文章摘要
知名AI专家贾扬清联合资深从业者创立Intent Lab，打破重回GPU云服务赛道猜测。该实验室发布首批成果，涵盖推理引擎优化等。其核心产品Fleet是自主智能体团队，能从人类意图出发完成系统设计等全流程。案例显示它有性能优化和保证复杂系统正确性的实力，标志着AI基础设施领域价值重估，竞争方向转变。

前不久，人工智能领域的知名专家贾扬清离开英伟达的动向引发了行业广泛讨论。当时不少观点认为，他大概率会重回GPU云服务赛道——毕竟从阿里云到LeptonAI，再到英伟达DGX Cloud，他过往多年的工作都围绕算力调度、多云部署与GPU利用率优化等基础设施领域的核心问题展开，甚至此前还有GPU云服务商邀请他担任顾问，延续了此前的业务路线。

不过最新的动向打破了此前的猜测，贾扬清联合开源领域的多位资深从业者，正式创立了Intent Lab（意图实验室）。这一次，他并没有选择继续深耕GPU云平台，也没有重复过往AI基础设施的老路，而是将目光投向了一个更具突破性的领域：当AI已经能够熟练编写代码，距离真正自主开发一套生产级的完整软件，还存在哪些关键差距？

随着公司官宣一同亮相的，还有Intent Lab的首批核心成果：一是针对GLM-5.2的推理引擎优化方案，在两台Grace Blackwell节点上，将模型输出速度从102 tokens/s提升至647 tokens/s，性能提升幅度达到6.3倍；二是从模糊需求出发自主生成的数据库引擎，最终通过了600万条SQLite兼容性测试；三是搭载形式化验证能力的分布式文件系统，可以检测并修复普通编码智能体生成代码中存在的数据损坏漏洞。

从推理引擎到数据库，再到分布式文件系统，这三款产品看似关联度不高，但实际上都基于同一套底层系统——Fleet。贾扬清将Fleet定义为“全球首个能够将人类意图转化为生产级软件的自主智能团队”，区别于传统的AI编码工具，用户不再需要给AI下达“编写一段代码”的具体指令，只需提出高层级的目标，Fleet就会由一组智能体自主完成需求理解、架构设计、代码编写、测试验证以及后续的迭代演进全流程。

回顾贾扬清的职业历程，过去十年间他参与打造了Caffe、ONNX、PyTorch 1.0等上一代AI框架，是行业公认的AI框架奠基人之一；之后在阿里和英伟达参与大规模AI基础设施建设，又通过LeptonAI尝试降低开发者使用GPU与部署模型的门槛。而如今的Intent Lab，则更进一步，试图让AI直接构建具备交付能力的基础软件，这也标志着AI基础设施领域正在发生价值重估。

在2023年，降低开发者使用和管理GPU集群的门槛还是一个值得投入数亿美元解决的核心命题，但到了今天，这个赛道的解法与门槛已经出现松动。以Cursor、Claude Code、Codex为代表的智能编码工具正在重塑软件开发的底层逻辑，开发者可以通过自然语言描述需求，由AI智能体自动生成、调试并部署完整的基础设施代码。这意味着，传统AI基础设施试图通过产品化方式封装的复杂性，正在被智能编码工具通过代码生成的方式直接绕过。

那些仅停留在“让工程开发更省事”的工具层平台，正面临着被开源组件与智能体组合替代的系统性挑战，这也是此前DGX Lepton未能达到预期、开源承诺未兑现等问题背后的客观背景。因此，AI基础设施领域的创业核心拷问已经变成：你到底解决的是表层的使用复杂性，还是底层的资源稀缺性？

Intent Lab给出的答案，正是聚焦于后者。贾扬清在官宣中曾直白表示：“我们把整个职业生涯花在了世界上最大的分布式系统和AI基础设施上，一直是精心的架构设计，一次做一个系统。但现在更感兴趣的，是一次能产出一千个系统的系统。”这也成为了他此次创业的核心底层逻辑：不再做封装复杂性的中间件，而是打造能够批量产出系统的底层平台。

Intent Lab的核心产品Fleet，并非一款单纯的代码补全工具或是IDE插件，而是一套面向生产级系统的自主智能体团队。当前市面上的多数编码智能体，仅能解决单一的代码生成问题：用户给出一句指令，AI生成一段函数、修复一个漏洞或是补充一组测试用例，这类工具虽然具备一定价值，但距离真实的软件工程全流程仍有不小差距。

真实的软件开发并非仅完成代码编写即可，它需要经历需求理解、目标拆分、架构设计、接口定义、性能与成本权衡，再到编码、测试、评审、验证与上线，上线后还需要持续观察运行状态，根据真实负载进行修正与演进。而Intent Lab希望将这条完整的工程链路全部交由AI自主完成。

Fleet的目标是从一个粗糙的人类意图出发，端到端完成系统的设计、实现与验证，并在生产环境中持续进化。它并非将人类工程师的单个动作自动化，而是试图复刻一支专业工程团队的完整协作流程，这也是为何Intent Lab首批展示的并非聊天应用或是网站Demo，而是推理引擎、数据库与分布式文件系统这类底层系统软件的原因。

GLM-5.2推理引擎的优化案例，能够很好地体现Fleet的能力边界。最初给Fleet下达的目标仅是一句高层级的意图：在英伟达已经高度优化的TensorRT-LLM体系基础上，进一步提升GLM-5.2在Grace Blackwell节点上的运行速度，并且由智能体自主识别优化空间、实现优化方案并完成验证。这并非从零编写一个简易的推理服务，而是在现有成熟体系上进行硬核的系统级优化。

最终Fleet交付了四类核心优化：一是内核层优化，通过kernel fusion以及直接生成PTX和SASS代码，让智能体绕过普通编译器路径，获得更细粒度的指令级控制；二是运行时优化，通过H2D batching大幅减少稳定decode阶段CPU到GPU的元数据拷贝，降低不必要的调度开销；三是通信优化，将residual add和RMSNorm整合进融合后的all-reduce流程中，减少每层kernel launch与内存往返的开销；四是投机解码优化，配合更优秀的drafter模型，让大模型一次生成多个token并批量验证，显著提升输出吞吐能力。

最终的优化结果让GLM-5.2的输出速度从102 tokens/s提升到647 tokens/s，性能提升6.3倍。而更值得关注的是Fleet的工作方式：它并非依赖人类提前编写所有优化规则，而是像一支系统工程团队那样，先进行瓶颈分析，再提出方案、实现方案、验证结果，失败则回退调整，成功后继续寻找下一个优化点，这更像是一套自动化的系统工程循环流程，而非普通的编码智能体。

如果说GLM-5.2推理引擎展示的是Fleet的性能优化能力，那么数据库与分布式文件系统的案例，则体现了其在复杂系统正确性方面的实力。

Intent Lab展示的数据库引擎案例，是从一句模糊的自然语言需求出发，自主生成数据库代码并最终通过600万条SQLite兼容性测试。数据库并非普通的业务代码，它不仅需要支持SQL执行，还要处理查询语义、存储结构、事务行为、边界条件与兼容性问题，很多漏洞并不会在简单测试中暴露，而是会在复杂语句、异常输入、并发场景与历史兼容过程中逐步显现。如果只是生成“看起来能跑”的数据库代码并不稀奇，但真正的难点在于，能否让智能体将自身放入严格的测试体系中，通过多轮修正让系统行为接近真实生产环境的要求。

第三个案例是专门为AI智能体设计的分布式文件系统AgentFS。AI智能体在云端运行时，会频繁启动沙箱、扫描目录、读写大量小文件，而这些文件通常存储在共享云存储中，传统方案如Amazon EFS、S3FS虽然可以使用，但并不适合高频、小文件、强并发的智能体工作负载，这类场景需要系统在各种边界情况下尽可能保持一致性与可恢复性。

Fleet从零构建了AgentFS，测试结果显示，在目录创建、文件创建、文件读取等基础操作上，AgentFS相比EFS实现了数十倍到数百倍的性能提升，部分指标甚至超过600倍；在Git仓库操作中，clone、status、删除同步等任务的速度也提升了2.5到14倍。更关键的是，Fleet不仅完成了代码编写，还对系统的可靠性进行了验证：它对核心协议进行了约190万个状态的形式化验证，配合300个集成测试、故障注入与模糊测试，覆盖了崩溃、并发、竞态等极端场景，过程中还发现并修复了普通编码智能体在分布式创建与删除文件时导致的数据损坏漏洞。

这两个案例说明，Fleet的价值并非仅停留在“会写代码”，而是能够围绕真实负载重新设计系统，并同时将性能与正确性做到可验证，这也是当前智能编码工具领域的重要分界线。

过去一年间，AI编写代码的能力已经取得了飞速进步，但很多团队在实际使用中会发现，编码智能体的演示效果与生产价值之间仍然存在明显落差。它可以快速完成单个版本的编写或是漏洞修复，但当系统变得复杂、状态增多、依赖变长，错误代价变高时，这类工具很容易从“效率工具”变成“风险来源”。而Intent Lab试图填补的正是这一中间层，实现“将基础设施的主体从人类转变为智能体”。

回顾贾扬清的职业路径，可以清晰看到一条主线：他始终在降低他人使用算力与系统的门槛。Caffe让深度学习走出实验室，PyTorch让模型能够落地为生产基础设施，Lepton AI让GPU集群的使用更加便捷，而到了Intent Lab，他试图让“构建一套生产级系统”这件事，从依赖人工的手艺活转变为自动化的流程。

这也意味着AI基础设施领域的价值正在发生重估：过去，基础设施领域最具价值的是“资源与封装能力”，但随着智能编码工具的崛起，一部分封装复杂性的价值正在被AI自身替代，真正变得稀缺的，是让AI理解模糊意图、拆解架构设计、持续验证并发现隐藏漏洞的深层系统能力。

简而言之，AI基础设施领域的竞争正在从“帮助人类管理基础设施”，转向“让AI成为基础设施的建造者”。贾扬清此次押注的正是后者方向，如果这一赛道能够跑通，未来的软件形态可能会变得更加碎片化与专用化——因为软件的本质是将人类意图转化为机器可执行的规则，过去需要经过多层翻译，而AI基础设施层正在试图解构这一翻译过程。

以上内容不代表本平台立场，仅供读者参考