计算原语：Agent 的工作模式与人类完全不同。它们需要极快的启动速度（毫秒级）、持久化的状态（像笔记本电脑一样可以暂停和恢复）、以及超高的并发能力（瞬间创建数万个实例）。现有的云服务（如 EC2、Kubernetes）是为人类设计的，无法满足这些需求，这创造了一个全新的基础设施市场。
2. Daytona 的核心差异化在于自研调度器和裸金属：为了满足 Agent 对速度和状态的需求，Daytona 没有采用通用的 Kubernetes 或 Nomad，而是基于其创始团队在 Code Anywhere 时期的经验，自研了调度器，并直接运行在裸金属上。这使得他们能实现 60 毫秒的单实例启动时间和 75 秒启动 5 万个实例的并发能力，远快于竞争对手。
3. Agent 工作负载呈现“极度尖峰”特征：与人类工作负载的“跟随太阳”模式不同，Agent 工作负载（尤其是 RL 训练和评估）是极度尖峰和不可预测的。客户可能平时用量很低，但瞬间要求 10 万个 CPU 核心。这导致 Daytona 的平均利用率只有 15%，但峰值可达 90%，如何平衡成本和容量是基础设施提供商面临的新挑战。
4. “计算机使用”是解锁万亿美元知识工作市场的关键：大量知识工作（如金融、医疗、政府）仍被锁定在无法通过 API 访问的遗留 Windows 应用中。Ivan 认为，让 Agent 像人类一样操作这些应用的“计算机使用”模式，其潜在市场价值高达数万亿美元。Daytona 正在押注 Windows 沙箱，以提供比现有 AWS EC2 快得多的启动速度（从几分钟降到几秒），从而赋能新一代的 RPA（机器人流程自动化）。
5. 市场洞察来自与客户的深度互动：Ivan 强调，他们通过参与大量销售会议、管理上千个 Slack Connect 频道，来直接感知客户需求。他发现，当多个客户在短时间内提出相同需求时，这往往预示着市场趋势，例如“计算机使用”和 Windows 沙箱的需求就是这样被验证的。

“Agent 就像人类，你不想在一天工作结束前关掉你的笔记本电脑；你只想合上盖子，明天打开还是同样的状态。”

这期内容对 AI 从业者，尤其是构建 Agent 或 Agent 基础设施的团队，有非常具体的参考价值：

1. 重新思考“基础设施”的边界：很多 AI 团队在构建 Agent 时，会默认使用现有的云服务（如 AWS、GCP）或容器编排工具（如 Kubernetes）。Daytona 的故事提醒我们，当你的用户从“人类”变成“Agent”时，底层基础设施的假设可能完全失效。如果你正在构建一个需要高频、大规模、持久化 Agent 运行的应用，那么“计算环境”本身可能就是你需要重新设计的核心组件，而不是一个可以随意选择的 commodity。
2. “计算机使用”是 Agent 落地的现实路径：Ivan 分享的“用 Agent 登录网页导出数据”的例子非常生动。它揭示了一个残酷的现实：即使是最现代化的 SaaS 公司，其内部数据和工作流也并非完全 API 化。对于 AI 产品经理来说，这意味着在规划 Agent 能力时，不能只假设“一切皆可 API”，必须将“模拟人类操作 GUI”作为一项核心能力来考虑。这不仅是技术挑战，更是产品设计的战略选择。
3. 关注“尖峰”而非“平均”：Daytona 15% 的平均利用率是一个惊人的数字，它揭示了 Agent 工作负载的极端不稳定性。对于任何提供 AI 相关计算服务的团队（无论是 GPU 还是 CPU），这都意味着成本模型和容量规划必须围绕“峰值”而非“均值”来设计。这可能会催生新的商业模式，例如“按峰值容量预留”或“即时计算市场”，就像航空公司的“超售”策略一样。