开源大神贾扬清，有了新动作。

就在今天，贾扬清官宣又一次创业了，他正启动名为Intent Lab的创业项目，并构建了一个称之为“fleet”的自主 AI 团队，将意图转化为生产软件。

与此同时，他还秀出了三个早期成果：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。

来源：贾扬清X账号

伴随着这一推文的发布，贾扬清也有了新角色。

他的X账号简介已经更新为Intent Lab创始人兼 CEO，并将英伟达列入过往任职经历，彻底落实了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，又再一次站上新起点。

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，早有端倪可循。

6月29日，半导体研究机构SemiAnalysis就发了一条推文，表示Lepton AI创始人兼CEO贾扬清在Lepton AI收购仅一年后离职。

彼时，这一条消息虽未坐实，但足以勾起了很多行业内，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。

两大消息叠加来看，已然为贾扬清的离开埋下了伏笔。

而为何离开，很可能是黄仁勋改变了主意，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：齐聚了ONNX 联创白俊杰、etcd 创始人李响。

彼时，Lepton定位清晰：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，就是通过一个把这些复杂性打包起来的运维平台，降低 AI 工程师使用和管理 GPU 集群的门槛，让开发者可以专注于模型本身。

创业仅2年，在SemiAnalysis ClusterMAX GPU 云服务评级系统中，Lepton AI就进了第二梯队“黄金”，与Microsoft Azure、Together AI、Oracle 同档。

随之而来的便是2025年4月，英伟达豪掷7亿美元完成了对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。

黄仁勋的逻辑是英伟达不能只是 GPU 卖家，它要变成 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”野心拼图上的最后几块之一。

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，理想就遭遇了现实的冲击。

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的、更为封闭的产品管理体系格格不入。

从公开报道来看，更名后的 DGX Lepton在2025年中期已基本停止对外运营，其运营效果不及预期。

而更深、更无法调和的矛盾，则落在开源承诺之上。

英伟达收购时曾承诺2026年开源Lepton核心平台，但对于英伟达而言，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，都能够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一句“我为人人，人人为我”的开源精神之上。

他用开源重塑了 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画面。

原班人马再创业，“开源大神”盯上自主AI软件工程

就创始团队来看，Intent Lab还是原班人马。

联创包括了Lepton AI联创白俊杰、李响这两个开源老伙计，不过所做内容跟在Lepton AI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。

其背后的核心逻辑是，AI Infra正在发生一次价值重估。

眼下，Cursor、Claude Code、Codex 这一类 Agentic Coding 工具正在重塑软件开发的底层逻辑。

“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，是一个与 Slurm 兼容的开源调度器替代品，可以由 AI Agent 直接调用和配置，几乎零门槛。

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。

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。

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。

来源：贾扬清X账号

贾扬清在社交平台上写下自己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，现在的模型写代码的速度非常快，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。

这层缺失的能力，就是一个把模糊的意图变成真实的设计，检查结果是否站得住，以及在系统跑起来之后让它继续演进，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。

来源：Intentlab官网

故而，不同于 Cursor、Claude Code 这类代码辅助工具，Fleet追求的是产出可长期稳定运行的生产级底层系统，去填补这一空白。

目前，贾扬清首批已经交出三份作业。

一是Fleet重新设计了 TRT-LLM 推理引擎，使其成为团队所知的最快的 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。

来源：Intentlab官网

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，承担了一个强大团队的每一个角色：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，捕获了一个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，那就是贾扬清想真正想强调的，是他们背后的同一套系统 Fleet 的能力。

AI 不只承担编程工作，还能像一支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，其实主线一直都很明确。

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”。