2025 年春天，英伟达据报以约 7 亿美元买下一家约 20 人创业公司；其创始人读博时写过深度学习框架 Caffe。AI 圈外几乎没人记得这个名字，可你今天用到的多数模型，都是在它帮忙发明的软件上训练出来的。
贾扬清就是这个人。他名气最小，却以最直白的方式介入你的生活——通过其他所有 AI 产品都赖以运转的那层管道。
关键要点
- 贾扬清生于浙江绍兴，在清华获自动化专业学士与硕士学位，后赴加州大学伯克利分校攻读计算机科学博士；约 2013 年读博期间发布 Caffe，这是第一套在真实企业里被大规模采用的深度学习框架。
- 他加入谷歌大脑后成为 TensorFlow 核心作者之一，并参与 2014 年在 ImageNet 上超越人类准确率的 GoogLeNet；2016 年转赴 Facebook（现 Meta）任 AI 架构总监。
- 在 Meta 他发布 Caffe2、与微软共创 ONNX 模型格式，并推动 Caffe2 与 PyTorch 于 2018 年合并为 PyTorch 1.0——如今 PyTorch 是全球 AI 研究的事实标准。
- 2019 年他回中国任阿里副总裁，执掌大数据计算平台与阿里云智能计算平台，并主导开源模型社区魔搭（ModelScope），为中国开发者补齐本土大模型枢纽。
- 2023 年他离开阿里，在硅谷创立约 20 人的 Lepton AI；2025 年 4 月英伟达据报以约 7 亿美元收购之，他随后出任英伟达系统软件副总裁。
几乎没人记得的框架
贾扬清在绍兴长大，清华读完本硕后赴伯克利攻读博士。约 2013 年研究生发布了 Caffe——第一套被规模使用的深度学习框架，微软、雅虎、英伟达、Adobe 都曾采用。
它的安静创新是「模型即配置」：你用一份文本文件描述网络，引擎包办其余，让深度学习变得可复现、可分享。业界流传「做深度学习绕不开贾」——这话夸张，却点出真实：Caffe 是把一整代工程师领进训练门槛的踏板。
从 Caffe 到人人都在用的工具
2013 年他加入谷歌大脑，成为 TensorFlow 核心作者，并参与 GoogLeNet——该网络 2014 年在 ImageNet 上首次超越人类水平。2016 年他转赴 Facebook（现 Meta）任 AI 架构总监。
2017 年他推出 Caffe2，与微软共创 ONNX 开放模型格式，并推动 2018 年 Caffe2 与 PyTorch 合并为 PyTorch 1.0。今天 PyTorch 是全球绝大多数 AI 研究的事实标准。
一段绕道中国云的经历
2019 年 3 月，贾扬清回中国加入阿里巴巴任副总裁，执掌大数据与阿里云智能计算平台，并主导开源模型社区魔搭（ModelScope）——为中国开发者提供本土大模型共享枢纽。
这段经历让他吃透了 AI 基础设施的运营之痛：不是数学，而是管道——调度、部署与成本。
Lepton，以及英伟达这一章
贾扬清 2023 年 3 月离开阿里，与同为前 Meta 工程师的白俊杰在硅谷创办 Lepton AI——一个 Python 原生 GPU 云，几行代码就能把模型部署到加速器上。团队约 20 人，2023 年 5 月只融了 1100 万美元种子轮。
2025 年 4 月，英伟达据报以约 7 亿美元收购 Lepton AI，贾扬清加入任系统软件副总裁，执掌由此衍生的 DGX Cloud Lepton——把开发者对接到各家云上 GPU 算力的市场。加上收购 Run:ai，英伟达已拼出一层 GPU 云软件。
离开到底意味着什么
2026 年 6 月，研究机构 SemiAnalysis 报道，贾扬清在收购约一年后离开了英伟达，指 DGX Cloud Lepton 表现不及预期，且曾承诺于 2026 年开源的 Lepton 核心最终未能交付——折射出他终生的开源立场与英伟达以硬件为中心商业模式间的张力。几乎同一时期，他出任去中心化算力公司 Hyperbolic Labs 顾问，并创办 Intent Lab，聚焦多智能体软件工程，即他自己表述的从「把智能体当工具」走向「把智能体当团队」。
贯穿始终：贾扬清不断回到那层被所有人当成已解决的问题上——先是框架，再是模型格式，然后是 GPU 云，再到智能体编排。每次，他都押注那层无聊的基础设施，才决定谁真正能把 AI 交付出去。
诚实的局限
本篇依据百度百科、类 SEC 的 IPO 与并购报道，以及 TechCrunch、彭博、路透、福布斯、SemiAnalysis（经中文媒体转述）的覆盖。我未采访贾扬清，并剔除其私人生活与任何政治立场——二者都与他的工程履历无关。
若干处值得存疑。约 7 亿美元的 Lepton 价格从未由英伟达官方披露；多家媒体报为「数亿美元的高位」，本文按「据报」而非确数呈现。关于贾扬清离开英伟达及其原因的讲述，建立在单一研究公司的报道与后续媒体综述之上，内部表现的具体细节未经本文独立核实。「多数模型跑在 PyTorch 上」是强烈的行业共识，而非精确测量，且因领域而异。
普通人现在能做什么
- 如果你训练或部署模型，直接学 PyTorch 与 ONNX。它们是贾扬清最持久的遗产，也是现代 AI 的默认通用语——弄懂它们，就是弄懂底座。
- 评估 AI 基础设施的说法时，把芯片与软件层分开看。贾扬清的职业生涯表明，决定真实成本与速度的，是调度与部署工具，而非单单那颗 GPU。
- 留意 Intent Lab 与「智能体当团队」的想法。若一家创业公司真能把 AI 助手从单打独斗的工具，变成能交付可用软件的协同团队，那就是下一个值得追踪的基础设施层。