破题：一个人和他的AI军团
7月29日，AI大牛贾扬清（Caffe创始人、PyTorch核心贡献者、阿里云前副总裁、Lepton AI创始人）在离开英伟达约一个月后，宣布启动新公司 Intent Lab。
消息本身已足够重磅——这位华人AI科学家去年刚以7亿美元将Lepton AI卖给英伟达。但更值得关注的不是"他又创业了"，而是他这次要做的事。
Intent Lab的核心产品叫Fleet——不是又一个编程助手，而是一支"AI工程团队"。用贾扬清的话说：将用户的意图直接转化为生产级软件系统。
目前Fleet公布了三项早期成果，每一都值得单独拿出来说：
- GLM-5.2推理提速534%：将智谱旗舰模型的推理速度从102 token/s提升至647 token/s，声称是目前该模型的最快推理速度
- 一行指令生成SQLite兼容数据库：仅凭"构建一个与SQLite兼容的SQL数据库引擎"一条指令，从头构建数据库并通过全部600万项验收测试。全部用开源模型时，成本约350美元
- AgentFS分布式文件系统：专为AI Agent工作负载设计，目录状态查询速度达到AWS EFS的626倍
但比这些结果更重要的，是Fleet的工作方式——它代表的，是AI编程正在经历的底层范式转移。
拆解：Fleet到底做了什么？
先说第一个成果。GLM-5.2的推理优化，Fleet从四个维度切入：
- 内核层面：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%
- 运行时层面：H2D批处理实现稳态解码零拷贝，性能提升16%
- 通信层面：集合通信、残差相加和RMSNorm融合，性能提升18%
- 推测解码：引入DSpark，一次提出并验证多个候选token，推理速度再提升约4倍
注意焦点：这些优化不是一个工程师手动完成的。Fleet自主分析性能瓶颈、提出方案、验证效果，不通过验证的方案被丢弃并重新尝试，通过的则保留并进入下一轮。整个过程零人工介入。
第二个成果更令人震撼。Fleet从一条指令开始，将工作分派给决策、架构设计、编码、测试、审查和质量保障等不同角色。整轮运行产生8720万个输出token，其中编码仅占38.6%，其余61.4%分布在设计、决策和验证流程中——真正的软件工程，从来不只是"写代码"。
第三个成果——AgentFS——同样展示了Fleet的工程深度。它在构建文件系统的同时完成了形式化模型检查（约190万个可达状态）和约300项集成测试。在验证过程中，Fleet自己发现并修复了一个可能导致数据损坏的并发Bug。
建框架：从「AI写代码」到「AI造系统」
把贾扬清这次创业放在更大的坐标系里看，就能看清范式转移的方向。
过去两年，AI编程经历了三个阶段的进化：
阶段一：代码补全（2023-2024） —— Copilot、CodeWhisperer等，本质上是一个更聪明的自动补全
阶段二：Agent编程（2024-2025） —— Claude Code、Cursor、Devin等，AI能理解上下文并自主编写代码
阶段三：系统构建（2026-） —— Fleet代表的，是AI不再只是写代码的"程序员"，而是理解需求、设计架构、协调任务、编写代码、测试验证、部署运维的"工程团队"
Fleet的工作流程包含六个环节：理解→设计→协调→构建→验证→演进。
这意味着用户提供的不是一个PRD文档，甚至不需要清晰的规范。Fleet会主动与用户共同明确目标，将其转化为具体约束和验收标准。在开发过程中出现新信息时，它会同步更新架构和代码。软件上线后，它会持续观察系统表现，把运行数据反馈回设计。
这是一个闭环：意图输入→系统输出→运行反馈→持续改进。
这和传统软件开发的"需求分析→设计→编码→测试→部署"线性流程有本质区别——它是动态的、迭代的、自我校正的。
推演：这对行业意味着什么？
1. 软件工程的"去技能化"
当AI能从模糊意图出发自主构建数据库、优化推理引擎、创建分布式文件系统时，"编码能力"作为一项专业技能的价值正在急速下降。如果AI连测试验证和Bug修复都能自主完成，那传统意义上的"资深工程师"角色将如何重新定义？
2. "产品过剩空间"正在扩大
贾扬清的行动路线也值得深思：从Lepton AI（GPU云编排）到Intent Lab（AI自主工程团队），他选择的是一条与过去完全不同的赛道。他看到了比"堆GPU"更大的机会——让AI自己使用算力去构建生产力系统。
这印证了Claude Code之父Boris Cherny提出过一个概念：产品过剩空间——模型已经具备的能力，但还没有被产品充分释放出来。贾扬清看到了这个空间，并且押注它会变得非常大。
3. 成本坍缩的结构性影响
Fleet用开源模型完成一次数据库重构的成本是350美元。用Opus 4.8需要2000美元。无论哪个数字，相对于传统软件工程的数人月投入，都是数量级的压缩。
当构建软件的成本趋近于"描述意图"的边际成本时，整个软件行业的供给曲线都会右移。过去不值得做的项目（定制ERP、垂直CRM、小众工具），突然变得经济可行了。
落到行动：对开发者意味着什么？
贾扬清在Intent Lab的分享中没有给出"学习路线图"，但从Fleet的设计可以看出清晰信号：
1. 高阶工程设计能力比写代码更重要
如果Fleet的路线是正确的，那么"会写代码"越来越不重要，"会设计系统"越来越值钱。理解架构权衡、系统约束、分布式一致性、性能瓶颈——这些不会被AI轻易替代。
2. "提需求"本身就是一门技术
Fleet的工作起点是用户的意图，但它会主动与用户共同明确目标。能把模糊想法变成清晰约束的能力，正在成为一项关键的元技能。好的需求描述 = 好的软件系统。
3. AI验证能力将成为护城河
Fleet最被低估的部分是验证体系。Kubernetes代码库检出测试中，S3FS未能完整检出，但AgentFS做到了。它不只是"生成了代码"，而是"生成了经过验证、可投产的系统"。
对于团队来说，谁能在AI生成代码后构建更快的验证闭环，谁就能更安全地把AI引入生产环境。验证速度正在取代编码速度，成为新的竞争维度。
当然，Intent Lab目前公布的仍是早期成果。Fleet能否稳定处理更复杂的真实项目、以可接受成本长期运行，还需要更多实践验证。
但贾扬清的选择本身就是一个强烈信号：当这个行业最有工程视野的人决定押注"AI自主构建系统"时，我们不应该再用"AI写代码"来理解正在发生的事情。
这不是AI在写代码，这是AI在构建系统。这是编程史上的分水岭。