文章核心观点 - AI基础设施（AI Infra）领域的核心命题正在发生转变，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”[43][44] - 贾扬清创立的Intent Lab及其核心系统Fleet，旨在构建一个能将高层意图直接转化为生产级软件的自主智能体团队，而非仅提供代码生成工具[8][18][20] - 这一转变意味着传统通过产品化封装复杂性的中间件价值可能被削弱，而让AI具备理解意图、设计架构、持续验证的系统能力变得更为稀缺[13][14][43] 贾扬清的创业路径与行业背景 - 贾扬清是上一代AI框架（如Caffe、ONNX、PyTorch）的奠基人，并曾在阿里和英伟达参与大规模AI基础设施建设[11] - 其之前的创业项目LeptonAI旨在降低开发者使用GPU和部署模型的门槛[11] - 此次创立Intent Lab，目标转向让AI直接构建具备交付能力的基础软件[12] - 行业背景是，以Cursor、Claude Code为代表的Agentic Coding工具正在重塑软件开发逻辑，可能绕过传统Infra工具封装的复杂性[13][14] Intent Lab与Fleet系统的定位 - Fleet被定义为“全球第一个把意图变成生产级软件的自主团队”[8] - 其定位不是代码补全工具或IDE插件，而是一套面向生产系统的自主智能体团队[18] - 目标是从一个粗糙的人类意图出发，端到端完成软件的设计、实现、验证，并在生产环境中持续进化，复刻一支完整工程团队的协作流程[20] - 与当前大多数Coding Agent的区别在于，后者主要解决“代码生成”问题，而Fleet试图解决从需求理解到上线运维的完整真实软件工程链路[19] Fleet系统展示的核心能力与案例 - 性能优化能力：以GLM-5.2推理引擎为例，Fleet通过内核层优化、运行时优化、通信优化和投机解码优化，将输出速度从102 tokens/s提升至647 tokens/s，性能提升6.3倍[5][28][30] - 复杂系统正确性保障能力：通过一句话生成一个数据库引擎，并最终通过600万条SQLite兼容性测试，展示了处理查询语义、事务、兼容性等复杂问题的能力[5][32] - 为AI Agent负载设计系统能力：构建了专为AI Agent设计的分布式文件系统AgentFS，针对高频、小文件、强并发负载优化[35] - 在基础文件操作上，相比Amazon EFS有数十倍到数百倍提升，部分指标超过600倍[39] - 在Git仓库操作上，速度提升2.5到14倍[39] - 对核心协议进行了约190万个状态的形式化验证，并配合大量测试，发现并修复了普通coding agent可能导致数据损坏的bug[39] - Fleet的工作方式类似系统工程团队，进行瓶颈分析、提出方案、实现验证、形成自动化循环，而非依赖预设规则[28][29] AI Infra领域的价值重估与未来方向 - 传统AI Infra通过产品化封装复杂性的价值，正面临被开源组件和AI Agent组合替代的系统性挑战[14] - 行业核心拷问转变为：解决的是表层的复杂性，还是底层的稀缺性[15] - 未来的竞争焦点从“帮人管理基础设施”转向“让AI成为基础设施的建造者”[44] - 如果此方向成功，未来软件形态可能变得更碎片化、更专用，因为从意图到可执行规则的翻译过程被Infra层解构[45] - Intent Lab的底层逻辑是不做包装复杂性的中间件，而是构建“能产出一千个系统的系统”[17]