远见网一、用户只需描述开发意图
1、用户只需描述开发意图
作者丨晨阳编辑丨小龙离开英伟达一个月后，贾扬清带着新公司Intent Lab杀回了战场。
没有冗长的发布会，没有堆砌的行业术语，官网只有一行字—— “把‘你的意图’，打造成‘生产级系统’”。
Intent Lab打造的是一支名为“Fleet”（舰队）的自主AI团队，定位很清晰：用户只需描述开发意图，Fleet便完成从系统架构设计、代码开发、基础设施部署，到测试、质量验证和性能优化的全流程工作。
这不是又一个大模型，这是一支不需要发工资、不会辞职、7×24小时待命的“数字员工团队”。
而贾扬清同时亮出的三份早期成果——GLM-5.2推理引擎提速534%、一键式数据库创建、经形式化验证的Agent文件系统——让业内意识到，这次他赌的不是技术的局部改良，而是整个软件生产方式的重构。
01从“代码生成”到“系统交付”：Fleet的降维打击如果说过去两年的AI编程助手解决的是“写代码”的问题，那么Fleet要解决的是“做软件”的问题。
这两者之间的差距，堪比一把锤子与一栋房子的距离。六个环节，全链路接管。
Intent Lab将Fleet的软件开发流程拆解为六个环节：理解、设计、协调、构建、验证、演进。
大多数项目始于一个模糊的意图，Fleet会先与用户共同明确目标，将其转化为具体结果，并确定约束条件和验收标准。
2、它会权衡不同方案
此后，它会权衡不同方案，确定符合要求的系统接口和架构，并持续记录每项决策对系统其他部分的影响。
面对由多个组件组成的大型系统，Fleet还会拆分任务、分配责任，并管理任务之间的依赖关系。
验证贯穿整个构建过程，综合使用形式化证明、集成测试和运行时故障注入等方法。
软件投入生产后，Fleet继续观察系统表现，将使用情况、性能和成本等信息反馈到设计中，实现持续演进。
三个成果，三个不搭界的领域。Intent Lab公布的早期成果，恰恰是这种通用能力最好的证明。
第一个成果是GLM-5.2推理引擎的极致优化。
Fleet被要求重新设计英伟达的TensorRT-LLM——这套推理引擎本身就是英伟达压箱底的优化产物。
Fleet从内核、运行时、通信和推测解码四个方面入手：通过内核融合和Agent生成的PTX、SASS代码减少内核启动，推理性能提升24%；
利用H2D批处理实现稳态解码零拷贝，性能提升16%；将集合通信、残差相加和RMSNorm融合，性能提升18%；
加入DSpark推测解码，一次提出并验证多个候选token，推理速度再提升约4倍。
二、端到端推理性能较原版TRT-LLM提升534
1、端到端推理性能较原版TRT-LLM提
最终，端到端推理性能较原版TRT-LLM提升534%。
最终，在两台Grace Blackwell节点上，GLM-5.2的吞吐从102 token/秒拉到了647 token/秒，，端到端性能提高534%。
2、从性能分析与优化方案到落地实现
关键在于，从性能分析、优化方案到落地实现，端到端全部由AI Agent自己完成。第二个成果是一键式数据库创建。
Fleet根据一条初始指令，从头构建了一个匹配SQLite外部行为的数据库，整轮运行产生8720万个输出token，最终通过全部600万项验收测试，全部使用开源模型，成本仅约350美元。
第三个成果是面向Agent的分布式文件系统AgentFS。
文件系统是出了名的难啃，一个瞬时的状态损坏就能让人查三天。
Fleet靠形式化验证，把一个编码Agent留下的Bug精准揪了出来，定位、修复一气呵成。
部分性能达到EFS的626倍，完成约190万个状态的形式化模型检查和约300项集成测试。
低代码和无代码被说了十年，本质是给你一套乐高积木，你还得自己拼。Fleet想做的是连“拼”这一步也替你做了。
这不是三个专用工具的堆叠，是一个通用能力在三个方向上的证明。
当AI能自己重构英伟达的推理引擎、从零造一个数据库、写一套文件系统并通过形式化验证——软件开发这件事的边界，正在被重新定义。
02从“写框架的人”到“让AI写框架的人” 要理解贾扬清为何在此时押注“AI造软件”，得先看清这个人走过的路。
贾扬清2013年，Caffe横空出世。
还在UC Berkeley读博士的贾扬清，写出了Caffe——第一个被工业界大规模采用的深度学习框架。
它奠定了“模型即配置文件”的工程范式，让深度学习第一次真正走出了实验室。
Caffe被微软、雅虎、英伟达、Adobe等巨头广泛采用，业内至今流传着一句话：“学物理绕不开牛顿，搞深度学习绕不开贾扬清”。
博士毕业后，贾扬清先加入Google Brain，后于2016年加入Meta。
在Meta期间，他联合微软推出ONNX，主导PyTorch 1.0——今天几乎所有主流AI模型都跑在PyTorch上。
2019年，顶着“框架大神”的光环，贾扬清离开硅谷加入阿里巴巴，担任技术副总裁，负责大数据及AI方向的技术、产品和业务。
三、他主导搭建大模型底层平台
1、他主导搭建大模型底层平台
此后他出任阿里云智能计算平台事业部总裁，同时负责大数据和人工智能两大平台。
在阿里期间，他主导搭建大模型底层平台，牵头打造了开源模型社区“魔搭”，聚集了百万开发者。
从“写框架”到“建业务”，他把AI落地的每一层都亲手干了一遍。
2023年，贾扬清从阿里离职，在硅谷创办Lepton AI。
方向是Python原生GPU云平台，核心是Photon抽象层，几行Python就能把模型部署到GPU上。
团队仅约20人，同年5月完成1100万美元天使轮融资。
2025年4月，英伟达完成对Lepton AI的收购，交易价值达数亿美元。
加上此前收购Run:ai的约12亿美元，英伟达在GPU云软件栈上的总投入将近20亿美元。
黄仁勋不仅想让开发者买英伟达的卡、用CUDA，还希望在云厂商之上再建一层属于自己的软件平台。
2、是7亿美元收购中尚未兑现的股权收益
贾扬清，就是这个计划最完美的代言人。
2026年6月29日，半导体研究机构SemiAnalysis爆料：贾扬清已从英伟达离职。
他放弃的，是7亿美元收购中尚未兑现的股权收益。一个月后，Intent Lab诞生。
贾扬清这次押的拐点，叫“Agent从工具变成团队”。
过去一年，AI助手能帮你写段代码、改个bug、查个资料，本质还是“你指挥、它执行”的单兵模式。
贾扬清想做的是把这些单兵编成一个班组：有人理解需求，有人写前端，有人写后端，有人测试，最后拼成一个能用的产品。
03谁在定义软件工程的下一站当贾扬清带着Intent Lab和Fleet重返战场时，这条赛道早已不是无人区。
自主软件工程多智能体——这个让AI不只生成代码、而是端到端交付可运行生产级系统的方向——正以惊人的速度从概念走向规模化商业落地。
全球领跑者与中国的挑战者，正在用各自的路径验证同一件事：软件的生产方式，正在被彻底改写。
四、全球最耀眼的明星是Cognition AI
1、其旗舰产品Devin被定位为端到端独
其旗舰产品Devin被定位为能够端到端独立编写、测试和部署代码的自主AI软件工程师。
它不只是生成代码片段，而是理解代码库、规划变更、编写代码、进行代码审查，并处理测试和质量保证。
2026年5月，Devin又迎来重要升级——搭载全新的SWE-1.7编程模型，在智能体编程测试中性能接近GPT-5.5和Claude Opus 4.8，生成成本更低。
2、Cognition将Windsurf
与此同时，Cognition将Windsurf编辑器重新品牌为Devin Desktop，并支持Codex、Claude Agent、OpenCode等多种智能体——Devin已从一个产品演进为一个多智能体平台。
资本市场的反应说明了一切。
2026年5月27日，Cognition AI宣布完成超10亿美元D轮融资，投后估值达260亿美元。
而8个月前，这个数字还只有10.2亿美元。
年化收入从2025年5月的3700万美元飙升至2026年5月的4.92亿美元，一年增长约13倍。
最戏剧性的细节是：Cognition自身代码库中超过89%由Devin自主编写。
一个AI编程工具，用自己给自己写代码，然后靠这套逻辑融到了10亿美元。另一条路径来自Anysphere。
这家2022年由四位MIT辍学生创办的公司，走了一条与Devin截然不同的路。
其产品Cursor是一款AI原生的完整IDE——不是VSCode插件，而是从底层重写的代码编辑器。
它不试图取代程序员，而是让程序员的每一个操作都获得AI加持——代码补全、跨文件重构、仓库级理解，全部集成在一个编辑器里。
其商业增长在B2B软件史上几乎没有先例：Cursor的年化收入从2025年1月的1亿美元，到6月的5亿，到11月突破10亿，再到2026年2月达到20亿美元。
到2026年6月，ARR已突破40亿美元，日活用户早在2025年就突破100万。
2026年6月16日，马斯克旗下SpaceX以600亿美元估值全股票收购Anysphere——四位二十多岁的创始人全部成为亿万富翁。
Intent Lab将Fle
