贾扬清二度创业做 Intent Lab：用一句话让 AI 自主产出生产级系统

贾扬清正式宣布离开英伟达，联合 Junjie Bai、Xiang L.、Casber Wang 等开源领域资深工程师，创办新公司 Intent Lab（意图实验室）。这一次他不再聚焦 GPU 云或算力调度，而是瞄准一个更上层的问题：当模型越来越会写代码，AI 离自主开发生产级软件还差什么？

公司同步亮出了基于核心产品 Fleet 的三个系统级成果：把 GLM-5.2 推理引擎在 Grace Blackwell 节点上的输出速度提升 6.3 倍；用一句话生成的数据库引擎跑通了 600 万条 SQLite 兼容性测试；以及一个附带形式化验证、能捕获普通 coding agent 数据损坏 bug 的分布式文件系统 AgentFS。

Fleet 不是更快补全，而是自主工程团队

Intent Lab 的核心产品 Fleet 被定位为「全球第一个把意图变成生产级软件的自主团队」。它不是更快的代码补全，也不是 IDE 插件，而是一组面向生产系统的智能体，目标是从一句粗糙的人类意图出发，端到端完成设计、实现、验证，并在生产环境中持续演进。

这与今天常见的 coding agent 有本质差别。大多数 agent 解决的是「代码生成」——用户说一句话，AI 写一段函数、改一个 bug、补一组测试；但真实软件工程远不止于此，需要先理解需求、拆分目标、设计架构、确定接口、权衡性能与成本，再进入编码、测试、评审、验证和上线，上线后还要根据真实负载继续修正和演进。Fleet 想把这整条链路交给 AI。

三个标杆案例：推理引擎、数据库与文件系统

首批展示的三个成果共同指向一个主题：让 AI 构建对性能、可靠性、兼容性、正确性要求极高的系统软件，而非简单的应用层 demo。

GLM-5.2 推理引擎：起点是一句高层意图——在英伟达 TensorRT-LLM 已有体系上继续榨性能，让 GLM-5.2 在 Grace Blackwell 节点上跑得更快。Fleet 自己识别优化空间、自己实现、自己验证，最终交付四类优化：

• 内核层：通过 kernel fusion，并直接生成 PTX 与 SASS，绕过普通编译器路径，拿指令级控制权
• 运行时：通过 H2D batching，减少稳定 decode 阶段 CPU 到 GPU 的元数据拷贝
• 通信：把 residual add 与 RMSNorm 折进融合后的 all-reduce，减少每层 kernel launch 与内存往返
• 投机解码：配合更好的 drafter，让模型一次提出多个 token 再由大模型批量验证

最终输出速度从 102 tokens/s 提升至 647 tokens/s，提升 6.3 倍。

数据库引擎：用户输入一句模糊需求，Fleet 自动构建并最终跑通 600 万条 SQLite 兼容性测试，覆盖复杂语句、异常输入、并发状态与历史兼容等场景。

AgentFS 分布式文件系统：专为云端 AI Agent 高频、小文件、强并发的工作负载设计。基础目录与文件操作相比 Amazon EFS 提速数十倍到数百倍，部分指标超过 600 倍；Git 操作提速 2.5 到 14 倍。同时，Fleet 对核心协议做了约 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，并在过程中发现并修复了一个 coding agent 在分布式创建和删除文件时导致数据损坏的 bug。

AI Infra 的命题正在重写

把贾扬清的经历连起来看，主线始终是「降低别人用上算力和系统的门槛」：Caffe 让深度学习走出实验室，PyTorch 让模型成为生产基础设施，LeptonAI 让 GPU 集群更好用。到了 Intent Lab，他试图让「造一个生产级系统」这件事本身，从手艺活变成自动化的东西。

这背后是 AI Infra 的价值重估。过去最值钱的是「资源与封装」——帮人管理算力、降低使用门槛。但在 Cursor、Claude Code、Codex 等 Agentic Coding 工具崛起后，一部分封装复杂性的价值正在被 AI 自己吃掉。AI Infra 的竞争正从「帮人管理基础设施」转向「让 AI 成为基础设施的建造者」。

贾扬清的判断很直白：「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，但现在更感兴趣的，是一次能产出一千个系统的系统。」如果这个方向跑通，未来的软件形态可能会更碎片化、更专用——因为软件本质上就是把意图变成机器可执行的规则，而 Infra 层正在试图解构这层翻译。