文章核心观点 三位AI领域顶尖专家在同一天宣布创办新公司，分别瞄准软件工程、教育、物理世界三个截然不同的赛道，代表了各自团队对下一代AI应用方向的判断 [1][6] Intent Lab (贾扬清) - 公司核心目标是打造能够接管从理解需求到交付、持续演进整个软件开发生命周期的AI工程团队，而非仅做更强的代码生成工具 [2][9] - 其AI系统Fleet通过三个案例展示了从“辅助开发者写代码”到“承担完整软件工程任务”的能力演进 [12] - **案例1 - 优化 (Optimization)**：Fleet自主优化高度成熟的TensorRT-LLM推理系统，将输出速度从约102 tokens/s提升至647 tokens/s，实现约6.3倍的性能提升，且过程由AI自主完成 [13][14] - **案例2 - 现代化 (Modernization)**：Fleet在没有源代码和设计文档的情况下，仅通过分析外部行为，从零构建了一个兼容SQLite的数据库系统，展示了理解和重建复杂系统的能力 [18][19] - **案例3 - 创造 (Creation)**：Fleet从零设计了一个面向AI Agent工作负载的分布式文件系统AgentFS，在部分文件操作场景中相比传统方案提升达几十倍甚至数百倍，并通过检查约190万个状态空间和数百个集成测试来保证正确性 [24][25][27] - 方法论总结为六个动词：理解、设计、协调、构建、验证、演进，旨在围绕每个用户、工作流和约束生成并持续打磨软件 [34][40] - 公司愿景是推动软件数量增长上千倍，并改变过去五十年的通用软件形态 [41] LearnVector (吴恩达) - 公司瞄准个性化教育，旨在借助AI将教学模式从“一对多”转变为“一对一”，提供可信赖、真正个性化的学习向导 [4][44][49] - 核心产品是“可信赖的学习向导”，与聊天机器人不同，它将与用户一起规划学习路径、适应其独特学习方式并陪伴至真正掌握技能 [50] - 公司由吴恩达创立，并获得其创办的Coursera战略投资一亿美元，Coursera将获得约三分之一的股权 [51] - LearnVector计划与Coursera、Udemy等拥有权威内容库的平台深度合作，以提供准确、重要的学习内容 [51] - 公司正在组建团队，首批产品计划于2027年初面世 [51] World Mechanics (Sonia Joseph) - 公司处于“隐身”状态，目标是打造面向物理世界的前沿神经实验室，核心方向是可解释基础模型与科学模拟 [5][53][56] - 旨在构建能够可靠理解和预测现实世界的AI模型，应用于气候科学、天体物理、供应链、电网等复杂物理系统 [5][56] - 公司特意注册为公益公司，强调可解释性和AI安全，并将积极支持开放研究、加强与高校合作及构建广泛生态系统 [57] - 创始团队门槛极高，同时重视生态培育，如指导博士生、与学术界和企业协作，并尽可能公开研究过程 [57]

公司动向：贾扬清创立Intent Lab及其核心产品Fleet - 贾扬清联合多位开源领域资深人士正式创立新公司Intent Lab（意图实验室）[1] - 公司核心产品为Fleet系统，被定义为“全球第一个把意图变成生产级软件的自主团队”，即由一组智能体端到端完成从理解高层意图到设计、编码、验证及后续演进的全流程[2][7][8] - 公司首批展示三项成果：1) GLM-5.2推理引擎，在Grace Blackwell节点上将输出速度从102 tokens/s提升至647 tokens/s，性能提升6.3倍[1][12]；2) 数据库引擎，通过600万条SQLite兼容性测试[1][13]；3) 带形式化验证的分布式文件系统AgentFS，能发现并修复普通coding agent生成代码中的数据损坏bug[1][14][15] 技术定位：从代码生成到自主系统工程 - Fleet的技术定位并非简单的代码生成或补全工具，而是旨在复刻一支完整工程团队协作流程的自主智能体团队[7][8] - 其能力体现在处理硬核系统优化与复杂系统正确性上，例如在高度优化的TensorRT-LLM基础上继续榨取性能，以及构建能通过数百万条兼容性测试的数据库和文件系统[9][13] - 工作模式类似自动化系统工程循环：从瓶颈分析开始，提出方案、实现、验证，并持续迭代，而非依赖预设规则[12] 行业演变：AI基础设施价值重估与竞争转向 - AI基础设施领域的核心命题正在变化，从降低开发者使用和管理GPU集群的门槛，转向让AI直接构建具备交付能力的基础软件[4][6] - 以Cursor、Claude Code为代表的Agentic Coding工具正在重塑开发逻辑，传统Infra通过产品化封装复杂性的价值正被AI生成代码的方式绕过，导致仅停留在“让工程更省事”的工具层平台面临挑战[5][6] - 行业竞争正从“帮人管理基础设施”转向“让AI成为基础设施的建造者”，稀缺性价值在于让AI具备理解模糊意图、拆解架构设计、持续验证并发现深层bug的系统能力[6][16][17]

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]

公司概况与创业历程 - 贾扬清在离开英伟达一个月后，创立了新公司Intent Lab [1][7] - 公司首批展示了三项成果：目前已知最快的GLM 5.2推理引擎、一句话生成的数据库引擎、一套带形式化验证的文件系统 [2] - 公司的核心产品是背后的生成引擎Fleet，定位为“首个将意图转换为生产级软件的自主团队” [5][31] 创始人背景与过往创业 - 贾扬清于2023年3月从阿里巴巴离职，创立了Lepton AI，业务方向是AI基础设施（AI Infra），通过云原生和多云整合调度全球GPU资源，为开发者提供算力租赁和模型部署 [8][9] - Lepton AI创始团队包括ONNX的联合创始人 [10] - 2025年3月至4月，英伟达以约7亿美元（约合人民币48亿元）收购了Lepton AI，并将其更名为DGX Cloud Lepton，并入英伟达DGX Cloud体系 [12] - 被收购后，Lepton AI的产品理念与英伟达的企业体系格格不入，于2025年中期基本停止对外运营 [15][16] - 英伟达收购时承诺在2026年前开源Lepton核心软件平台，但最终被否决，目前GitHub上仅开源了客户端SDK和命令行工具 [18][19] 新产品Fleet的技术成果与性能 - Fleet是一个智能体系统，首批三项成果均由该系统端到端自主完成，无人为介入 [6][32] - **GLM-5.2推理引擎优化**：起点是改造TensorRT-LLM代码以在Grace Blackwell节点上运行GLM-5.2，Fleet自主识别并实现了四类优化 [33] - 在两台Grace Blackwell节点上，将输出速度从102 tokens/s提升至647 tokens/s，性能提升6.3倍 [35] - 内核层面优化提升24%，通过kernel fusion及由agent直接生成PTX和SASS实现 [36] - 运行时优化提升16%，通过H2D batching将稳态decode步骤的host-to-device元数据拷贝从大约十次降为零 [37] - 通信层面优化提升18%，采用融合的MNNVL all-reduce，将residual add和RMSNorm折进集合通信 [37] - 投机解码（speculative decoding）优化提升400%，配合优化过的DSpark drafter实现 [38] - **数据库引擎**：从一行提示（prompt）开始，零文档零代码，Fleet自主完成了从架构到测试的全流程，最终使600万条SQLite兼容性测试全部通过 [39] - **文件系统**：Fleet利用形式化验证发现并修复了一个由coding agent引入的瞬态损坏状态bug [43][44] 产品理念与商业模式 - 公司认为，当前从“能跑起来的代码”到“可投入生产并长期维护的软件”之间存在距离，这并非模型能力限制，而是缺乏一个能将模糊意图转化为可靠设计、验证并自主演进的中间层 [51][53] - Intent Lab将这一中间层细化为六个自主环节：理解意图（Understand）、设计（Design）、协调（Coordinate）、构建（Build）、验证（Verify）、演进（Evolve） [54] - 这六个环节模拟了一个可靠工程团队的日常流程，但主体是智能体系统 [55] - 公司计划与外部合作，专注于解决那些因工程量过大而长期搁置的系统项目 [59] - 从历史项目（Caffe, PyTorch, Lepton AI）到Intent Lab，其核心脉络始终是“让别人更容易用上算力” [60]