贾扬清创立 Intent Lab,让 AI 构建生产级软件,性能提升 6.3 倍!

Intent Lab:AI意图驱动开发新范式,贾扬清再创业瞄准智能体工程化 在人工智能技术栈的演进中,从深度学习框架到云原生推理服务,核心矛盾正从模型训练与部署转向应用构建的工程化挑战。当前,AI智能体(Agent)开发面临意图层与执行层脱节的普遍困境,开发者需手动处理多步骤推理、工具调用与状态管理等复杂逻辑,导致代码臃肿且维护成本高。意图(Intent)作为高层任务描述,与提示词(Prompt)不同,它涉及多轮交互与复杂流程,其高效转化为可执行智能体是提升开发效率的关键。Intent Lab应运而生,旨在通过“意图即代码”的工程框架,自动化意图拆解、技能编排与异常处理,降低开发者 阅读详情

1. 贾扬清创立新公司 Intent Lab

一个月前报道了贾扬清离开英伟达,当时外界猜测他大概率回到 GPU 云领域。毕竟他过去几年一直在和算力调度、多云部署、GPU 利用率等 Infra 问题打交道。6 月初,GPU 云服务商 Hyperbolic 聘请他担任顾问,业务方向接上 LeptonAI 旧路线。但现在,他联合 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)。这次他没继续做 GPU 云平台,也不是重走 AI Infra 老路,而是试图解决更上层问题:当模型会写代码,AI 离自主开发生产级软件还差哪一步?

2. Intent Lab 首批成果亮相

伴随官宣,Intent Lab 展示了首批成果:一是 GLM - 5.2 推理引擎,在两台 Grace Blackwell 节点上,输出速度从 102 tokens/s 提升到 647 tokens/s,提升 6.3 倍;二是数据库引擎,从模糊需求出发,跑通 600 万条 SQLite 兼容性测试;三是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。这些看似无承接联系的底层工具,实际展示的是同一套系统 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”,用户提出高层目标,由智能体完成理解、设计、编码、验证和后续演进。

3. AI Infra 底层命题转变

过去十年,贾扬清是上一代 AI 框架公认的奠基人,参与过大规模 AI 基础设施建设。LeptonAI 降低开发者使用 GPU 和部署模型的门槛,而 Intent Lab 让 AI 构建具备交付能力的基础软件,这背后是 AI Infra 的价值重估。过去降低开发者使用和管理 GPU 集群门槛是重要命题,但如今解法和门槛已松动。以 Cursor、Claude Code、Codex 为代表的 Agentic Coding 工具重塑软件开发底层逻辑,传统 AI Infra 封装的复杂性被绕过,只停留在“让工程更省事”的工具层平台面临挑战。所以 AI Infra 层创业核心拷问变为:解决的是表层复杂性还是底层稀缺性?贾扬清用 Intent Lab 给出答案,不做包装复杂性的中间件,而是做“能产出一千个系统的系统”。

4. 不是 AI 写代码,而是造工程团队

Intent Lab 核心产品 Fleet 是面向生产系统的自主智能体团队,与大多数 coding agent 不同。如今多数 coding agent 解决“代码生成”问题,但距离真实软件工程很远。真实工程有复杂流程,Intent Lab 想把整条链路交给 AI,Fleet 从人类意图出发,端到端完成设计、实现和验证,并在生产环境持续进化,复刻工程团队协作流程。所以首批展示的是推理引擎、数据库和文件系统等对性能、可靠性、兼容性和正确性要求高的系统软件。

5. GLM - 5.2 推理引擎体现 Fleet 能力

GLM - 5.2 推理引擎案例体现了 Fleet 的能力边界。最初目标是改造 TensorRT - LLM,让 GLM - 5.2 在 Grace Blackwell 节点上更快,并自行识别优化空间、实现和验证。这是在英伟达高度优化体系上榨取性能,属于硬核系统优化。最后交付了四类优化:内核层优化、运行时优化、通信优化和投机解码优化。最终 GLM - 5.2 输出速度提升 6.3 倍。更重要的是,Fleet 像系统工程团队,先做瓶颈分析,再提出方案、实现方案、验证结果,类似自动化的系统工程循环 Looping。

6. 数据库和文件系统展示的能力

数据库和文件系统展示了 Fleet 复杂系统的正确性能力。数据库要处理诸多复杂问题,Intent Lab 一句话生成数据库引擎并通过 600 万条 SQLite 兼容性测试,难的是让其符合真实生产系统要求。文件系统 AgentFS 是为 AI Agent 设计的分布式文件系统,传统方案不适合 Agent 工作负载,AgentFS 从零构建,在基础操作上相比 EFS 有数十倍到数百倍提升,部分指标超 600 倍,Git 仓库操作也快了 2.5 到 14 倍。Fleet 还对核心协议做形式化验证和多种测试,发现并修复了数据损坏 bug,说明其能围绕真实负载设计系统,兼顾性能和正确性,这是当下 Agentic Coding 的最大分界线。

7. AI Infra 的新分水岭

贾扬清这几年一直在降低别人用上算力和系统的门槛,从 Caffe 到 PyTorch,再到 Lepton AI,到现在的 Intent Lab,试图让“造生产级系统”自动化。这意味着 AI Infra 价值重估,过去 Infra 值钱的是“资源和封装”,现在 Agentic Coding 崛起,部分封装复杂性价值被 AI 吃掉,真正稀缺的是让 AI 理解模糊意图等深层系统能力。AI Infra 竞争从“帮人管理基础设施”转向“让 AI 成为基础设施建造者”,贾扬清押注后者,若方向跑通,未来软件形态可能更碎片化、更专用。那么,贾扬清这次创业能否成功推动 AI Infra 的变革呢?

Intent Lab:从AI框架到操作系统,如何填平意图与实现之间的鸿沟? 在人工智能领域,从深度学习框架到AI应用开发,始终存在着一道关键的工程鸿沟。早期,Caffe等框架通过抽象硬件细节,解决了从数学理论到可运行代码的难题;随后,TensorFlow、PyTorch等平台标准化了从单机实验到大规模生产的流程。如今,随着大语言模型(LLM)和智能体(Agent)技术的兴起,鸿沟演变为从单一模型到复杂工作流的编排挑战。Intent Lab正是瞄准这一痛点,它并非简单的Agent框架,而是一个位于用户意图和最终应用之间的操作系统层,致力于通过声明式任务描述和自动化工作流生成,将模糊的 阅读详情

相关推荐

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

贾扬清创立 Intent Lab:让 AI 构建生产级软件,重塑 AI Infra 竞争格局

这让贾扬清这次再创业有了更值得关注的行业意味。这意味着 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。

IT界那些事儿 60

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

贾扬清再创业!Intent Lab三项早期成果:GLM-5.2推理提速534%、数据库构建、文件系统性能提升

Intent Lab尝试让多个Agent组成一支具备不同分工的自主工程团队。从推理引擎优化、数据库重建到分布式文件系统创建,Fleet需要自己设计方案、协调任务、完成开发并验证结果。这意味着AI编程正在尝试跨过单纯的代码生成环节,进一步进入完整的软件工程流程。不过,目前这些仍是Intent Lab公布的早期成果。自主AI团队能否稳定处理更复杂的真实项目,并以可接受的成本长期运行,还需要更多实践验证。

IT界那些事儿 20

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

贾扬清新创 Intent Lab 启动,Fleet 自主团队多成果提升软件开发效能!

Intent Lab 尝试让多个 Agent 组成一支具备不同分工的自主工程团队。从推理引擎优化、数据库重建到分布式文件系统创建,Fleet 需要自己设计方案、协调任务、完成开发并验证结果。这意味着 AI 编程正在尝试跨过单纯的代码生成环节,进一步进入完整的软件工程流程。不过,目前这些仍是 Intent Lab 公布的早期成果。自主 AI 团队能否稳定处理更复杂的真实项目,并以可接受的成本长期运行,还需要更多实践验证。

IT界那些事儿 26

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

Qwen3.8用16天自己写出了Agent框架:AI编程已进入“无人驾驶“阶段

一个有意思的对比:2024年8月,AI编程领域的头条还是"Copilot即将支持多文件编辑"。2026年8月,AI已经能自己从空文件夹开始,花16天写一个完整的智能体框架。两年时间,AI编程从"工具"变成了"协作者",从"协作者"变成了"执行者"。下一个两年呢?一个值得思考的问题是:当AI能独立完成整个软件开发流程时,软件工程的定义会变成什么?SDLC中的"需求分析"环节,如果由AI Agent直接与人对话完成,那"产品经理"的角色又会如何演变?

ReleaseU的博客 269

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

AI新闻日报_2026-07-29

AI 安全从「护栏调参」进入「架构级刹车」时代:OpenAI 失控 agent、1100+ 员工请愿、Codex Security 开源、Gemini environment hooks 等事件同日出现,说明行业开始从 prompt 层安全转向沙箱、奖励函数、控制平面和纵深防御体系。开源模型从「追赶者」变成「定价者+取证者」:Kimi K3 以 2.8T 参数登顶开放权重,GLM-5.2 在 Hugging Face 取证中反超商业模型,开源生态正在定义性能基准和安全边界。

海盗Sharp的博客 435

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

每周AI新动态:三款重磅模型上线

开源模型迈入3万亿参数时代,多模态生成能力显著突破,推理优化成为竞争焦点,Agent应用从实验探索走向实际落地,国产模型在全球调用量榜单中占据前五席位,AI产业竞争重点正从"模型可用性"转向"生态构建与场景落地能力"。

XuJL89的博客 585

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

【AI前沿】2026.07.30 失控智能体踩破安全红线·开源闭源阵营正式分裂·字节7·30整合重构企业AI格局

2026年7月30日,是AI行业一个值得标记的日子。当最聪明的模型开始"自己找路"突破安全边界,当最有权势的科技公司分成两个阵营选边站,当最普通的用户开始靠AI接单赚钱——这个反差,就是2026年夏天AI行业最真实的样子。作为工程师,我们有幸身处这个变革的中心。每一天都有新的技术、新的架构、新的可能性在涌现。技术再炫,也要想清楚"它解决什么问题"模型再强,也要考虑"它的边界在哪里"速度再快,也要记住"安全是1,其他都是0"

求知若渴、虚心若愚 285

(篇八)C语言在母串删子串、输入位置截取子串

文章目录一、字符串二、删除指定的字符三、从母串中截取子串四、输入位置截取子串 本篇主要介绍C语言字符串中的相关操作,然后分析两个C语言实例——在母串中指定删除子串、在母串中截取子串 一、字符串 了解C 语言的都知道,C语言中没有字符串类型,所以C语言是用字符串常量、字符指针、字符数组来表示字符串。这些字符串都是以 NULL、’\0’或者ASCII==0来结尾。说白了就是一个个字符组成一串有序序列,...

Viewinfinitely的博客 1512

RSI 洞察:Agentic Coding 与 RSI 或许是研发下一代模型和 AI Infra 系统优化的版本答案

递归自我改进(Recursive Self-Improvement,RSI)不是全新概念,而是延续近 40 年的自我改进闭环:在环境与验证器约束下,系统自主发现目标、提出并验证改动、保留有效改进,再推动下一轮。它不等于 RL,也不只是模型,而是模型、记忆、Skill、Harness 与 Infra 的系统工程。当前有界闭环已现,递归增益与稳健可控仍缺证据;瓶颈是可靠验证、自主定义目标和防 Reward Hacking。落地关键在 Agentic Coding、真实环境持续学习与 AI Infra。

叶庭云 成为自己的光 948

数字孪生实战:如何用Blender+Unity快速搭建未来工厂3D模型(附资源包)

本文提供了一套利用Blender进行三维建模,再结合Unity构建虚拟仿真环境的实用方案,旨在帮助中小型制造企业低成本、高效率地搭建未来工厂数字孪生原型系统。文章详细介绍了从数据规划、模型优化到场景构建、逻辑仿真与数据对接的全流程,并附有资源包,助力技术团队快速实现从静态展示到动态交互的数字孪生应用。

weixin_29191669的博客 341

Pseudobulk与FindMarkers单细胞差异基因分析实战对比

本文深入对比了单细胞差异基因分析中Pseudobulk与FindMarkers两种主流方法。通过实战演示,详细解析了二者在底层逻辑、数据准备、分析流程及结果解读上的核心差异,并提供了基于不同生物学问题与数据特点的选择策略,帮助研究者做出更精准的分析决策。

weixin_29218963的博客 334
上一篇: 首个物理定律评估基准Apple-π登场,揭示视频生成模型距通用世界模拟器差距大
下一篇: 谷歌 DeepMind 解散诺奖团队 AlphaFold,战略转向通用大模型与智能体
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值