AI圈最会“追风”的男人，杀入软件智能体，头部玩家估值已近2000亿

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。

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。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%。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。

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。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。

全球最耀眼的明星是Cognition AI。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。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。

收购完成后，Anysphere保持独立运营。

在被收购后Curso宣布“AI编程编辑器”向 “Agent时代软件工程基础设施” 转型。SpaceX与Cursor一直在合作构建新的AI模型，该模型将同时用于Cursor的编程软件和xAI旗下的Grok。

来自中国的词元无限（Tokens Infinity AI）成立于2025年，由前字节跳动软件工程实验室负责人杨萍与清华姚班背景的王伟共同创立。创始团队曾主导字节跳动万人级研发体系的AI化改造——这意味着他们在中国最复杂的软件工程环境里打过仗。

核心产品InfCode覆盖从需求理解、代码生成到交付治理的完整研发链路。它可以集成到开发者常用的IDE中，把代码补全、跨文件改动、仓库级检索与理解、测试等环节串到同一条工作流里。

在SWE-Bench Verified和Multi-SWE-bench-CPP两项权威AI Coding基准测试中，InfCode双双登顶。产品体系呈金字塔结构：底层是具体干活的Agent——InfCode数字程序员和InfTest测试智能体；上层是组织级智能业务编排平台InfOne，支持多Agent的统一管理、调度与治理。

成立仅一年，词元无限已连续完成三轮融资，总金额达数亿元人民币。公司已服务近50家大型客户，以金融行业为主。在商业模式上，它首创了“结果即服务”（Result-as-a-Service）——企业仅按交付成果付费。落地实践中，银行场景代码可用率超88%，大型企业研发效率提升约40%。

这个逻辑与Intent Lab“交付可运行的生产级软件”如出一辙——企业客户永远只为结果买单。

这个赛道到底有多大？Gartner给出了精确的锚点：截至2026年4月，全球企业级AI代码智能体市场的年化规模已达98亿至110亿美元。预计到2028年，超过70%的企业软件工程师将依赖AI代码智能体，为软件工程团队带来30%至50% 的生产力提升。中国企业级AI智能体市场2025年已达212亿元，预计2026年将增至449亿元，2029年有望突破3320亿元。

当全球最顶尖的AI系统底层代码开始由AI自己编写，软件工程的定义正在被重写。这不是一个工具市场，这是一个生产关系的重构市场——而这场重构的终局，将决定下一个十年谁站在价值链的顶端。

本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。