يانغ كينغ جيا يطلق مختبر النوايا: أسطول يحوّل الأوامر المفردة إلى أنظمة إنتاج
بعد ما يزيد قليلاً عن عام من انضمام ليبتون إيه آي إلى إنفيديا، يبدأ يانغ كينغ جيا من جديد. شركته الجديدة، مختبر النوايا، لا تنطلق بروبوت محادثة تقليدي أو سوق سحابية
يانغ تشينغ جيا يطلق مختبر النية: أسطول يحوّل الأوامر السطرية إلى أنظمة إنتاج
مقدمة
بعد ما يزيد قليلاً عن عام من انضمام Lepton AI إلى NVIDIA، يعود يانغ تشينغ جيا للبدء من جديد.
شركته الجديدة، مختبر النية (Intent Lab)، لا تنطلق بروبوت محادثة تقليدي، أو سوق سحابية، أو بيئة تطوير متكاملة. بدلاً من ذلك، تقوم الشركة ببناء أسطول (Fleet)، وهو ما تصفه كفريق هندسي مستقل يحوّل النية عالية المستوى إلى برمجيات بجودة الإنتاج.
يتضمن أول عرض عام من مختبر النية ثلاثة أنظمة مختلفة تماماً:
- محرك استدلال GLM-5.2 محسّن يتجاوز أداء TensorRT-LLM القياسي.
- قاعدة بيانات متوافقة مع SQLite مبنية من متطلب من سطر واحد.
- نظام ملفات موزع لوكلاء الذكاء الاصطناعي مع تحقق رسمي واختبار الأعطال.
للوهلة الأولى، لا تبدو هذه المشاريع كنوع واحد من المنتجات.
وهذه هي النقطة بالتحديد.
يقول مختبر النية إن المنتج الفعلي هو النظام الهندسي الذي يقف خلفها. صُمم الأسطول لأداء العمل بين طلب برمجي غامض ونظام يمكن قياس أدائه والتحقق منه وتشغيله وتطويره في بيئة الإنتاج.
الأرقام المبكرة للأداء في هذا المقال مستمدة من مواد الإطلاق الخاصة بمختبر النية. إنها عروض واعدة، وليست شهادات قياس معتمدة بشكل مستقل. لم تنشر الشركة بعد تفاصيل كافية لإعادة الإنتاج تمكن الفرق الخارجية من تأكيد كل نتيجة في ظل ظروف متطابقة.
يانغ تشينغ جيا يؤسس شركة بنية تحتية جديدة
عادت مسيرة يانغ تشينغ جيا المهنية مراراً إلى البنية التحتية.
يشتهر بإنشاء Caffe أثناء وجوده في جامعة كاليفورنيا بيركلي، وعمل لاحقاً على جهود رئيسية للبنية التحتية للذكاء الاصطناعي بما في ذلك PyTorch وONNX.
بعد مغادرته Alibaba في عام 2023، شارك جيا في تأسيس Lepton AI، وهي شركة تركز على تسهيل الحوسبة بنظام GPU ونشر النماذج للمطورين.
كان العرض الأصلي لـ Lepton يجمع بين تجربة مطور أصلية بلغة Python مع بنية تحتية قادرة على تشغيل أعباء عمل الذكاء الاصطناعي عبر مزودي GPU متعددين.
استحوذت NVIDIA على الشركة في عام 2025 في صفقة وُصفت علناً آنذاك بأنها قيمتها مئات الملايين من الدولارات. وقد وضعت تقارير صناعية لاحقة الرقم عند حوالي 700 مليون دولار، على الرغم من أن NVIDIA لم تنشر سعر الاستحواذ النهائي.
أصبحت تقنية Lepton جزءاً من NVIDIA DGX Cloud Lepton.
تصف NVIDIA حاليًا DGX Cloud Lepton بأنها منصة نشطة توحّد الحوسبة عبر وحدات معالجة الرسومات (GPU) عبر مزودي الخدمات السحابية والبنية التحتية المملوكة للعملاء، وذلك لأغراض التطوير والتدريب والاستدلال.
هذه الحالة الحالية تستحق التوضيح، لأن التعليقات التي تلت رحيل جيا زعمت أن منتج ليبتون الأصلي بأسلوب الشركات الناشئة وطموحاته مفتوحة المصدر لم يصمدا بعد الاستحواذ دون تغيير.
الأدلة العلنية تدعم وصفًا أكثر دقة:
- تم استيعاب شركة ليبتون المستقلة داخل NVIDIA.
- أصبحت علامتها التجارية وتقنياتها جزءًا من DGX Cloud Lepton.
- لا تزال NVIDIA تشغّل وتوثّق DGX Cloud Lepton حتى اليوم.
- لا تزال مكتبة Python العامة وواجهة الأوامر
lepمتاحة. - بعض التوقعات السابقة حول فتح مكوّنات أعمق من المنصة لم تتحقق بالشكل الذي توقعه المراقبون.
شغل جيا لاحقًا منصب نائب رئيس NVIDIA لبرمجيات النظام قبل مغادرته الشركة في عام 2026.
توقف قصير عند Hyperbolic
في يوليو 2026، أعلنت Hyperbolic أن جيا انضم إلى شركة البنية التحتية لوحدات معالجة الرسومات كمستشار.
وصفت Hyperbolic خلفيته في Caffe وONNX وPyTorch وLepton AI وNVIDIA وGoogle وFacebook وAlibaba Cloud بأنها ذات صلة خاصة بعملها في الوصول إلى وحدات معالجة الرسومات والبنية التحتية.
تبيّن أن هذا الدور لم يكن خطوته الرئيسية التالية.
في 29 يوليو، قدّم جيا علنًا Intent Lab.
كان إطاره مختلفًا عن Lepton AI.
ركّزت ليبتون على منح المطورين وصولًا أسهل إلى قوة الحوسبة.
تركز Intent Lab على منح نظام هندسي مستقل القدرة على إنشاء وصيانة البرمجيات التي تعمل على تلك القوة الحاسوبية.
لخّص جيا هذا التحول قائلًا إن فرقه قضت مسيرتها المهنية في بناء أنظمة كبيرة بعناية واحدًا تلو الآخر. ما يثير اهتمامهم الآن هو نظام قادر على إنتاج العديد من هذه الأنظمة.
Fleet هو المنتج وراء العروض التوضيحية الثلاثة
تسمّي Intent Lab نظامها الهندسي المستقل Fleet.
تصف الشركة هذا النظام بأنه فريق وليس وكيل برمجة واحدًا.
هذا التمييز مهم.
يمكن لوكيل البرمجة النموذجي تحرير الملفات، وتشغيل الأوامر، وإصلاح الاختبارات، والبحث في المستودع، وتنفيذ ميزة.
يُقدَّم Fleet كنظام قادر على تنسيق عملية هندسية أطول.
الهدف المعلن لـ Intent Lab هو تغطية العمل المطلوب للانتقال من طلب عالي المستوى إلى نظام إنتاجي بمقاييس قابلة للقياس
السلوك، والتحقق، ومسار نحو التحسين المستمر.
تم اختيار العروض التوضيحية الثلاثة الأولى لاختبار هذا الادعاء عبر مجالات هندسية مختلفة تمامًا.
العرض التوضيحي الأول: تحسين GLM-5.2 بما يتجاوز TensorRT-LLM القياسي
أكثر نتائج الإطلاق إثارة من الناحية التقنية هو محرك استدلال GLM-5.2.
كانت التعليمات الأولية في الأساس هدفًا هندسيًا واحدًا:
أعد هندسة TensorRT-LLM بحيث يعمل GLM-5.2 بكفاءة على عقد Grace Blackwell،
وحدد فرص التحسين، ونفذها، وتحقق منها بشكل مستقل.
TensorRT-LLM هو بالفعل مجموعة الاستدلال الموجهة للإنتاج من NVIDIA لنماذج اللغات الكبيرة.
توثق NVIDIA ميزات مثل الخدمة متعددة وحدات معالجة الرسومات ومتعددة العقد، والتجميع أثناء الطيران، والتخزين المؤقت للـ KV بصفحات، والقياس الكمي، والنوى المحسّنة، وبيئات تشغيل Python و C++.
لذا فإن تحسين الأداء فوق هذه المجموعة يعد هدفًا أكثر تطلبًا من تحسين تنفيذ مرجعي غير محسّن.
مختبر Intent Lab يبلغ عن زيادة 6.3 أضعاف في سرعة الإخراج
يقول مختبر Intent Lab إن Fleet بدأ مع TensorRT-LLM القياسي بحوالي:
102 رمزًا/ثانية
وصلت بيئة التشغيل المحسّنة إلى:
161 رمزًا/ثانية
بعد إضافة مسار فك الترميز التخميني المحسّن من الشركة، يُقال إن النظام وصل إلى:
647 رمزًا/ثانية
أي ما يقارب 6.3 أضعاف سرعة الإخراج الأصلية.
يقول مختبر Intent Lab إن المعيار استخدم عقدتي Grace Blackwell.
تقسم الشركة أعمال الأداء إلى أربع فئات.
تحسين النوى: +24٪
يُقال إن Fleet طبّق دمج النوى وولّد مسارات PTX/SASS منخفضة المستوى للتحكم على مستوى التعليمات.
تحسين بيئة التشغيل: +16٪
يقول مختبر Intent Lab إن بيئة التشغيل أزالت نسخ البيانات الوصفية المتكررة من المضيف إلى الجهاز من فك الترميز في الحالة المستقرة من خلال تجميع H2D وتقنيات النسخ الصفري.
تحسين الاتصالات: +18٪
يُقال إن Fleet استخدم مسار تخفيض شامل مدمج MNNVL يدمج الإضافة المتبقية وRMSNorm في العملية الجماعية.
فك الترميز التخميني: حوالي 4 أضعاف
أكبر مكسب فردي جاء من فك الترميز التخميني.
يقول مختبر Intent Lab إن مسودة DSpark المحسّنة تقترح عدة رموز ويقوم النموذج الرئيسي بالتحقق منها على دفعات، مما يزيد إنتاجية فك الترميز بشكل كبير.
أفادت الشركة بأن النتيجة الشاملة من البداية إلى النهاية هي تحسين بنسبة 534٪ مقارنة بالخط الأساسي القياسي.
هذه الأرقام هي قياسات مختبر Intent Lab الخاصة. يمكن أن يؤثر تكوين الأجهزة، وتفاصيل عبء العمل، وإعدادات الدفعات، وطول المخرجات، والدقة، والتزامن، وتحديثات البرامج بشكل كبير على معايير الاستدلال.
حلقة تحسين Fleet تبدو وكأنها فريق أكثر من كونها تمريرة واحدة
يقول مختبر Intent Lab إن Fleet يتبع حلقة هندسية متكررة:
- تحليل Roofline
- تحديد الاختناقات
- الاقتراح
- التحقق
- التراكم
- العودة إلى الاختناق التالي
إذا كان تحسين مقترح
يفشل التحقق من الصحة، فيعود النظام ويحاول مرة أخرى.
خطوة "الدمج" مهمة لأن هندسة الأداء غالبًا ما تفشل عندما تتداخل التحسينات الناجحة بشكل فردي مع بعضها البعض.
صُمم Fleet للاحتفاظ بالتغييرات فقط بعد التحقق من أن النظام المُدمج لا يزال يعمل.
لماذا يُعد GLM-5.2 هدفًا صعبًا
GLM-5.2 هو النموذج الرئيسي لشركة Z.ai للمهام طويلة المدى.
تُبرز بطاقة النموذج الرسمية نافذة سياق تصل إلى مليون رمز، ومهام الترميز والوكيل طويلة المدى، وجهد استدلال مرن، وبنية انتباه متفرق محسّنة، وأوزان مفتوحة بموجب ترخيص MIT.
تشكّل النماذج الكبيرة ذات السياق الطويل وأحمال عمل الوكلاء مشكلات صعبة في الخدمة.
يعتمد أسرع تنفيذ على التفاعلات بين تصميم النواة، وعرض النطاق الترددي للذاكرة، وسلوك KV-cache، وعرض النطاق الترددي للربط البيني، وحجم الدفعة، وفك الترميز التخميني، والقياس الكمي، وجدولة المضيف، وعمليات الاتصال الجماعية.
وهذا يجعل تحسين الاستدلال اختبارًا مفيدًا للإجهاد لنظام هندسي مستقل.
العرض الثاني: قاعدة بيانات متوافقة مع SQLite من متطلب واحد
ينتقل المشروع العام الثاني لـ Fleet بعيدًا عن نوى GPU تمامًا.
طلب Intent Lab من النظام بناء محرك قاعدة بيانات SQL متوافق مع SQLite.
تُظهر المادة الإعلانية متطلبًا يعادل:
بناء محرك قاعدة بيانات SQL متوافق مع SQLite،
بمعنى أنه يمكنه اجتياز جميع حالات اختبار sqllogictest،
ويجب أن يكون الأداء مشابهًا أو أفضل.
يقول Intent Lab إن Fleet لم يبدأ من الكود المصدري أو وثائق SQLite.
بدلاً من ذلك، تعامل مع سلوك النظام الحالي ومجموعة الاختبارات كعقد قبول.
ذكرت الشركة أن النظام النهائي اجتاز حوالي ستة ملايين اختبار توافق مع SQLite.
هذا الرقم صادر عن Intent Lab ولم يتم التحقق منه بشكل مستقل لهذه المقالة.
Fleet واحد، وأدوار هندسية متعددة
يصور Intent Lab بناء قاعدة البيانات كأدوار متعددة تعمل طوال المشروع:
- اتخاذ القرار.
- البنية المعمارية.
- البرمجة.
- الاختبار.
- المراجعة.
- ضمان الجودة.
لا تعمل الأدوار ببساطة في تسليم خطي.
يمكن أن تتغير البنية المعمارية بينما يستمر التنفيذ. يستمر الاختبار بينما تُضاف الميزات. تظل المراجعة وضمان الجودة نشطتين مع نمو قاعدة الكود.
تعتمد التكلفة بشكل كبير على النموذج
نشر Intent Lab أيضًا مقارنة للتكاليف.
لنفس عملية بناء قاعدة البيانات، تقول الشركة إن تشغيلًا باستخدام Opus 4.8 كلّف حوالي 2000 دولار، بينما كلّف تشغيل باستخدام نماذج مفتوحة المصدر حوالي 350 دولارًا.
الأرقام مبلغ عنها من الشركة وتعتمد على أسعار النماذج، واستهلاك الرموز، وتنسيق الوكلاء، والبنية التحتية.
ومع ذلك، فهي توضح سؤالًا اقتصاديًا رئيسيًا للهندسة القائمة على الوكلاء: ما هي تكلفة مشروع ناجح كامل بدلاً من سعر استدعاء نموذج واحد؟
العرض الثالث: تحقق رسمي
نظام ملفات مُتحقَّق منه للوكلاء
العرض الثالث هو نظام ملفات موزّع يُسمى AgentFS.
تقول Intent Lab إنه صُمم خصيصًا لأحمال عمل الوكلاء في البيئات السحابية.
يميل وكلاء البرمجة والبحث بالذكاء الاصطناعي إلى إنتاج نمط تخزين مميز:
- العديد من البيئات التجريبية المؤقتة.
- أعداد كبيرة من الملفات الصغيرة.
- إنشاء وحذف متكرر.
- تخزين سحابي مشترك.
- تقلّب عالٍ في البيانات الوصفية.
- مستودعات قصيرة العمر.
تقول Intent Lab إنها قامت بتقييم الأنظمة الحالية بما في ذلك Amazon EFS وS3FS، ووجدت قيودًا لهذا النوع من أحمال العمل، فبنَت نظام ملفات جديدًا بدلًا من ذلك.
تدّعي الشركة تسارعًا كبيرًا مقارنةً بالأنظمة الأخرى في العمليات كثيفة البيانات الوصفية.
مرة أخرى، هذه معايير إطلاق من Intent Lab، وليست نتائج طرف ثالث مستقل.
التحقق الرسمي اكتشف خللًا فاته وكيل البرمجة
الجزء الأهم في مثال نظام الملفات ليس مخطط المعايير.
بل هو التحقق.
تقول Intent Lab إن Fleet قام بنمذجة البروتوكولات الأساسية رسميًا واستكشف حوالي 1.9 مليون حالة.
تلك العملية كشفت عن خلل في الكود الذي أنتجه وكيل برمجة.
كان الخلل قد يؤدي إلى حالة تلف عابرة أثناء سلوك الإنشاء/الحذف الموزّع.
تقول Intent Lab إن Fleet أصلح التنفيذ ثم أعاد تشغيل التحقق.
كما تذكر الشركة حوالي 300 اختبار تكامل، بالإضافة إلى حقن الأعطال والاختبار العشوائي مع أعطال مضمّنة ونسخ مكرّرة.
التحقق الرسمي قيّم هنا لأن أنظمة الملفات معرضة بشكل خاص للتداخلات النادرة.
قد تُظهر الاختبارات التقليدية أن المسار الشائع يعمل. أما فاحص النماذج فيستطيع البحث بشكل منهجي عن توليفات من الحالات قد لا تصادفها مجموعات الاختبار العادية أبدًا.
هذا المبدأ راسخ خارج Intent Lab. استخدم باحثو أنظمة الملفات فحص النماذج لعقود لكشف أخطاء اتساق الأعطاب والبيانات الوصفية في أنظمة ناضجة.
الادعاء الجديد هنا هو أن نظامًا هندسيًا مستقلًا يمكنه دمج هذا النوع من التحقق في حلقة البناء الخاصة به.
الطبقة المفقودة بين "الكود الذي يعمل" والبرمجيات الإنتاجية
الحجة المركزية لـ Jia أوسع من أي من العروض الثلاثة.
يمكن للنماذج الحديثة كتابة الكود بسرعة.
لا يعني ذلك أن النتيجة هي برمجيات يمكن لشركة تشغيلها لسنوات.
يجادل بأن الفجوة المتبقية ليست مجرد قفزة أخرى في قدرة النماذج على البرمجة.
بل هي طبقة هندسية حول النموذج.
النظام الإنتاجي يحتاج أكثر من مجرد تنفيذ.
إنه يحتاج إلى متطلبات، وهندسة معمارية، وواجهات،
المقايضات، التنسيق، الاختبار، تحليل الأداء، أعمال الموثوقية، التحقق، معالجة الأخطاء، الصيانة، والتغذية الراجعة من بيئة الإنتاج.
قد يشارك نموذج البرمجة في جميع هذه الأنشطة.
أطروحة Fleet هي أن هذه الأنشطة يجب أن تُنظَّم في نظام واحد مستقل.
Fleet يقسّم الهندسة إلى ست مراحل
تصف Intent Lab عمليتها الهندسية في ست مراحل.
1. الفهم
من المفترض أن يحوّل Fleet النية الغامضة إلى نتيجة ملموسة وقيود ومعايير قبول وتعريفات قابلة للقياس للنجاح.
2. التصميم
يزن Fleet المقايضات ويحدد الواجهات والمكونات والبنية النظامية طويلة الأمد.
3. التنسيق
يقسّم النظام المشروع الكبير إلى مهام، ويدير التبعيات، ويبقي التنفيذ متوافقًا مع التصميم العام.
4. البناء
يتطور التنفيذ والبنية معًا مع ظهور معلومات جديدة أثناء التطوير.
5. التحقق
يمكن أن يشمل التحقق اختبارات الوحدة، واختبارات التكامل، والمعايير، والإثباتات الرسمية، وفحص النماذج، وحقن الأخطاء، والاختبار العشوائي (Fuzzing)، والتحقق أثناء التشغيل.
6. التطور
يُقصَد من Fleet مراقبة أداء الإنتاج وتغذية معلومات حول الاستخدام والموثوقية والتكلفة مرة أخرى إلى التصميم.
هذه هي النقطة التي تمتد فيها طموحات Intent Lab إلى ما هو أبعد من وكيل برمجة مستقل.
الهدف ليس فقط توليد البرمجيات.
بل هو الملكية المستقلة للبرمجيات.
"فريق هندسي ذو مبادئ" هو الاستعارة المنتج
تصف Intent Lab نظام Fleet بأنه يعمل مثل فريق هندسي ذي مبادئ.
هذه استعارة مفيدة لأنه لا يوجد عضو واحد في منظمة هندسية قوية مسؤول عن كل الاهتمامات.
قد يحسّن مهندس ما النوى (Kernels). وقد يصمم آخر بروتوكول تخزين. ويحافظ شخص آخر على المعايير. ويراجع شخص آخر الموثوقية.
يحاول Fleet تحويل هذه المسؤوليات إلى أدوار عوامل منسقة.
السؤال الصعب إذن ليس فقط ما إذا كان نموذج اللغة الكبير (LLM) قادرًا على كتابة كود عالي الجودة.
بل هو ما إذا كانت عمليات مستقلة متعددة قادرة على الحفاظ على بنية نظامية متماسكة أثناء بناء واختبار وتحسين والتحقق من ومراجعة نفس المشروع على مدى أفق زمني طويل.
الحجة الاقتصادية: يمكن للبرمجيات أن تصبح أكثر تخصيصًا
يقدّم Jia أيضًا حجة اقتصادية.
لعقود، كان لتطوير البرمجيات تكلفة ثابتة كبيرة.
كانت الاستراتيجية العقلانية هي بناء منتج واحد، وبيعه للعديد من المستخدمين، وطلب المستخدمين ذوي الاحتياجات المختلفة بالتأقلم مع نفس البرنامج.
إذا قلل الهندسة المستقلة التكلفة الثابتة لبناء وصيانة نظام، فإن هذه المعادلة تتغير.
قد تتمكن شركة من تبرير برمجيات لمجموعة أصغر من المستخدمين.
يمكن لفريق داخلي بناء نظام لسير عمل كان سيظل في قائمة الانتظار لسنوات.
يمكن لفريق البنية التحتية إنشاء محرك متخصص بدلاً من قبول قيود منتج عام.
تقول Intent Lab إنها تخطط للعمل مع منظمات خارجية في هذا النوع من المشاريع: أنظمة ذات قيمة هندسية كبيرة أجّلت الشركات تنفيذها لأن العمل المطلوب كبير جداً.
هذا ليس نفس "أمر واحد يبني أي تطبيق"
يمكن بسهولة اختزال العروض التجريبية للإطلاق في عنوان واسع الانتشار:
جملة واحدة أنشأت قاعدة بيانات.
هذا التأطير يتجاهل معظم العمل الذي تدّعي Fleet أنها تقوم به.
مثال قاعدة البيانات يبدأ بمتطلب واحد، لكن النظام ينفذ بعد ذلك عملية هندسية طويلة.
يجب عليه اتخاذ قرارات تصميمية بشكل متكرر، وتوليد الأكواد، وتشغيل الاختبارات، وتشخيص الأعطال، ومراجعة البنية، وفحص السلوك، والتكرار.
يقدم المستخدم نية قصيرة.
الآلة لا تؤدي بالضرورة مهمة قصيرة.
تقييم أفضل يسأل عن مقدار التدخل البشري المطلوب، ومقدار الحوسبة الذي استهلكه التشغيل، وعدد مرات إعادة المحاولة، ومدى جودة التحقق من النتيجة، وما إذا كان فريق آخر قادراً على إعادة إنتاجها، وما إذا كان يمكن صيانة النظام بعد العرض التجريبي.
ما يزال غير مثبت
النتائج الأولى لـ Intent Lab طموحة، لكن المواد العامة تترك أسئلة مهمة مفتوحة.
إعادة الإنتاج المستقل
نتيجة الاستدلال 6.3×، وعدد اختبارات SQLite، وأداء AgentFS، وأرقام التحقق الرسمي هي أرقام أعلنتها الشركة.
إعادة الإنتاج المستقل من شأنها أن تجعل الادعاءات أقوى بشكل كبير.
بنية Fleet
لم توثق Intent Lab علناً تفاصيل كافية لإعادة بناء Fleet نفسها.
ليس من الواضح بعد أي النماذج الأساسية تُستخدم لكل دور، وكيف تشارك الوكلاء الحالة، وكيف تُجدول المهام، وكيف تُحل النزاعات، وكيف تُخزن المواصفات، أو مقدار الإشراف البشري المتبقي المتاح.
ملكية الإنتاج
بناء نظام بجودة المعايير ليس مماثلاً لتشغيله لسنوات.
مرحلة "التطور" قد تكون الجزء الأصعب في الفرضية لأن مالك الإنتاج يجب أن يتعامل مع تصحيحات الأمان، وتغييرات التبعيات، وتحولات العتاد، والحوادث، وتغيرات التكلفة، وطلبات الميزات، والتوافق العكسي.
الجوانب الاقتصادية
الهندسة المستقلة يمكن أن تكون أرخص من فريق بشري لبعض المهام بينما تستهلك في الوقت نفسه قدراً كبيراً من الاستدلال والحوسبة.
مثال قاعدة البيانات الخاص بـ Intent Lab يُظهر أن اختيار النموذج يمكن أن يغير التكلفة الإجمالية للمشروع عدة مرات.
طريقة أكثر دقة للتفكير في Intent Lab
Intent Lab ليست مجرد شركة ناشئة أخرى لوكلاء البرمجة.
فرضيتها أقرب إلى هندسة الأنظمة المستقلة.
الوحدة المستهدفة من العمل ليست إكمال كود أو طلب سحب.
إنها نظام إنتاج.
لهذا السبب تبدو الأمثلة الثلاثة الأولى غير مترابطة.
محرك استدلال، وقاعدة بيانات، ونظام ملفات يشتركون قليلاً على مستوى المنتج.
لكنهم يشتركون في نمط هندسي:
نية
→ مواصفات
→ بنية
→
التنفيذ المنسق
→ القياس
→ التحقق
→ التكرار
→ تطور الإنتاج
من المقرر أن تقوم Fleet بأتمتة هذا النمط.
ما إذا كان بإمكانها القيام بذلك بشكل موثوق عبر العديد من الشركات الحقيقية يظل سؤالًا مفتوحًا.
لكن الطموح واضح.
الأسئلة الشائعة
ما هو Intent Lab؟
Intent Lab هو بنية تحتية جديدة للذكاء الاصطناعي وشركة هندسة ذاتية التشغيل شارك في تأسيسها يانغ تشينغ جيا ومهندسو أنظمة آخرون ذوو خبرة. منتجه الأول، Fleet، مصمم لتحويل النوايا البرمجية عالية المستوى إلى أنظمة جاهزة للإنتاج.
ما هو Fleet؟
Fleet هو نظام الهندسة الذاتية التشغيل من Intent Lab. تصفه الشركة بأنه فريق من الوكلاء المنسقين الذين يمكنهم فهم المتطلبات، وتصميم البنية، وبناء الكود، والتحقق من النتائج، ومواصلة تطوير البرمجيات بعد النشر.
هل جعل Fleet حقًا استدلال GLM-5.2 أسرع بمقدار 6.3 مرات؟
أفادت Intent Lab أن محرك GLM-5.2 المحسّن لديها زاد سرعة الإخراج من 102 رمزًا في الثانية على TensorRT-LLM القياسي إلى 647 رمزًا في الثانية على عقدتي Grace Blackwell. الرقم هو معيار تم الإبلاغ عنه من قبل الشركة ولم يتم إعادة إنتاجه بشكل مستقل في المصادر التي تمت مراجعتها هنا.
هل بنى Fleet قاعدة بيانات من موجه واحد؟
تقول Intent Lab إن متطلب قاعدة البيانات الأولي كان موجهًا واحدًا يطلب محرك SQL متوافقًا مع SQLite. ثم قام Fleet بشكل ذاتي بإجراء البنية والبرمجة والاختبار والمراجعة وضمان الجودة حتى تقول الشركة إن النظام اجتاز ما يقرب من ستة ملايين اختبار توافق.
ما هو AgentFS؟
AgentFS هو نظام ملفات موزع تم إنشاؤه في العرض التوضيحي الثالث لإطلاق Intent Lab. وهو محسّن لأحمال عمل الوكلاء الذكيين التي تتضمن العديد من البيئات الرملية والملفات الصغيرة، وتقول Intent Lab إن بروتوكولاته الأساسية تم التحقق منها من خلال التحقق الرسمي من النماذج.
ما الفرق بين Fleet ووكيل البرمجة العادي؟
يعمل وكيل البرمجة العادي عادةً على تغييرات الكود داخل مشروع قائم. بينما يهدف Fleet إلى تنسيق دورة حياة هندسة أنظمة كاملة تشمل تعريف المتطلبات، والبنية، والتنفيذ، وأداء العمل، والتحقق الرسمي، واختبار الأعطال، وتطور الإنتاج.
هل Fleet مفتوح المصدر؟
شاركت Intent Lab العروض التوضيحية وأطروحة منتجاتها علنًا، لكن المصادر التي تمت مراجعتها لهذه المقالة لا تظهر إصدارًا عامًا لنظام تنسيق Fleet الكامل. تحقق من الموقع الرسمي لـ Intent Lab لمعرفة أحدث التوفر.
هل لا يزال NVIDIA DGX Cloud Lepton يعمل؟
نعم. تحتفظ NVIDIA حاليًا بصفحات المنتجات والوثائق لـ DGX Cloud Lepton، بما في ذلك أحمال العمل ومجموعات العقد ونقاط النهاية وDev Pods والوظائف الدفعية ووظيفة الحوسبة الخاصة بك. هذا منفصل عن الجدل حول مدى قرب منتج NVIDIA من الحفاظ على خارطة طريق شركة Lepton AI الأصلية.
الأدوات ذات الصلة
- Intent Lab: الشركة التي تبني Fleet، نظام هندسة ذاتية التشغيل لتحويل النوايا إلى برمجيات إنتاجية.
- NVIDIA TensorRT-LLM: إطار NVIDIA الإنتاجي للاستدلال لتحسين وخدمة نماذج اللغات الكبيرة على وحدات معالجة الرسومات من NVIDIA.
- TensorRT-LLM على GitHub: المستودع مفتوح المصدر لحزمة استدلال نماذج اللغات الكبيرة من NVIDIA.
GLM-5.2: نموذج Z.ai مفتوح الأوزان طويل الأفق المستخدم في عرض محرك الاستدلال في مختبر Intent Lab.
- NVIDIA DGX Cloud Lepton: منصة NVIDIA لبناء ونشر أعباء العمل الخاصة بالذكاء الاصطناعي عبر شبكة من مزودي الحوسبة عبر وحدات معالجة الرسوميات.
- SQLite: قاعدة البيانات التي استُخدمت اختبارات سلوكها وتوافقها كهدف لعرض Fleet لقاعدة البيانات.
روابط ذات صلة
- Intent Lab: حوّل نيتك إلى أنظمة إنتاجية: مقال الإطلاق الرسمي لمختبر Intent Lab والمصدر لعروض Fleet.
- إعلان Yangqing Jia عن مختبر Intent: منشور Jia العام الذي يقدّم فيه مختبر Intent Lab وأطروحته حول الهندسة الذاتية.
- وثائق NVIDIA DGX Cloud Lepton: الوثائق الرسمية الحالية للمنصة التي نشأت من تقنية Lepton AI.
- إطلاق NVIDIA DGX Cloud Lepton: إعلان NVIDIA لعام 2025 الذي يصف DGX Cloud Lepton وسوق وحدات معالجة الرسوميات العالمي الخاص بها.
- بطاقة نموذج GLM-5.2 الرسمية: المواصفات الرسمية ووثائق النموذج من Z.ai.
- وثائق NVIDIA TensorRT-LLM: الوثائق الرسمية للبنية المعمارية والتركيب والتحسين ووقت التشغيل والنشر.
- USENIX: استخدام فحص النماذج للعثور على أخطاء خطيرة في أنظمة الملفات: مثال كلاسيكي على سبب فائدة فحص النماذج الرسمي في العثور على حالات فشل نادرة في صحة أنظمة الملفات.
ملخص
تبني شركة Yangqing Jia الجديدة، Intent Lab، نظام Fleet حول وحدة مختلفة من العمل في الذكاء الاصطناعي: ليس توليد التعليمات البرمجية، بل دورة حياة النظام الإنتاجي الكاملة.
تغطي عروضها الأولى تحسين استدلال GLM-5.2، وقاعدة بيانات متوافقة مع SQLite، ونظام ملفات موزّع تم التحقق منه رسميًا. يبلغ مختبر Intent Lab عن تسريع الاستدلال بمقدار 6.3 أضعاف، وما يقرب من ستة ملايين اختبار لتوافق قاعدة البيانات، وفحص نماذج عبر حوالي 1.9 مليون حالة لنظام الملفات.
الفكرة المشتركة هي حلقة هندسية من ست مراحل—الفهم، والتصميم، والتنسيق، والبناء، والتحقق، والتطوير—تحاول إعادة إنتاج مسؤوليات مؤسسة هندسية قوية باستخدام وكلاء مستقلين.
النتائج لا تزال مبكرة ومعظمها مُبلَّغ عنها ذاتيًا، لذا فإن قابلية إعادة الإنتاج والتشغيل الإنتاجي طويل الأجل يظلان الاختبار الحقيقي.
أهم ادعاء لـ Fleet ليس أن الذكاء الاصطناعي يمكنه كتابة التعليمات البرمجية من جملة واحدة؛ بل أن نظامًا مستقلًا يمكنه تحمّل مسؤولية العمل الهندسي بين جملة وبرنامج يستحق التشغيل لسنوات.