一个月前，我们报道了贾扬清离开英伟达的故事。
当时，外界的猜测是：他大概率还会回到 GPU 云这张牌桌。
毕竟从阿里云到 LeptonAI，再到英伟达 DGX Cloud，贾扬清过去几年一直在和算力调度、多云部署、GPU 利用率这些Infra问题打交道。6 月初，GPU 云服务商 Hyperbolic 又聘请他担任顾问，业务方向几乎无缝接上 LeptonAI 的旧路线。
但现在，真正的答案浮出水面。
贾扬清联合 Junjie Bai、Xiang L.、Casber Wang 等开源领域老将，正式创立新公司Intent Lab（意图实验室）。 这一次，他没有继续做 GPU 云平台，也不是简单重走 AI Infra 的老路，而是试图解决一个更上层的问题：
当模型已经越来越会写代码，AI 离真正自主开发一套生产级软件，究竟还差在哪一步？
伴随官宣一起亮相的，还有 Intent Lab 的首批成果：
1）一个 GLM-5.2 推理引擎，在两台 Grace Blackwell 节点上，把输出速度从 102 tokens/s 提升到 647 tokens/s，提升 6.3 倍；
2）一个数据库引擎，从一句模糊需求出发，最终跑通 600万条 SQLite 兼容性测试；
3）还有一个带形式化验证的分布式文件系统，能抓出普通 coding agent 生成代码里的数据损坏 bug 。
从推理引擎，到数据库，再到代理文件系统，都是偏向底层工具，看似并没有承接联系。但实际上，贾扬清想真正想展示的，是他们背后的同一套系统 Fleet 的能力。
贾扬清把 Fleet 定义为“全球第一个把意图变成生产级软件的自主团队”。也就是说，用户不再是给 AI 下一个“写段代码”的命令，而是提出一个更高层的目标，由一组智能体自己完成理解、设计、编码、验证和后续演进。
这也让贾扬清这次再创业，有了比“AI 大牛离开英伟达”更值得关注的行业意味。
AI Infra 的底层命题变了
过去十年，贾扬清做过 Caffe、ONNX、PyTorch 1.0，是上一代 AI 框架公认的奠基人；也在阿里和英伟达参与过大规模 AI 基础设施建设。到 LeptonAI，他试图降低开发者使用 GPU 和部署模型的门槛。
再到现在的 Intent Lab，则是让 AI 来直接构建具备交付能力的基础软件。
这背后，其实也是AI Infra 正在发生的一次价值重估。
在上一篇报道中我们探讨过，降低开发者使用和管理 GPU 集群的门槛，这个命题在 2023 年看来，或许是一个值得花数亿美元去解决的问题。但到了今天，解法和门槛已经松动。
以 Cursor、Claude Code、Codex 为代表的Agentic Coding 工具正在重塑软件开发的底层逻辑。开发者已经可以用自然语言描述需求，AI Agent 会自动生成、调试、部署完整的基础设施代码。
这也意味着，传统 AI Infra 试图用产品化方式封装的复杂性，正在被 Agentic Coding 用代码生成的方式直接绕过。
那些只停留在“让工程更省事”的工具层平台，正面临被开源组件和 Agent 组合替代的系统性挑战。这也是导致 DGX Lepton 未达黄仁勋预期、开源承诺未兑现等一系列问题的客观背景。
所以，关于 AI Infra 层创业的核心拷问变成了：你到底解决的是表层的复杂性，还是底层的稀缺性？
贾扬清用 Intent Lab 给出了他的答案。他在官宣帖子里表述得很直白：
“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，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。”
不做包装复杂性的中间件，而是去做那个“能产出一千个系统的系统”。这是他这次再创业的底层逻辑。
不是AI写代码，而是造工程团队
Intent Lab 的核心产品叫 Fleet。从定位上看，它不是一个更快的代码补全工具，也不是一个新的 IDE 插件，而是一套面向生产系统的自主智能体团队。
这其中的差别在哪里呢？
今天的大多数 coding agent，解决的是“代码生成”问题。用户说一句话，AI 写一段函数，改一个 bug，补一组测试，甚至完成一个小功能。这已经很有价值，但它距离真实的软件工程还差很远。
真实工程不是写完代码就结束。它要先理解需求，拆分目标，设计架构，确定接口，权衡性能和成本，再进入编码、测试、评审、验证和上线。上线之后还要观察运行状态，根据真实负载继续修正和演进。
Intent Lab 想把这整条链路交给 AI。
Fleet 要做的是从一个粗糙的人类意图出发，端到端完成设计、实现和验证，并在生产环境里持续进化。它不是把人类工程师的某个动作自动化，而是试图复刻一支靠谱工程团队的完整协作流程。
这也是为什么 Intent Lab 首批展示的不是一个聊天应用，不是一个网站 demo，而是推理引擎、数据库和文件系统。
这几个东西都有一个共同点：它们不是“能跑就行”的应用层软件，而是对性能、可靠性、兼容性和正确性要求极高的系统软件。
尤其是 GLM-5.2 推理引擎这个案例，很适合来体现 Fleet 的能力边界。
最初给 Fleet 的目标只是一句高层意图：改造 TensorRT-LLM，让 GLM-5.2 在 Grace Blackwell 节点上跑得更快，并自己识别优化空间、自己实现、自己验证。
注意，这不是从零写一个玩具推理服务，而是在英伟达已经高度优化的 TensorRT-LLM 体系上继续榨性能。换句话说，Fleet 要面对的不是“低水平代码生成”，而是硬核系统优化。
最后它交付了四类优化。
内核层优化，通过 kernel fusion，以及直接生成 PTX 和 SASS，让 Agent 绕过普通编译器路径，拿到更细粒度的指令级控制。
运行时优化，通过 H2D batching，把稳定 decode 阶段里 CPU 到 GPU 的元数据拷贝大幅减少，降低不必要的调度开销。
通信优化，把 residual add 和 RMSNorm 折进融合后的 all-reduce 里，减少每层 kernel launch 和内存往返。
投机解码优化，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，从而显著提高输出吞吐。
最终结果是，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。
但更值得关注的是Fleet 的工作方式。它不是靠人类提前写好所有优化规则，而是像一个系统工程团队那样，先做瓶颈分析，再提出方案、实现方案、验证结果，失败就回退，成功后再继续寻找下一个瓶颈。
这已经不太像普通 coding agent，更像自动化的系统工程循环Looping。
为什么是数据库和文件系统？
如果说 GLM-5.2 推理引擎展示的是性能优化能力，那么数据库和文件系统展示的就是另一类能力：复杂系统的正确性。
Intent Lab 展示的第二个案例，是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。
要知道，数据库不是普通业务代码。它不仅要能执行 SQL，还要处理查询语义、存储结构、事务行为、边界条件和兼容性问题。很多 bug 不会在简单测试里暴露，而是在复杂语句、异常输入、并发状态和历史兼容里一点点冒出来。
如果一个 Agent 只是写出“看起来能跑”的数据库，那没什么稀奇。真正难的是，它能不能把自己放进一套严格测试体系里，一轮轮修正，直到行为接近真实生产系统的要求。
第三个案例是文件系统 AgentFS，一个专门给 AI Agent 用的分布式文件系统，它的难点在于直接管理状态。
为什么要重新做文件系统？因为 Agent 在云端运行时，会不断启动沙箱、扫描目录、读写大量小文件，而这些文件往往又放在共享云存储上。传统方案如 Amazon EFS、S3FS 能用，但并不适合这种高频、小文件、强并发的 Agent 工作负载。挑战在于它们必须在各种边界情况下尽可能保持一致性和可恢复性。
于是 Fleet 从零构建了 AgentFS。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 有数十倍到数百倍提升，部分指标超过 600 倍；在 Git 仓库操作里，clone、status、删除同步等任务也快了 2.5 到 14 倍。
更关键的是，Fleet 不只是把代码写出来，还检查它靠不靠谱。它对核心协议做了约 190 万个状态的形式化验证，又配合 300 个集成测试、故障注入和模糊测试，覆盖崩溃、并发、竞态等极端情况。过程中，它还发现并修复了一个 coding agent 在分布式创建和删除文件时导致数据损坏的 bug。
这个案例说明，Fleet 的价值不只是“会写代码”，而是能围绕真实负载重新设计系统，并同时把性能和正确性做到可验证。
这也是当下Agentic Coding 最大的分界线。
过去一年，AI 写代码的能力已经进步得非常快。但很多团队在真实使用中会发现，coding agent 的“演示效果”和“生产价值”之间仍然有明显落差。它可以很快写出一个版本，也可以很快修一个 bug，但当系统变复杂，状态变多，依赖变长，错误代价变高，它就容易从“效率工具”变成“风险来源”。
Intent Lab 试图补的，正是这中间一层，并将“用基础设施的主体从人变成agent”。
AI Infra 的新分水岭
把贾扬清这几年的路径连起来看，会发现一条很清晰的主线：他一直在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 让模型变成生产基础设施，Lepton AI 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。
这其实意味着 AI Infra 的价值正在发生重估。过去，Infra 最值钱的是“资源和封装”，但 Agentic Coding 崛起后，一部分封装复杂性的价值正在被 AI 自己吃掉。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 bug的深层系统能力。
简而言之，AI Infra 的竞争正在从“帮人管理基础设施”，转向“让 AI 成为基础设施的建造者”。
贾扬清这次押注的正是后者。如果这个方向跑通，未来的软件形态可能会变得更碎片化、更专用。因为软件的本质就是把意图变成机器可执行的规则，过去需要层层翻译，而Infra层正试图解构这层翻译。