贾扬清新创Intent Lab：AI军团Fleet如何让GLM-5.2推理狂飙534%？

在人工智能浪潮席卷全球软件行业的当下，我们正站在一个关键的转折点上：AI的角色正在从单纯的“代码助手”向“自主工程师”演变。近期，知名AI专家、前阿里云副总裁贾扬清在离开英伟达后迅速启动二次创业，成立了Intent Lab，并发布了其核心产品——一支名为Fleet的自主AI团队。这一举动不仅引发了业界的广泛关注，更通过一系列令人瞩目的技术成果，展示了AI在复杂系统工程中的巨大潜力。

Fleet并非传统的编程辅助工具，它被设计为一支具备完整工程能力的虚拟团队。与传统AI仅负责生成代码片段不同，Fleet能够承担从需求理解、架构设计、任务协调、代码实现、测试验证到上线后持续演进的全生命周期工作。这种模式的转变，标志着软件开发正在进入一个由AI主导系统级构建的新阶段。

Intent Lab公布的早期成果极具震撼力。首先，在性能优化方面，Fleet通过对英伟达TensorRT-LLM代码的重构，成功将GLM-5.2模型的推理速度提升了534%，达到每秒647个token的处理能力，刷新了该模型的最快推理记录。其次，在系统构建方面，Fleet仅凭一条指令，便从头构建了一个与SQLite外部行为完全兼容的数据库引擎，并通过了全部600万项验收测试，且在使用开源模型的情况下，成本控制在350美元左右。最后，在基础设施领域，Fleet打造的面向Agent的分布式文件系统AgentFS，在目录状态查询等关键指标上，性能达到了亚马逊EFS的626倍。

这些成果背后，是Fleet独特的六环节工作流机制。整个开发过程始于对模糊意图的精准捕捉。Fleet会与用户交互，明确目标、约束条件及验收标准，确保后续工作有的放矢。随后，进入设计与协调阶段，Fleet会权衡多种技术方案，确定系统接口与架构，并管理多组件间的依赖关系。值得注意的是，Fleet具备动态调整能力，当开发过程中出现新信息时，它会同步更新架构与代码，保持设计与实现的一致性。

在构建与验证环节，Fleet展现了极高的严谨性。验证并非仅在最后进行，而是贯穿整个构建过程。通过形式化证明、集成测试以及运行时故障注入等手段，Fleet能够在代码变化中及时发现潜在问题。即使软件投入生产，Fleet的工作也未停止，它会持续监控系统表现，将性能、成本及使用反馈融入后续迭代，实现系统的自我演进。

以GLM-5.2推理加速为例，这是一个极具挑战性的任务。TensorRT-LLM本身已是高度优化的推理引擎，进一步提速难度极大。Fleet通过自主分析，识别出内核、运行时、通信和推测解码四个关键瓶颈。在内核层面，通过内核融合及生成高效的PTX、SASS代码，减少内核启动开销，提升性能24%；在运行时层面，利用H2D批处理实现零拷贝，提升16%；在通信层面，融合集合通信、残差相加和RMSNorm操作，提升18%。最为关键的是在推测解码环节，引入DSpark技术，一次性提出并验证多个候选token，使推理速度进一步提升约4倍。最终，端到端性能实现了534%的飞跃。

另一个典型案例是数据库的重建。Intent Lab给出的指令极为简洁：“构建一个与SQLite兼容的SQL数据库引擎，使其能够通过全部sqllogictest测试用例，性能达到或超过SQLite。”面对这一任务，Fleet没有参考现有代码，而是将测试集作为唯一的验收标准。它将工作分解为决策、架构、编码、测试、审查等多个角色，各角色间紧密协作。整个过程产生了8720万个输出token，其中编码仅占38.6%，而测试、决策、架构设计及审查占据了大部分比例。这深刻揭示了一个事实：高质量的系统构建，核心不在于代码生成的数量，而在于严谨的设计决策与全面的验证保障。

在分布式文件系统AgentFS的开发中，Fleet针对Agent频繁创建沙箱、扫描目录及处理小文件的工作负载特点，进行了针对性优化。测试显示，在mdtest基准测试中，AgentFS的目录和文件创建速度是EFS的45倍，文件读取速度是30倍。而在Agent常用的状态查询操作中，优势更为显著，目录状态查询速度达到EFS的626倍。此外，在Git代码库的操作测试中，AgentFS在克隆、状态查询及删除操作上也表现出数倍至十几倍的性能优势。更重要的是，Fleet通过形式化模型检查，覆盖了约190万个可达状态，成功发现并修复了一处可能导致数据损坏的并发Bug，证明了其在系统正确性保障方面的能力。

从技术经济学的角度来看，Fleet的出现可能重塑软件开发的成本结构。在构建SQLite兼容数据库的案例中，使用顶级商业模型Opus 4.8的成本约为2000美元，而全部使用开源模型时，成本降至350美元。这意味着，随着开源模型能力的提升及推理成本的下降，企业利用AI自主构建复杂系统的门槛将大幅降低。这种低成本、高效率的开发模式，对于初创公司及需要快速迭代的大型企业而言，具有极大的吸引力。

然而，我们也必须清醒地认识到，目前展示的成果仍属于早期阶段。虽然Fleet在特定任务上表现出色，但面对更加复杂、需求多变且涉及多方利益的真实商业项目，其稳定性、安全性及长期维护能力仍需经过更多实践检验。此外，AI自主决策带来的责任归属、代码可解释性以及潜在的安全风险，也是行业需要共同面对的课题。

贾扬清的再次创业及其推出的Fleet团队，不仅仅是一个技术产品的发布，更是对未来软件工程形态的一次大胆探索。它预示着，未来的软件工程师可能不再仅仅是代码的编写者，而是AI工程团队的指挥者与监督者。人类负责定义问题、设定边界与伦理准则，而AI负责具体的实现、优化与验证。这种人机协作的新范式，有望极大地释放生产力，推动软件行业向更高阶的智能化方向发展。

随着算力成本的持续降低和大模型能力的不断突破，类似Fleet这样的自主AI工程团队有望成为基础设施的一部分。它们将像水电一样，随时响应开发者的意图，快速构建出高质量、高性能的软件系统。对于开发者而言，掌握如何与这类AI团队高效协作，如何精准表达意图，如何设定合理的验收标准，将成为新的核心竞争力。

总之，Intent Lab的尝试为我们描绘了一幅激动人心的未来图景。在这个图景中，软件开发的边界被无限拓展，创新的周期被大幅压缩。虽然前路仍有挑战，但方向已然清晰：AI正在从工具演变为伙伴，从执行者演变为创造者。这一变革，才刚刚开始。