Yangqing Jia Lancia Intent Lab: Fleet Trasforma Prompt di una Sola Riga in Sistemi di Produzione
Poco più di un anno dopo che Lepton AI è entrata a far parte di NVIDIA, Yangqing Jia ricomincia da capo. La sua nuova azienda, Intent Lab, non esordisce con un chatbot convenzionale o un mercato cloud
Yangqing Jia Lancia Intent Lab: Fleet Trasforma Richieste in Una Righe in Sistemi di Produzione
Introduzione
Poco più di un anno dopo che Lepton AI è entrata a far parte di NVIDIA, Yangqing Jia ricomincia da capo.
La sua nuova azienda, Intent Lab, non viene lanciata con il classico chatbot, un marketplace cloud o un IDE per sviluppatori. L'azienda sta invece costruendo Fleet, che descrive come un team di ingegneria autonomo in grado di trasformare un'intenzione di alto livello in software pronto per la produzione.
La prima dimostrazione pubblica di Intent Lab include tre sistemi molto diversi tra loro:
- Un motore di inferenza GLM-5.2 ottimizzato oltre il TensorRT-LLM standard.
- Un database compatibile con SQLite costruito a partire da un requisito di una riga.
- Un file system distribuito per agenti AI con verifica formale e test sui guasti.
A prima vista, i progetti non sembrano appartenere a un'unica categoria di prodotto.
Ed è proprio questo il punto.
Intent Lab afferma che il prodotto vero e proprio è il sistema di ingegneria che sta dietro a questi progetti. Fleet è pensato per svolgere il lavoro che intercorre tra una richiesta software vaga e un sistema che può essere valutato con benchmark, verificato, gestito e fatto evolvere in produzione.
I primi dati sulle prestazioni riportati in questo articolo provengono dai materiali di lancio di Intent Lab. Si tratta di dimostrazioni promettenti, non di certificazioni di benchmark indipendenti. L'azienda non ha ancora pubblicato dettagli di riproducibilità sufficienti affinché team esterni possano confermare ogni risultato in condizioni identiche.
Yangqing Jia Avvia un'Altra Azienda di Infrastrutture
La carriera di Yangqing Jia è tornata più volte al settore delle infrastrutture.
È noto soprattutto per aver creato Caffe durante il periodo a UC Berkeley e per aver successivamente lavorato a importanti progetti di infrastruttura AI, tra cui PyTorch e ONNX.
Dopo aver lasciato Alibaba nel 2023, Jia ha co-fondato Lepton AI, un'azienda focalizzata sul rendere più semplice per gli sviluppatori l'uso del calcolo GPU e del deploy dei modelli.
La proposta iniziale di Lepton combinava un'esperienza per sviluppatori nativa in Python con un'infrastruttura in grado di eseguire carichi di lavoro AI su più provider GPU.
L'azienda è stata acquisita da NVIDIA nel 2025 in un accordo che all'epoca fu descritto pubblicamente come di valore pari a centinaia di milioni di dollari. Successivi report del settore hanno indicato la cifra in circa 700 milioni di dollari, sebbene NVIDIA non abbia pubblicato un prezzo di acquisizione definitivo.
La tecnologia di Lepton è diventata parte di NVIDIA DGX Cloud Lepton.
NVIDIA descrive attualmente DGX Cloud Lepton come una piattaforma attiva che unifica il calcolo GPU su più provider cloud e infrastrutture di proprietà del cliente per sviluppo, training e inferenza.
Questo stato attuale merita di essere chiarito perché i commenti successivi alla partenza di Jia sostenevano che il prodotto originale in stile startup di Lepton e le sue ambizioni open-source non fossero sopravvissuti invariati all'acquisizione.
Le evidenze pubbliche supportano una descrizione più attenta:
- La società autonoma Lepton è stata assorbita da NVIDIA.
- Il suo marchio e la sua tecnologia sono diventati parte di DGX Cloud Lepton.
- NVIDIA opera e documenta ancora oggi DGX Cloud Lepton.
- La libreria pubblica Python e la CLI
leprimangono disponibili. - Alcune precedenti aspettative riguardo all'open-source di componenti più profondi della piattaforma non sono mai state realizzate nella forma che gli osservatori si aspettavano.
Jia ha successivamente ricoperto il ruolo di vicepresidente del software di sistema di NVIDIA prima di lasciare l'azienda nel 2026.
Una breve tappa a Hyperbolic
Nel luglio 2026, Hyperbolic ha annunciato che Jia era entrato a far parte dell'azienda di infrastrutture GPU come consulente.
Hyperbolic ha descritto il suo background tra Caffe, ONNX, PyTorch, Lepton AI, NVIDIA, Google, Facebook e Alibaba Cloud come particolarmente rilevante per il suo lavoro sull'accesso e l'infrastruttura GPU.
Quel ruolo si è rivelato non essere la sua mossa principale successiva.
Il 29 luglio, Jia ha presentato pubblicamente Intent Lab.
La sua impostazione era diversa da quella di Lepton AI.
Lepton si concentrava sul dare agli sviluppatori un accesso più facile al calcolo.
Intent Lab è focalizzato sul dare a un sistema di ingegneria autonomo la capacità di creare e mantenere il software che gira su quel calcolo.
Jia ha sintetizzato il cambiamento dicendo che i suoi team avevano trascorso le loro carriere costruendo con cura grandi sistemi uno alla volta. Ciò che ora li interessava era un sistema capace di produrre molti di questi sistemi.
Fleet è il prodotto dietro le tre demo
Intent Lab chiama il suo sistema di ingegneria autonomo Fleet.
L'azienda lo descrive come un team piuttosto che come un singolo agente di codifica.
La distinzione è importante.
Un tipico agente di codifica può modificare file, eseguire comandi, correggere test, cercare in un repository e implementare una funzionalità.
Fleet è presentato come un sistema in grado di coordinare un processo di ingegneria più lungo.
L'obiettivo dichiarato di Intent Lab è coprire il lavoro necessario per passare da una richiesta ad alto livello a un sistema di produzione con risultati misurabili
comportamento, verifica e un percorso di miglioramento continuo.
Le prime tre dimostrazioni sono state scelte per testare questa affermazione in ambiti ingegneristici molto diversi tra loro.
Demo Uno: Ottimizzazione di GLM-5.2 Oltre lo Stock TensorRT-LLM
Il risultato tecnicamente più sorprendente del lancio è un motore di inferenza GLM-5.2.
L'istruzione iniziale era essenzialmente un obiettivo ingegneristico:
Riprogettare TensorRT-LLM affinché GLM-5.2 funzioni in modo efficiente sui nodi Grace Blackwell,
identificare le opportunità di ottimizzazione, implementarle e verificarle in modo autonomo.
TensorRT-LLM è già lo stack di inferenza orientato alla produzione di NVIDIA per i modelli linguistici di grandi dimensioni.
NVIDIA documenta funzionalità come il serving multi-GPU e multi-nodo, il batching in volo, la cache KV paginata, la quantizzazione, i kernel ottimizzati e i runtime Python e C++.
Migliorare le prestazioni su questo stack è quindi un obiettivo più impegnativo rispetto all'ottimizzazione di un'implementazione di riferimento non ottimizzata.
Intent Lab Riferisce un Aumento di 6,3× della Velocità di Output
Intent Lab afferma che Fleet è partito con TensorRT-LLM stock a circa:
102 token/s
Un runtime ottimizzato ha raggiunto:
161 token/s
Dopo aver aggiunto il percorso di decodifica speculativa ottimizzato dell'azienda, il sistema ha apparentemente raggiunto:
647 token/s
Si tratta di circa 6,3× la velocità di output originale.
Intent Lab afferma che il benchmark ha utilizzato due nodi Grace Blackwell.
L'azienda suddivide il lavoro sulle prestazioni in quattro categorie.
Ottimizzazione dei Kernel: +24%
Fleet ha apparentemente applicato la fusione dei kernel e generato percorsi PTX/SASS a basso livello per un controllo a livello di istruzioni.
Ottimizzazione del Runtime: +16%
Intent Lab afferma che il runtime ha eliminato le copie ripetute dei metadati da host a dispositivo dalla decodifica a regime, attraverso il batching H2D e tecniche zero-copy.
Ottimizzazione della Comunicazione: +18%
Fleet ha apparentemente utilizzato un percorso all-reduce MNNVL fuso che incorpora l'addizione residua e RMSNorm nell'operazione collettiva.
Decodifica Speculativa: Circa 4×
Il miglioramento individuale più grande è arrivato dalla decodifica speculativa.
Intent Lab afferma che un drafter DSpark ottimizzato propone diversi token e il modello principale li verifica in batch, aumentando significativamente il throughput di decodifica.
L'azienda riporta il risultato end-to-end completo come un miglioramento del 534% rispetto alla sua baseline stock.
Queste cifre sono misurazioni proprie di Intent Lab. La configurazione hardware, i dettagli del carico di lavoro, le impostazioni del batch, la lunghezza dell'output, la precisione, la concorrenza e le revisioni del software possono influenzare materialmente i benchmark di inferenza.
Il Loop di Ottimizzazione di Fleet Assomiglia Più a un Team che a un Singolo Passaggio
Intent Lab afferma che Fleet segue un loop ingegneristico ripetuto:
- Analisi Roofline
- Identificazione dei colli di bottiglia
- Proposta
- Verifica
- Composizione
- Ritorno al collo di bottiglia successivo
Se un'ottimizzazione proposta
se la validazione fallisce, il sistema torna indietro e riprova.
Il passaggio "composito" è importante perché l'ingegneria delle prestazioni spesso fallisce quando ottimizzazioni individualmente riuscite interferiscono tra loro.
Fleet è progettato per mantenere le modifiche solo dopo aver verificato che il sistema combinato funzioni ancora.
Perché GLM-5.2 È un Obiettivo Impegnativo
GLM-5.2 è il modello di punta di Z.ai per attività a lungo orizzonte.
La sua scheda tecnica ufficiale evidenzia una finestra di contesto di un milione di token, attività di codifica e agenti a lungo orizzonte, sforzo di ragionamento flessibile, un'architettura di attenzione sparsa migliorata e pesi aperti con licenza MIT.
I modelli di grandi dimensioni con contesto lungo e attività da agente creano problemi di servizio difficili.
L'implementazione più veloce dipende dalle interazioni tra progettazione dei kernel, larghezza di banda della memoria, comportamento della cache KV, larghezza di banda dell'interconnessione, dimensione del batch, decodifica speculativa, quantizzazione, pianificazione dell'host e collettivi di comunicazione.
Ciò rende l'ottimizzazione dell'inferenza uno stress test utile per un sistema di ingegneria autonomo.
Demo Due: Un Database Compatibile con SQLite da un Singolo Requisito
Il secondo progetto pubblico di Fleet si allontana completamente dai kernel GPU.
Intent Lab ha chiesto al sistema di costruire un motore di database SQL compatibile con SQLite.
Il materiale di lancio mostra un requisito equivalente a:
Costruisci un motore di database SQL compatibile con SQLite,
nel senso che deve superare TUTTI i casi di test sqllogictest,
e le prestazioni devono essere comparabili o migliori.
Intent Lab afferma che Fleet non è partito dal codice sorgente o dalla documentazione di SQLite.
Invece, ha trattato il comportamento del sistema esistente e il corpus di test come contratto di accettazione.
L'azienda riferisce che il sistema finale ha superato circa sei milioni di test di compatibilità SQLite.
Tale cifra proviene da Intent Lab e non è stata riprodotta in modo indipendente per questo articolo.
Una Flotta, Molti Ruoli Ingegneristici
Intent Lab visualizza la costruzione del database come più ruoli che lavorano durante tutto il progetto:
- Processo decisionale.
- Architettura.
- Codifica.
- Test.
- Revisione.
- QA.
I ruoli non operano semplicemente in un passaggio lineare.
L'architettura può cambiare mentre l'implementazione procede. I test continuano mentre vengono aggiunte funzionalità. Revisione e QA rimangono attivi mentre il codebase cresce.
Il Costo Dipende Fortemente dal Modello
Intent Lab ha anche pubblicato un confronto dei costi.
Per la stessa costruzione del database, l'azienda afferma che un'esecuzione con Opus 4.8 è costata circa $2.000, mentre un'esecuzione con modelli open-source è costata circa $350.
Le cifre sono riportate dall'azienda e dipendono dai prezzi dei modelli, dal consumo di token, dall'orchestrazione degli agenti e dall'infrastruttura.
Tuttavia, illustrano una grande questione economica per l'ingegneria basata su agenti: qual è il costo di un progetto completo e riuscito, piuttosto che il prezzo di una singola chiamata al modello?
Demo Tre: Una Formalmente
Sistema di File Verificato per Agenti
La terza dimostrazione è un sistema di file distribuito chiamato AgentFS.
Intent Lab afferma che sia stato progettato specificamente per i carichi di lavoro degli agenti in ambienti cloud.
Gli agenti di codifica e ricerca IA tendono a creare un modello di archiviazione distintivo:
- Molte sandbox temporanee.
- Grandi quantità di file di piccole dimensioni.
- Creazione ed eliminazione frequenti.
- Archiviazione cloud condivisa.
- Elevato turnover di metadati.
- Repository di breve durata.
Intent Lab dichiara di aver valutato sistemi esistenti come Amazon EFS e S3FS, di aver riscontrato limitazioni per questo tipo di carico di lavoro e di aver costruito un nuovo sistema di file.
L'azienda afferma miglioramenti significativi in termini di velocità rispetto ai sistemi confrontati per le operazioni intensive di metadati.
Ancora una volta, questi sono benchmark di lancio di Intent Lab, non risultati indipendenti di terze parti.
La Verifica Formale ha Trovato un Bug che l'Agente di Codifica Non Ha Visto
La parte più importante dell'esempio del sistema di file non è il grafico dei benchmark.
È la verifica.
Intent Lab afferma che Fleet ha modellato formalmente i protocolli principali ed esplorato circa 1,9 milioni di stati.
Questo processo ha scoperto un bug nel codice prodotto da un agente di codifica.
Il bug potrebbe portare a uno stato corrotto transitorio durante il comportamento distribuito di creazione/eliminazione.
Intent Lab afferma che Fleet ha poi corretto l'implementazione e ha rieseguito la verifica.
L'azienda segnala anche circa 300 test di integrazione, oltre a iniezione di guasti e fuzzing con crash e repliche iniettati.
La verifica formale è preziosa qui perché i sistemi di file sono particolarmente vulnerabili a interleaving rari.
I test tradizionali possono mostrare che il percorso comune funziona. Un model checker può cercare sistematicamente combinazioni di stati che le suite di test ordinarie potrebbero non incontrare mai.
Questo principio è ben consolidato al di fuori di Intent Lab. I ricercatori di sistemi di file utilizzano il model checking da decenni per esporre bug di coerenza in caso di crash e di metadati in sistemi maturi.
La nuova affermazione qui è che un sistema di ingegneria autonomo può incorporare questo stile di verifica nel proprio ciclo di sviluppo.
Il Livello Mancante Tra "Codice che Funziona" e Software di Produzione
L'argomentazione centrale di Jia è più ampia di una qualsiasi delle tre demo.
I modelli moderni possono scrivere codice rapidamente.
Ciò non significa che il risultato sia software che un'azienda dovrebbe gestire per anni.
Egli sostiene che il divario rimanente non è semplicemente un altro salto nella capacità di codifica dei modelli.
È un livello di ingegneria attorno al modello.
Un sistema di produzione richiede più di un'implementazione.
Richiede requisiti, architettura, interfacce,
compromessi, coordinamento, test, analisi delle prestazioni, attività di affidabilità, verifica, gestione dei guasti, manutenzione e feedback dalla produzione.
Un modello di codifica può partecipare a tutte queste attività.
La tesi di Fleet è che debbano essere organizzate in un unico sistema autonomo.
Fleet Suddivide l'Ingegneria in Sei Fasi
Intent Lab descrive il proprio processo di ingegneria in sei fasi.
1. Understand
Si prevede che Fleet trasformi intenti vaghi in risultati concreti, vincoli, criteri di accettazione e definizioni misurabili di successo.
2. Design
Fleet valuta i compromessi e definisce interfacce, componenti e struttura di sistema a lungo termine.
3. Coordinate
Il sistema suddivide un grande progetto in attività, gestisce le dipendenze e mantiene l'implementazione allineata al design complessivo.
4. Build
Implementazione e architettura si evolvono insieme man mano che emergono nuove informazioni durante lo sviluppo.
5. Verify
La verifica può includere test unitari, test di integrazione, benchmark, prove formali, model checking, fault injection, fuzzing e validazione runtime.
6. Evolve
Fleet è progettato per osservare le prestazioni di produzione e reimmettere informazioni su utilizzo, affidabilità e costi nel design.
Questo è il punto in cui l'ambizione di Intent Lab va oltre un agente di codifica autonomo.
L'obiettivo non è solo la generazione di software.
È la proprietà autonoma del software.
"Un Team di Ingegneria Basato su Principi" È la Metafora del Prodotto
Intent Lab descrive Fleet come un sistema che opera come un team di ingegneria basato su principi.
È una metafora utile perché nessun singolo membro di una forte organizzazione ingegneristica è responsabile di ogni aspetto.
Un ingegnere può ottimizzare i kernel. Un altro può progettare un protocollo di storage. Qualcun altro mantiene i benchmark. Un'altra persona revisiona l'affidabilità.
Fleet tenta di trasformare queste responsabilità in ruoli di agenti coordinati.
La domanda difficile, quindi, non è solo se un LLM possa scrivere codice di alta qualità.
È se molteplici processi autonomi possano mantenere un'architettura di sistema coerente mentre costruiscono, testano, ottimizzano, verificano e revisionano lo stesso progetto su un orizzonte temporale lungo.
L'Argomento Economico: Il Software Può Diventare Più Personalizzato
Jia presenta anche un argomento economico.
Per decenni, lo sviluppo software ha avuto un grande costo fisso.
La strategia razionale era costruire un prodotto, venderlo a molti utenti e chiedere a utenti con esigenze diverse di adattarsi allo stesso software.
Se l'ingegneria autonoma riduce il costo fisso di costruire e mantenere un sistema, questa equazione cambia.
Un'azienda potrebbe giustificare l'uso di software per un gruppo più ristretto di utenti.
Un team interno potrebbe costruire un sistema per un flusso di lavoro che altrimenti rimarrebbe in arretrato per anni.
Un gruppo infrastrutturale potrebbe creare un motore specializzato invece di accettare i limiti di un prodotto generico.
Intent Lab dichiara di voler collaborare con organizzazioni esterne su questo tipo di progetti: sistemi con un valore ingegneristico significativo che le aziende hanno rimandato perché il lavoro richiesto è troppo grande.
Questo Non È Come "Un Prompt Crea Qualsiasi App"
Le demo di lancio possono facilmente essere ridotte a un titolo virale:
Una frase ha creato un database.
Questa cornice ignora gran parte del lavoro che Fleet sostiene di svolgere.
L'esempio del database inizia con un singolo requisito, ma il sistema esegue poi un lungo processo ingegneristico.
Deve prendere ripetutamente decisioni di progettazione, generare codice, eseguire test, diagnosticare errori, rivedere l'architettura, esaminare il comportamento e ripetere.
L'utente fornisce una breve intenzione.
La macchina non esegue necessariamente un compito breve.
Una valutazione migliore chiede quanto intervento umano sia stato richiesto, quanta potenza di calcolo sia stata consumata, quanti tentativi siano stati effettuati, quanto bene sia stato verificato il risultato, se un altro team possa riprodurlo e se il sistema possa essere mantenuto dopo la demo.
Cosa Rimane Non Dimostrato
I primi risultati di Intent Lab sono ambiziosi, ma il materiale pubblico lascia aperte importanti domande.
Riproduzione Indipendente
Il risultato di inferenza 6,3×, il conteggio dei test SQLite, le prestazioni di AgentFS e le cifre di verifica formale sono dichiarati dall'azienda.
Una riproduzione indipendente renderebbe le affermazioni sostanzialmente più solide.
Architettura di Fleet
Intent Lab non ha documentato pubblicamente abbastanza dettagli per ricostruire Fleet stesso.
Non è ancora chiaro quali modelli di base siano utilizzati per ogni ruolo, come gli agenti condividano lo stato, come i compiti vengano pianificati, come i conflitti vengano risolti, come vengano memorizzate le specifiche o quanto controllo umano rimanga disponibile.
Gestione della Produzione
Costruire un sistema di qualità da benchmark non equivale a gestirlo per anni.
La fase "Evolve" potrebbe essere la parte più difficile della tesi perché un gestore di produzione deve gestire patch di sicurezza, modifiche alle dipendenze, cambi di hardware, incidenti, variazioni di costo, richieste di funzionalità e compatibilità con le versioni precedenti.
Economia
L'ingegneria autonoma può essere più economica di un team umano per alcuni compiti, pur consumando comunque una notevole potenza di inferenza e calcolo.
L'esempio del database di Intent Lab stesso mostra che la scelta del modello può cambiare il costo totale del progetto di diverse volte.
Un Modo Più Accurato di Pensare a Intent Lab
Intent Lab non è semplicemente un'altra startup di agenti di codice.
La sua tesi è più vicina all'ingegneria dei sistemi autonoma.
L'unità di lavoro target non è un completamento di codice o una richiesta pull.
È un sistema di produzione.
Questo è il motivo per cui i primi tre esempi sembrano non correlati.
Un motore di inferenza, un database e un file system condividono poco a livello di prodotto.
Condividono un modello ingegneristico:
Intent
→ specifica
→ architettura
→
implementazione coordinata
→ misurazione
→ verifica
→ iterazione
→ evoluzione in produzione
Fleet è pensato per automatizzare questo schema.
Se possa farlo in modo affidabile in molte aziende reali rimane una questione aperta.
Ma l'ambizione è chiara.
Domande frequenti
Che cos'è Intent Lab?
Intent Lab è una nuova azienda di infrastruttura AI e ingegneria autonoma co-fondata da Yangqing Jia e altri ingegneri di sistemi esperti. Il suo primo prodotto, Fleet, è progettato per trasformare intenti software di alto livello in sistemi pronti per la produzione.
Che cos'è Fleet?
Fleet è il sistema di ingegneria autonoma di Intent Lab. L'azienda lo descrive come un team di agenti coordinati in grado di comprendere i requisiti, progettare l'architettura, scrivere codice, verificare i risultati e continuare a far evolvere il software dopo il deployment.
Fleet ha davvero reso l'inferenza di GLM-5.2 6,3 volte più veloce?
Intent Lab riferisce che il suo motore GLM-5.2 ottimizzato ha aumentato la velocità di output da 102 token/s su TensorRT-LLM standard a 647 token/s su due nodi Grace Blackwell. Il dato è un benchmark riportato dall'azienda e non è stato ancora riprodotto in modo indipendente nelle fonti esaminate in questo articolo.
Fleet ha creato un database da un singolo prompt?
Intent Lab afferma che il requisito iniziale del database era un singolo prompt che chiedeva un motore SQL compatibile con SQLite. Fleet ha poi eseguito in autonomia architettura, codifica, test, revisione e QA fino a quando l'azienda afferma che il sistema ha superato circa sei milioni di test di compatibilità.
Che cos'è AgentFS?
AgentFS è un file system distribuito creato nella terza dimostrazione di lancio di Intent Lab. È ottimizzato per carichi di lavoro con agenti AI che coinvolgono molti sandbox e piccoli file, e Intent Lab afferma che i suoi protocolli principali sono stati verificati con verifica formale dei modelli.
Qual è la differenza tra Fleet e un normale agente di codifica?
Un normale agente di codifica lavora tipicamente su modifiche al codice all'interno di un progetto esistente. Fleet è pensato per coordinare un ciclo completo di ingegneria dei sistemi, inclusa definizione dei requisiti, architettura, implementazione, ottimizzazione delle prestazioni, verifica formale, test di guasto ed evoluzione in produzione.
Fleet è open source?
Intent Lab ha condiviso pubblicamente dimostrazioni e la sua tesi di prodotto, ma le fonti esaminate per questo articolo non mostrano un rilascio pubblico del sistema completo di orchestrazione Fleet. Controlla il sito ufficiale di Intent Lab per la disponibilità più recente.
NVIDIA DGX Cloud Lepton è ancora operativo?
Sì. NVIDIA mantiene attualmente pagine di prodotto e documentazione per DGX Cloud Lepton, inclusi carichi di lavoro, gruppi di nodi, endpoint, Dev Pod, processi batch e funzionalità bring-your-own-compute. Questo è separato dal dibattito su quanto il prodotto NVIDIA abbia preservato la roadmap originale della startup Lepton AI.
##Strumenti correlati
- Intent Lab: L'azienda che sviluppa Fleet, un sistema di ingegneria autonoma per trasformare gli intenti in software di produzione.
- NVIDIA TensorRT-LLM: Il framework di inferenza di produzione di NVIDIA per ottimizzare e servire modelli linguistici di grandi dimensioni su GPU NVIDIA.
- TensorRT-LLM su GitHub: Il repository open source dello stack di inferenza LLM di NVIDIA.
GLM-5.2: il modello open-weight a lungo orizzonte di Z.ai utilizzato nella dimostrazione del motore di inferenza di Intent Lab.
- NVIDIA DGX Cloud Lepton: la piattaforma di NVIDIA per creare e distribuire carichi di lavoro di intelligenza artificiale su una rete di fornitori di calcolo GPU.
- SQLite: il database il cui comportamento e i cui test di compatibilità sono stati utilizzati come obiettivo per la dimostrazione del database di Fleet.
Collegamenti correlati
- Intent Lab: Trasforma la tua intenzione in sistemi di produzione: l'articolo di lancio ufficiale di Intent Lab e la fonte delle dimostrazioni Fleet.
- Annuncio di Intent Lab di Yangqing Jia: il post pubblico di Jia che introduce Intent Lab e la sua tesi sull'ingegneria autonoma.
- Documentazione NVIDIA DGX Cloud Lepton: documentazione ufficiale attuale della piattaforma nata dalla tecnologia di Lepton AI.
- Lancio di NVIDIA DGX Cloud Lepton: l'annuncio 2025 di NVIDIA che descrive DGX Cloud Lepton e il suo marketplace globale di GPU.
- Scheda ufficiale del modello GLM-5.2: specifiche ufficiali e documentazione del modello di Z.ai.
- Documentazione NVIDIA TensorRT-LLM: documentazione ufficiale su architettura, installazione, ottimizzazione, runtime e distribuzione.
- USENIX: Uso del model checking per trovare gravi errori nei file system: un classico esempio del perché il model checking formale è utile per individuare rari guasti di correttezza nei file system.
Riepilogo
La nuova azienda di Yangqing Jia, Intent Lab, sta costruendo Fleet attorno a una diversa unità di lavoro per l'IA: non la generazione di codice, ma l'intero ciclo di vita dei sistemi di produzione.
Le sue prime dimostrazioni spaziano dall'ottimizzazione dell'inferenza di GLM-5.2, a un database compatibile con SQLite, fino a un file system distribuito formalmente verificato. Intent Lab riporta un'accelerazione dell'inferenza di 6,3×, circa sei milioni di test di compatibilità del database e il model checking su circa 1,9 milioni di stati del file system.
L'idea comune è un ciclo ingegneristico in sei fasi — Comprendere, Progettare, Coordinare, Costruire, Verificare ed Evolvere — che cerca di riprodurre le responsabilità di una solida organizzazione ingegneristica con agenti autonomi.
I risultati sono ancora preliminari e in gran parte auto-dichiarati, quindi riproducibilità e operatività di produzione a lungo termine rimangono le vere prove.
L'affermazione più importante di Fleet non è che l'IA possa scrivere codice da una singola frase; è che un sistema autonomo possa assumersi la responsabilità del lavoro ingegneristico tra una frase e un software che merita di funzionare per anni.