开源大神贾扬清再创业!Intent Lab剑指自主AI软件工程,首批成果效率提升6.3倍

AI Agent技术解析:从意图理解到任务执行,探索智能体开发新趋势 AI Agent(智能体)作为人工智能领域的重要分支,其核心在于让机器能够理解人类意图并自主执行复杂任务。其工作原理通常基于大语言模型(LLM)的推理与规划能力,结合工具调用(Tool Calling)、记忆管理等模块,实现从感知到行动的闭环。这项技术的价值在于将AI从被动问答升级为主动协作,能显著提升自动化水平与决策效率。在应用场景上,AI Agent正广泛渗透于复杂工作流自动化、个性化交互助理、软件开发运维及垂直领域决策支持等多个高价值领域。随着行业对AI Agent和agent框架的关注度持续升温,相 阅读详情

开源大神贾扬清,有了新动作

开源大神贾扬清,有了新动作。就在今天,他官宣又一次创业,启动名为Intent Lab的创业项目,构建了一个称之为“fleet”的自主AI团队,将意图转化为生产软件。与此同时,他还秀出三个早期成果: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。

伴随着这一推文发布,贾扬清有了新角色。他的X账号简介已更新为Intent Lab创始人兼CEO,并将英伟达列入过往任职经历,彻底落实为期一个月来与英伟达的“决裂”传闻。这位在硅谷被称为“AI框架领域最厉害的华人科学家”,从阿里出走、创立Lepton AI再到7亿美元售予英伟达,又站上新起点。

价值7亿美元的“双向奔赴”,一年走到尽头

贾扬清的二次创业,早有端倪。6月29日,半导体研究机构SemiAnalysis发推文称,Lepton AI创始人兼CEO贾扬清在Lepton AI被收购仅一年后离职。彼时消息虽未坐实,却勾起很多行业内尤其是开发者群体的好奇,推文直接刷屏。

几乎在SemiAnalysis爆料同一时间,2026年6月初,GPU云服务商Hyperbolic宣布聘请贾扬清担任公司顾问。Hyperbolic在公告中称,贾扬清将为其在AI系统、云基础设施、GPU marketplace、多云编排和GPU利用率提升等方向提供经验支持,这在业务层面与他在英伟达负责的DGX Lepton平台高度相似。两大消息叠加,为贾扬清的离开埋下伏笔。

而他离开的原因,很可能是黄仁勋改变主意,让贾扬清的开源信仰破灭。回想2023年,贾扬清3月离开阿里,4月在硅谷创立云原生AI平台Lepton AI,创始团队星光熠熠,齐聚ONNX联创白俊杰、etcd创始人李响。彼时,Lepton定位清晰,是多云原生AI推理算力平台,打造统一调度层,帮助开发者跨各大云厂商调度GPU资源,依靠轻量化Tuna推理引擎降低大模型部署门槛。简而言之,就是通过运维平台打包复杂性,降低AI工程师使用和管理GPU集群的门槛,让开发者专注于模型本身。

创业仅2年,在SemiAnalysis ClusterMAX GPU云服务评级系统中,Lepton AI就进入第二梯队“黄金”,与Microsoft Azure、Together AI、Oracle同档。随之而来的是2025年4月,英伟达豪掷7亿美元完成对Lepton AI的“收编”,这笔交易一度被行业视作双赢。

在收购完成前,黄仁勋曾在去年三月的GTC大会上表态:英伟达不再是一家芯片公司,也不再是一家AI公司,而是一家算法和基础设施公司。他认为英伟达不能只是GPU卖家,要变成AI时代的云和软件入口。他希望英伟达补齐DGX Cloud软件调度能力,搭建自有全球算力市场,直面公有云厂商与CoreWeave等GPU云对手,而收购Lepton AI便是黄仁勋“AI工厂”野心拼图的最后几块之一。对贾扬清团队而言,借助英伟达的硬件版图,有望让跨云算力平台理念落地。

但很快,理想遭遇现实冲击。Lepton AI产品理念“Python原生、开箱即用”等,与英伟达面向大企业客户、更为封闭的产品管理体系格格不入。从公开报道看,更名后的DGX Lepton在2025年中期已基本停止对外运营,运营效果不及预期。而更深、无法调和的矛盾落在开源承诺上。

英伟达收购时曾承诺2026年开源Lepton核心平台,但对英伟达而言,核心商业模式依托GPU硬件销售。一旦开放Lepton核心调度代码,AMD、国内各类异构芯片厂商都能使用这套高效工具调度算力,相当于主动削弱自身硬件护城河。最终,开源计划被正式否决。而这份承诺,曾是贾扬清同意被收购、带队加入英伟达担任系统软件副总裁,直接向黄仁勋汇报的核心基础。

要知道,贾扬清的整个职业生涯都建立在“我为人人,人人为我”的开源精神之上。他用开源重塑AI工程基础设施,从Caffe、PyTorch再到ONNX,职业生涯所有里程碑成果全部开源。一边是必须维护硬件壁垒的芯片巨头,一边是追求中立开放的基础设施信徒,二者注定无法长期共存。这才有了“双向奔赴”仅一年,贾扬清便再次离职创业的局面。

原班人马再创业,“开源大神”盯上自主AI软件工程

就创始团队而言,Intent Lab还是原班人马。联创包括Lepton AI联创白俊杰、李响这两个开源老伙计,但所做内容与在Lepton AI时大有不同。贾扬清不再打造新一代算力云、推理调度平台,而是将新公司瞄准自主AI软件工程。

全新产品Fleet的目标不再是“帮助人类部署AI模型”,而是直接让AI智能体团队完成从需求理解、架构设计、编码开发、测试验证到持续运维的全流程。其背后核心逻辑是,AI Infra正在发生价值重估。

眼下,Cursor、Claude Code、Codex这类Agentic Coding工具正在重塑软件开发底层逻辑。“Vibe - coding”让开发者用自然语言描述需求,AI Agent自动生成、调试、部署完整的基础设施代码。比如AMD开源的Spur项目,是与Slurm兼容的开源调度器替代品,可由AI Agent直接调用和配置,几乎零门槛。这意味着,传统AI Infra试图用产品化方式封装的复杂性,正被Agentic Coding用代码生成的方式直接绕过。这也是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。

不走Lepton走过的路,是贾扬清作为创业者的清醒,创办Intent Lab更是顺势而为。贾扬清在社交平台写下赛道转向的核心思考:过去数十年,我们都在亲手搭建分布式AI系统,一次只能打造一套系统。现在他希望构建一套系统,可以批量生成上千套软件。

在他看来,现在的模型写代码速度非常快,但“代码可以运行”与“可以放心投入生产并维护多年”之间仍存在较大距离。他不认为这种差距是模型的局限性,更像是缺少一层能力。这层缺失的能力,就是把模糊意图变成真实设计,检查结果是否站得住,以及在系统运行后让它继续演进,并且全部自主完成的生产系统。而这正是Intent Lab在努力的层面。

故而,不同于Cursor、Claude Code这类代码辅助工具,Fleet追求产出可长期稳定运行的生产级底层系统,填补这一空白。目前,贾扬清首批已交出三份作业。

  • 一是Fleet重新设计了TRT - LLM推理引擎,使其成为团队所知最快的GLM 5.2引擎:在两台Grace Blackwell节点上,把输出速度从102 tokens/s推到647 tokens/s,提升整整6.3倍。这是Fleet从端到端构建和实施优化的结果。
  • 二是从一行prompt开始,创建了一个数据库引擎。Fleet从零现有的文档或代码开始,承担强大团队的每个角色:架构设计、编码、测试、审查、质量保证,自主运行直到所有600万个SQLite兼容性测试全部通过。
  • 三是为一个由agent而非人类使用基础设施的世界,构建了一个文件系统。在这个例子中,Fleet通过形式化验证,识别并修复一个瞬态损坏状态,捕获coding agent写出来的bug。

这三份作业看似没有承接联系,但指向明确,即贾扬清真正想强调的是背后同一套系统Fleet的能力。AI不只承担编程工作,还能像完整的软件工程团队一样,对最终系统负责。如果成功,贾扬清认为,计算机工程的经济模式将永远改变。“50年来,明智的做法是开发一款软件,然后尽可能多地销售给不同需求的用户,哪怕需求各异。现在这种情况可以改变了。世界将看到更多的软件,更高定制化的软件。”也就是说,一旦AI能够稳定生成并运营生产级系统,未来企业或个人都可以直接描述自己的流程和限制条件,由AI生成一套专门适配需求的软件。

目前Intent Lab计划与外部合作,专门面向那些“工程量太大、一直排在清单上没人力去做”的系统。纵观贾扬清的历程,主线一直明确。从打造Caffe、推动ONNX开源标准,到任职阿里云,创办Lepton AI,他始终在做同一件事的不同版本:让别人更容易用上算力。而伴随着AI成为基础设施的建造者,他的下一步也从“管算力”向上“造系统”。

《算法设计与分析》全套PPT课件(哈尔滨工程大学) 立即下载

相关推荐

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

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 267

openworker(Python)

「openworker(Python)」是开源项目(Python)。源码完整,下载解压即可查看使用,适合学习参考、课程设计与二次开发。

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

Rosenbrock 优化实验:GD、PSO 与 GA 的收敛对比matlab代码.rar

Rosenbrock 优化实验:GD、PSO 与 GA 的收敛对比matlab代码.rar

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

【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

T18_低空经济示范区十五五通感一体化低空智联网与飞行服务保障体系设计方案_生态合作版.pptx

T18_低空经济示范区十五五通感一体化低空智联网与飞行服务保障体系设计方案_生态合作版.pptx

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 946

T04_城市生命线AI智能体平台及AI大模型应用场景规划方案_技术方案版.pptx

T04_城市生命线AI智能体平台及AI大模型应用场景规划方案_技术方案版.pptx

EPLAN自动成图与报表实战合集 API批量成图脚本+端子表电缆表自动生成

内容概要:EPLAN自动成图与报表自动生成实战合集,含2篇原创:API批量成图脚本骨架(对象模型+可运行C#代码+三个必踩坑+42页从3.5小时压到11分钟实测)、端子表/电缆表/部件清单报表自动生成(配置逻辑+翻车点+提效数据)。适用人群:电气设计工程师、成套厂制图员、EPLAN二次开发。使用场景:图纸批量生成提效、报表自动化。原创整理。

基于粒子群优化算法的三方三层的主从博弈能源系统优化模型研究(Matlab代码实现)

内容概要:本文研究了基于粒子群优化算法的三方三层主从博弈能源系统优化模型,旨在通过Matlab代码实现对包含风、光、火、储等多种能源形式的综合能源系统进行优化调度。该模型构建了包含能源供应商、运营商与用户三类主体的多层次博弈架构,引入主从博弈机制,将不同参与者划分为领导者与跟随者角色,并在不完全信息环境下采用Epsilon纳什均衡策略实现多方利益协调。结合多目标粒子群优化算法,有效解决了系统运行成本、峰谷差与碳排放等多重目标间的权衡问题。研究进一步整合了需求响应与电能转气(P2G)等灵活性资源,提升了系统调节能力,并通过IEEE39等标准系统进行潮流计算与电能质量分析,验证了模型在提升综合能源系统经济性、稳定性与环保性方面的有效性。; 适合人群:具备电力系统、优化算法及博弈论基础知识的科研人员与研究生;从事能源系统优化、智能调度及相关领域研究的专业技术人员;有志于复现高水平期刊论文成果并开展创新性研究的硕博生。; 使用场景及目标:① 学习并掌握主从博弈在综合能源系统中的建模方法与求解流程;② 理解多目标粒子群算法在复杂能源调度问题中的应用技巧;③ 掌握需求响应、P2G等灵活性资源在系统优化中的集成方式;④ 借助Matlab代码复现IEEE39系统的潮流计算与电能质量分析过程,支撑科研项目或学术论文撰写。; 阅读建议:本资源以Matlab代码为核心载体,强调理论建模与仿真实践的深度融合。建议读者在学习过程中结合博弈论与智能优化算法的基础理论,逐步调试代码并分析关键参数的影响,重点关注Epsilon纳什均衡的实现逻辑与多目标优化的收敛特性,从而深入理解能源系统协同优化的内在机制。

威百威9000V6商业管理软件-210930稳定版本

支持扫码支付

复现基于全局积分滑模控制(GISMC)的欠驱动自主水下航行器(AUV)水平轨迹跟踪控制研究(Simulink仿真、Matlab代码实现)

内容概要:本文研究了基于全局积分滑模控制(GISMC)的欠驱动自主水下航行器(AUV)水平轨迹跟踪控制方法,通过Simulink仿真与Matlab代码实现对该控制策略进行复现与验证。针对欠驱动AUV系统存在的模型不确定性与外部干扰问题,设计了全局积分滑模控制器,有效提升了轨迹跟踪精度与系统鲁棒性,克服了传统滑模控制存在的稳态误差与抖振问题。该控制器通过引入积分项增强了对持续干扰的抑制能力,并确保系统在整个状态空间内实现渐近收敛。仿真结果表明,在复杂海洋环境下,所提方法能够实现对期望轨迹的高精度跟踪,具备优良的动态响应性能与抗干扰能力,适用于AUV在水平面内的精确导航与控制任务。; 适合人群:具备自动控制理论基础、海洋工程背景或从事无人系统控制研究的科研人员,以及熟悉Matlab/Simulink仿真工具的自动化、船舶与海洋工程等相关专业的研究生与工程师。; 使用场景及目标:①用于解决欠驱动AUV在未知扰动下的轨迹跟踪控制问题;②为滑模控制在非线性、强耦合系统中的应用提供仿真验证案例;③推动先进控制算法在水下机器人系统中的工程化实现。; 阅读建议:读者应结合Matlab代码与Simulink模型进行仿真操作,重点关注滑模面设计、控制律推导与参数整定过程,建议在复现基础上尝试引入不同干扰条件或优化控制结构,以深入理解GISMC的控制机理与鲁棒特性。

旋转中心标定诊断工具(视觉标定失败定位+Kasa圆拟合)

机器视觉旋转中心标定失败诊断工具:Kasa圆拟合求旋转中心+四类失败原因自动定位(标定点共线/旋转角步集中/拟合残差大/像素机器人映射方向反),含README与示例数据,仅依赖numpy,源自真实产线客诉排查经验。

多目标粒子群算法求解综合能源系统最优容量配置研究(Matlab代码实现)

内容概要:本文研究了基于多目标粒子群算法(MOPSO)求解综合能源系统(IES)中最优容量配置的方法,并提供了完整的Matlab代码实现。研究旨在通过优化风电机组、光伏机组、燃气轮机、储能系统等多种能源设备的容量配置,实现系统在经济性、环保性和能源利用率等方面的多目标平衡。文中构建了综合能源系统容量配置的数学模型,明确了以最低综合成本、最小碳排放为核心的目标函数,以及能量供需平衡、设备出力能力等关键约束条件,并详细阐述了MOPSO算法的实现流程,包括种群初始化、非支配排序、拥挤距离计算和外部存档更新等核心机制。最后,通过Matlab平台的仿真实验验证了该方法的有效性,结果表明该算法能够生成分布均匀且具有良好多样性的Pareto最优解集,为决策者根据不同侧重点选择最终方案提供了科学依据。; 适合人群:具备一定电力系统、优化算法和Matlab编程基础的研究生、科研人员及工程技术人员。; 使用场景及目标:① 学习和掌握综合能源系统容量配置问题的建模方法;② 深入理解多目标粒子群算法(MOPSO)的核心原理及其在实际工程优化问题中的应用;③ 获取可直接运行和修改的Matlab代码,用于复现研究成果或进行二次开发。; 阅读建议:建议读者在阅读时,首先理解综合能源系统的背景和优化问题的数学建模过程,然后结合提供的Matlab代码,逐步跟踪算法的执行流程,重点关注目标函数和约束条件的代码实现,以及MOPSO算法中非支配排序和拥挤距离计算等核心模块。为了更好地掌握,可以尝试调整算例参数、增减优化目标或修改算法参数,观察结果的变化。

主动配电网故障恢复的重构与孤岛划分统一模型研究升级版本(Matlab代码实现)

内容概要:本文针对主动配电网在故障情况下的恢复问题,提出了一种网络重构与孤岛划分的统一优化模型,旨在通过协同优化配电网的拓扑结构与分布式电源形成的可控孤岛,最大限度恢复关键负荷供电,提升系统韧性。该模型充分考虑了分布式电源出力特性、负荷分级需求以及配电网辐射状运行等多重约束,构建了以负荷恢复最大化和网络损耗最小化为目标的混合整数非线性规划问题,并采用高效的优化算法进行求解。研究通过Matlab编程实现了完整的模型求解与仿真验证,结果表明所提方法能有效协调重构与孤岛策略,显著提高故障后的供电恢复能力和系统运行的稳定性。; 适合人群:具备电力系统分析、优化理论及Matlab编程基础,从事主动配电网、分布式能源集成、电网韧性提升或智能电网故障恢复等相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于高比例分布式电源接入的现代配电网故障应急处置与恢复决策;②为提升电网应对极端事件的能力提供先进的理论模型与技术方案;③通过Matlab代码复现与仿真,深入学习和掌握配电网重构、孤岛划分及综合优化的前沿算法。; 阅读建议:建议读者结合电力系统潮流计算、图论基础和优化建模知识进行学习,重点理解模型中目标函数的设计理念、各类物理约束(如潮流、辐射状、孤岛连通性)的数学表征方法,以及求解算法的实现逻辑。务必动手运行并调试所提供的Matlab代码,通过改变网络参数和故障场景来探究模型的适应性和性能边界。

PSO-LSTM基于PSO优化LSTM网络的电力负荷预测(Python代码实现)

内容概要:本文提出了一种基于粒子群优化算法(PSO)优化长短期记忆网络(LSTM)的电力负荷预测方法,并通过Python代码实现了完整的模型构建与仿真验证。该方法利用PSO算法全局寻优的能力,自动优化LSTM网络的关键超参数,如学习率、隐含层节点数、训练迭代次数等,从而克服传统LSTM依赖人工调参导致的预测精度不高和收敛速度慢的问题。文中详细阐述了PSO-LSTM混合模型的架构设计、算法流程及其实现细节,结合实际电力负荷数据进行了实验验证,结果表明该模型在预测精度、稳定性与泛化能力方面均优于标准LSTM及其他传统预测模型,尤其适用于短期电力负荷预测任务。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事电力系统分析、能源管理、智能电网调度及相关领域研究的研发人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于电力系统短期负荷预测,提升电网运行调度的科学性与经济性;②为能源管理系统提供高精度负荷数据支持,优化发电计划与资源配置;③作为智能优化算法与深度学习融合的教学案例,帮助学习者掌握PSO与LSTM协同建模的方法与实践技巧;④为后续研究提供可复现的代码基础和技术参考。; 阅读建议:建议读者结合提供的Python代码,动手复现整个建模与训练过程,深入理解PSO优化机制与LSTM网络结构的耦合方式,并尝试在不同时间尺度和负荷场景的数据集上进行迁移测试,以全面评估模型的适应性与鲁棒性。

上一篇: 2026世界人工智能大会后:Agent变革软件行业,Token需求引发产业连锁反应
下一篇: 具身智能“世子之争”:宇树、智元IPO对垒,谁能成真正王者?
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