收购仅一年即“决裂”！创始人贾扬清出走英伟达：黄仁勋不满运营效果，20 亿美金的 AI Infra 突围为何折戟？

据半导体调研机构 SemiAnalysis 爆料，LeptonAI 的创始人兼 CEO 、英伟达系统软件副总裁贾扬清，已从英伟达离职。距离黄仁勋豪掷 7 亿美元，收购这家仅有 20 人的创业团队，才刚刚过去一年。

更耐人寻味的是，就在本月初，GPU 云服务商 Hyperbolic 宣布聘请贾扬清担任公司顾问 。Hyperbolic 在公告中称，贾扬清将为其在 AI 系统、云基础设施、GPU marketplace、多云编排和 GPU 利用率提升等方向提供经验支持。这在业务层，与其在英伟达负责的 DGX Lepton 平台高度相似。

笔者对此向贾扬清本人求证离职消息，截止发稿前暂无正面回应。目前贾扬清社交平台 x、领英的就职信息仍停留在英伟达阶段。

对于离职原因，SemiAnalysis 直言，DGX Lepton 的运营效果不及黄仁勋预期；但更深层的原因还涉及，黄仁勋与贾扬清在项目开源承诺的分歧、产品落地执行力等层面的问题。

Caffe、PyTorch、ONNX 的缔造者，上一代 AI 框架公认的奠基人。连人带团队 7 亿美金被英伟达收编，原本是一段软硬融合的佳话，为何短短一年就分道扬镳？

细究下来，在这个戏剧性的转折背后，还藏着两个强烈的行业信号：

第一，GPU 可以靠稀缺性卖断货，但 AI Infra 却无法实现垄断。当英伟达作为硬件霸主试图向上层软件扩张时 ，遇到的阻力，比造 GPU 还大 。

第二，当 AI 已经能自己写代码、管集群，那些以“降低工程门槛”为卖点的中间件平台，正在面临被直接被取代的价值危机 。

贾扬清交付的筹码

2025 年 4 月，英伟达正式完成收购，随即将 LeptonAI 更名为 DGX Cloud Lepton ，并于当年 6 月重新对外发布。

表面上看，这是一次软件能力的补强。但如果联系英伟达当时的战略处境，就会发现这笔收购的野心远不止于此。加上此前收购的 AI 基础设施编排和工作负载管理平台 Run:ai 约 12 亿美元，英伟达先后在 GPU 云软件栈上的总投入将近 20 亿美元。

过去两年，英伟达是 AI 时代最大的“卖铲人”，但这还不够。黄仁勋不仅想让大家买它的卡、用它的 CUDA、接它的软件栈，还希望把全球 GPU 资源变成一个统一入口 。

简单来说，就是从 AWS、Azure、阿里这些客户手里再分一杯羹：在云厂商之上，再建一层属于自己的软件平台。让开发者不再到处问“哪里还有 H100”，而是直接在英伟达的平台上找卡、租卡、部署模型。

而贾扬清，就是这个计划最完美的代言人。

对华人开发者来说，贾扬清曾一度被视为 AI 领域的大神，并长期推崇践行开源精神。

2013 年，还在 UC Berkeley 读博士的他，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。

2016 年他加入 Meta，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；三年后，他以技术副总裁的头衔加入阿里，主导大规模 AI 基础设施建设，积攒了生产环境运营 GPU 集群的一手经验 。

2023 年贾扬清离职创业，与同样来自 Meta AI 的 白俊杰 联合创立 LeptonAI ，拿到了 1100 万美元种子轮融资，承载的正是“降低 AI 工程师使用和管理 GPU 集群门槛”的想象力。

三大开源框架、两家顶级大厂、一段中国市场经历——这是贾扬清带给英伟达的筹码。英伟达买下的，也不只是 Lepton 这家创业公司，还有 AI 开源社区对于贾扬清长达十年信任积累。

黄仁勋给出了足够的诚意和价格，贾扬清也带着将 AI Infra 推向新高度的抱负入局。这本该是一场完美的双向奔赴，但遗憾的是，在商业变现与开源信仰的碰撞下，双方最终没能走向共同的愿景。

三道无法弥合的裂缝

从万众瞩目到创始人出走，仅仅一年。据 SemiAnalysis 拆解，问题主要出在三道裂缝上。

第一道裂缝，是开源信仰的破灭。

英伟达在收购时承诺，Lepton 的核心软件平台将于 2026 年开源。这个承诺，对贾扬清而言绝不是一个可有可无的细节——他的整个职业生涯，都建立在开源精神之上。Caffe 开源，ONNX 开源，PyTorch 开源。他不是一个偶尔拥抱开源的工程师，他是那个用开源重塑了整个 AI 工程基础设施的人 。
然而这个承诺，至今没有兑现。

SemiAnalysis 的推断是：黄仁勋最终改变了主意，否决了开源计划。 对于一个把开源视为信仰的创始人而言，这不是产品路线的分歧，而是根本性的价值观冲突。

回顾英伟达的开源记录：NIMs 名义开放实则封闭，flashinfer 也从开源社区项目变为闭源 cubin 内核，RIVA 等 ML 平台也走向了类似命运。贾扬清对此不可能没有预判，但他或许仍抱有改变的希望。直到希望落空。

第二道裂缝，是产品执行的跑偏。

SemiAnalysis 的措辞相当直接： _"NVIDIA's product management culture did not let Lepton bloom into what it could have become."_ （英伟达的产品管理文化，没能让 Lepton 开花结果。）

实际情况令人唏嘘：团队的资源被消耗在更换配色方案和登录界面 UI 等表面工作上，而真正的核心技术问题，比如多租户（multi-tenancy） 始终没有被解决。某云厂商（合作方）更是直言不讳："Lepton 解决了 GPU 云的所有问题，除了最难的那个。"

要知道，AI 原生开发者历来不愿为英伟达的非关键路径软件付费。他们信任的是 vLLM、SGLang、SLURM 这些从开源社区里长出来的工具链，而不是某个大公司包装过的 SaaS 平台。

Lepton/DGX Lepton 的目标用户，恰恰是对这类产品最挑剔的一群人。

第三个裂缝，写在股权结构里。

一般来说，标准的收购协议中，创始人股权通常分 3 到 4 年归属。贾扬清仅一年便离职，这也意味着：要么他放弃了大量未归属的股权，要么他在谈判时就争取到了一年内完全归属的特殊条款。

无论哪种情况，都说明他离开的决心极为坚定。这不是一次被动的人事调整，而是一次主动的、彻底的告别。

据早期信息显示，Lepton 平台在 2025 年中期前后已基本停止对外运营。

Agentic Coding 的降维打击

如果说价值观冲突和产品跑偏是内部问题，那么外部的模型发展和市场走向，则动摇了整个 AI Infra 赛道的价值结构。

LeptonAI 当初试图解决的，是一个真实存在的痛点：降低 AI 工程师使用和管理 GPU 集群的门槛 。开发者不想管 Kubernetes，不想写部署脚本，不想折腾推理服务，不想处理扩缩容、监控和日志……这些事情繁琐、专业、耗时。所以，一个把这些复杂性打包起来的运维平台，可以让开发者专注于模型本身。

2023 年，这是一个值得花数亿美元去解决的问题。但到了 2026 年，这个问题的门槛和解法已经松动。
以 Cursor、Claude Code、Codex 为代表的 Agentic Coding 工具 正在重塑软件开发的底层逻辑。"Vibe-coding"不再是一个噱头——开发者可以用自然语言描述需求，AI Agent 自动生成、调试、部署完整的基础设施代码。

比如，竞争对手 AMD 开源的 Spur 项目 ，一个与高性能计算调度器 Slurm 完全兼容的开源替代品，可以直接被 AI Agent 调用和配置，几乎零门槛。

这意味着什么？

Lepton 试图用产品化方式解决的问题，正在被 Agentic Coding 用代码生成的方式直接跳过。 当你的平台仅仅是把部署流程包装得更顺滑，把一些常见操作自动化，把 API 封得更漂亮，那么 Agentic Coding 的崛起会削弱它的稀缺性 。

因为开发者会越来越有能力用开源组件拼出自己的工作流，用 Agent 修配置、写出集群管理脚本、接监控、改 SDK、迁移部署环境。

这不是 Lepton 一家的困境，而是整个"AI 基础设施抽象层"赛道正在面临的系统性挑战。

那些在 2022 年到 2024 年间以"降低 AI 工程门槛"为卖点融资的公司，都需要重新回答一个更尖锐的问题：你到底解决的是表层的复杂性，还是底层的稀缺性？