2亿美元A轮押注“为机器打工的AI”：doubleAI发布代码执行模型Maxwell

导语

10月19日，特拉维夫。一位曾把 Mobileye 从以色列实验室带上纳斯达克、又以153亿美元卖给英特尔的人，宣布要让 AI 换个老板打工了。Amnon Shashua 的新公司 doubleAI 同日官宣两件事：完成2亿美元 A 轮融资，以及发布一个全新的模型品类——代码执行模型（Code Execution Models，简称 CEM），首个模型 Maxwell 即日起在 heymaxwell.ai 开放 early access。

官方通稿里最扎眼的一句话出自 Shashua 本人：“CEMs, and Maxwell in particular, are agents on behalf of the hardware as opposed to code agents that are on behalf of the human user. In other words, they are the first AI that works for the machine, not the programmer.”（代码执行模型是代表硬件的 agent，而不是代表人类用户的代码 agent。换句话说，这是第一款为机器打工、而不是为程序员打工的 AI。）

过去两年，coding agent 拼的是“替人写代码”；doubleAI 赌的是另一半战场——代码跑起来之后发生的事。如果这个判断成立，AI 编程的下半场不在编辑器里，而在运行时。这篇我们把事实、逻辑和质疑一次摊开讲清楚。

事实：谁在做，做什么，钱从哪来

doubleAI 的注册主体是 AA-I Technologies Ltd.，总部位于特拉维夫。创始人 Amnon Shashua 是以色列科技圈的传奇人物：希伯来大学计算机科学教授、Mobileye 联合创始人兼前 CEO，把一家做辅助驾驶视觉算法的公司一路带到纳斯达克上市，最终被英特尔以153亿美元收购——那是当时以色列科技史上最大的一笔收购。今年他卸任 Mobileye CEO，此前还离开了自己参与创办的大模型公司 AI21，把全部筹码押到了 doubleAI 上。一个细节很能说明他的风格：Shashua 是极少数同时在学术界（计算机视觉、形式化方法）和产业界（Mobileye 的 EyeQ 芯片）都做到顶级的人，而 CEM 恰好站在他这两条履历的交叉点上——既要懂 AI，又要懂“让证明落到硅片上”。

团队约40人，据以色列媒体 CTech 报道，多为博士背景，横跨计算机科学、数学、物理与生物学。官方通稿的措辞是“一支横跨计算机科学、数学、物理和生物学的精英博士研究团队”，目标直白：“打造比专家更会推理的 AI”。40人的规模配2亿美元融资，人均500万美元——这是典型的 frontier lab 打法：不靠人海，靠密度。

这次的2亿美元 A 轮由 Lightspeed Ventures 与 Bessemer Venture Partners 共同领投，跟投方名单相当重磅：NVIDIA、Dell Technologies Capital、Greenfield、Pitango、BRM。CTech 称本轮投后估值超过10亿美元，也就是说 doubleAI 一出生就是独角兽。值得玩味的是跟投方构成：NVIDIA 和 Dell 一个是算力之王、一个是服务器之王，它们投的不是财务回报，而是一个可能改变“算力利用率”这门生意的变量。如果 CEM 真能把现有硬件的利用率翻几倍，最大的受益者恰恰是卖硬件的人——硬件还是那些硬件，但“可用算力”凭空变多了。这轮融资的战略意味，从一开始就写在 LP 名单里。

那么 CEM 到底是什么？按官方通稿的定义，它把智能放到了一个从未有智能存在过的位置：“between code and silicon”（代码与硅片之间）。与 coding agent 接收人类指令、产出源码不同，CEM 的输入是三样东西——正在运行的程序本身、它跑在哪块硬件上、以及流经它的实时数据；产出则是“直接且只给机器看的指令”。人类和 coding agent 写出来的源码原封不动，Maxwell 在程序运行时持续检查它底层的二进制，把它改写成更贴合当前硬件、数据与真实负载的版本。用通稿的话说：“Maxwell watches code as it runs, rewrites the binary under the code, and fits it to exactly what the machine is doing.”

这套玩法能成立，全靠一个硬约束：每一次改写都必须经过形式化验证（formally proven correct）。通稿原文写得斩钉截铁：“Maxwell formally and mathematically proves that every optimization it unlocks leaves the program's behavior unchanged.”（Maxwell 以形式化、数学化的方式证明，它解锁的每一次优化都不改变程序行为。）注意这个表述的强度——不是测试通过，不是大概率没问题，是数学证明。这是整套叙事里技术含量最高、也最难被质疑的一环，后面我们会单独展开。

关于 early access 本身，目前公开信息很少：官网 heymaxwell.ai 已经上线，但申请通道的筛选标准、支持的语言与运行时环境、是否开放 API，一概没有细节。对普通开发者来说，现在能做的只有去排队——以及等第一批拿到资格的人晒出真实评测。在那之前，本文所有的技术判断都建立在官方通稿的文本之上，这一点必须说在前面。

为什么是现在？三个条件刚刚凑齐。第一，模型推理能力到了能“理解程序语义”的水平——没有 LLM 级别的代码理解，二进制改写就是瞎改；第二，形式化验证工具链（SMT 求解器、Lean 这类证明助手）成熟到了能被工程化调用的程度，doubleAI 自称在验证上有“breakthroughs”，Shashua 的学术背景让这话多几分可信度；第三，算力贵到了让“省算力”本身变成一门大生意的地步。当 GPU 小时论美元卖、数据中心排队等卡时，任何能把现有硬件利用率翻倍的技术，都有资格拿2亿美元。这三条缺一条，CEM 都只是论文概念。

doubleAI 自报的性能数字相当激进：在 NVIDIA 开源的 cuGraph 图计算库里，55%的算法提速2倍以上；pandas 在 PDS-H 查询基准上快了38倍；AI 推理 kernel 快4.5倍；自家 LTX-2.5 世界模型的视频生成快2倍。CPU 和 GPU 都支持——通稿特别强调“either CPU or GPU”，显然不想被当成又一个只懂 CUDA 的 GPU 优化工具。商业模式同样新颖：按“为客户省下来的算力成本”收费。卖的不是软件 license，不是按 token 计费的 API，而是实打实的算力节省分成——省下来100块，分我一部分。这是一种把技术效果直接货币化的定价，野心很大，坑也很多。

花絮部分也值得一记。Maxwell 打破了一项保持近50年的国际象棋纪录——在63步内将死对手（旧纪录是60步），官方把它当作模型推理能力的趣味证明；公司内部的 agent 还在图论上做出了新发现，并附上了 Lean 形式化验证文件——这是在向学术界喊话：我们不只是会做工程，证明也是真的。另据经 dailyaibrief 转引的 WSJ 消息，2亿美元融资中约一半将用于购买1000张 NVIDIA B300。这条是二手转引，未见官方确认，但它自带一种荒诞的幽默感：一家靠“帮你省算力”收费的公司，自己先要烧掉1亿美元买算力。

分析①：coding agent 管“写”，CEM 管“跑”——下半场在运行时

把过去两年的 AI 编程浪潮摊开看，会发现它只解决了一半问题。Cursor、Claude Code、Codex 们回答的是“代码怎么写得更快”，它们的工作止于 git commit 的那一刻。但软件的真实成本大头不在写，而在跑：数据中心里常年运转的在线服务、每夜重跑的数据 pipeline、动辄烧掉数万 GPU 小时的训练与推理任务。代码写完只是开始，机器照单执行，一行低效的循环可能在未来三年里默默烧掉一辆车的钱。写代码的人对“跑”的成本是脱敏的——云账单按月来，低效被平均分摊，谁也说不清到底是哪一行代码在烧钱。

传统上，“跑得快”是编译器、JIT、性能工程师和 SRE 的领地，是高度专业化、高度手工的活。一个资深性能工程师花三周把某个服务的 P99 latency 压下来20%，这在业界是值得写博客炫耀的战绩。doubleAI 的洞察在于：运行时恰恰是静态代码最跟不上的地方。通稿里有一段话把逻辑讲得很透：“Up until now, software has been static. Humans and AI agents write code, and that code is then carried out by the machine, exactly as written. But the environments it runs in are dynamic.”（直到今天，软件一直是静态的。人类和 AI agent 写代码，机器原样执行。但代码运行的环境是动态的。）硬件、数据和用量一直在变，一个程序的最优版本可能每小时都不一样，静态代码根本跟不上——这就是硬件利用率长期低下的结构性原因。

换句话说，过去两年 AI 解决的是“生产代码”的效率问题，而“执行代码”的效率问题还躺在那里没人动。编译器在编译期能做的优化是有限的，因为它看不到运行时的真实数据分布；人类性能工程师能看到，但人力覆盖不了每一行代码。CEM 瞄准的正是这个空白：一个永不睡觉、专盯线上负载、还能对每次改动给出数学证明的优化者。

还有一个宏观视角值得展开。通稿开篇就说：“The promise of CEMs is in multiplying available hardware, through their ability to unlock a vast share of compute that sits idle today.”（CEM 的承诺在于让可用硬件成倍增加——通过解锁今天大量闲置的算力。）数据中心行业的公开秘密是：大量算力常年处于低利用率状态，原因五花八门——为峰值预留的冗余、数据倾斜导致的等待、写得保守的代码。过去解决这个问题的思路是“买更多卡”或者“上更贵的云”，都是加法；CEM 的思路是乘法：不买新硬件，让旧硬件干更多的活。在算力成为“世界最稀缺资源之一”（通稿原话）的今天，乘法比加法性感得多——这也是 NVIDIA 愿意跟投的深层原因：CEM 不会减少 GPU 需求，它会让每一块 GPU 更值钱。

所以 CEM 不是 coding agent 的竞品，而是它的下半场搭档：coding agent 替你写，CEM 替机器跑。一个为你打工，一个为机器打工。这句话听起来像营销话术，但它准确描述了一个分工转移——AI 第一次把优化对象从“人类可读的文本”切换到了“人类不可读的二进制”。编程的定义正在被拉长：从“写出正确的代码”，延伸到“让代码在真实世界里越跑越快”。

分析②：形式化验证是这套玩法的入场券，不是加分项

为什么之前没人这么干？答案不在 AI 能力，而在信任。运行时改写代码没有任何人类 review 环节，传统 AI 模型会犯错，而一次错误的二进制改写可能让线上服务直接崩溃、让交易系统算错账——代价模型完全不对称。doubleAI 通稿里最关键的一句不是性能数字，而是这句：“Until now, AI has never been trusted inside running software: changes made while code runs get no human review, and conventional AI models can make mistakes.”（直到今天，AI 从未被信任到可以住进正在运行的软件里：在代码运行时做的改动得不到任何人类审查，而传统 AI 模型会犯错。）

形式化验证就是那张入场券。给不熟悉这个概念的读者打个比方：普通测试是“抽查”，形式化验证是“数学证明”——它不提供“大概率正确”，而是给出改写前后程序行为等价的严格证明。这是一个极高的门槛，也是一个极聪明的定位：它把“AI 改代码”这个人人都在做、但人人都不敢放进生产环境的事，变成了一个可证明、可审计、可追责的工程行为。没有这张证明，CEM 就只是个更危险的超优化编译器；有了它，CEM 才敢自称“住在运行时里的 AI”。

Shashua 的背景在这里很关键。Mobileye 的 EyeQ 芯片是车规级产品，自动驾驶的每一行关键代码都要过形式化验证这一关——他是真正在大规模生产系统里用过这套方法的人，不是拿论文概念讲故事的。这也是 doubleAI 敢把“formally proven correct”写进通稿标题区的底气：验证不是外包的噱头，是创始人的老本行。

当然，证明本身的边界值得追问，而且必须追问。形式化验证能保证的是“语义等价”——改写前后的程序在数学意义上做同一件事；但它保证不了时序（real-time 系统的 deadline 呢？），保证不了侧信道（改写后的指令序列会不会泄露时序信息？），也保证不了在极端输入下的数值稳定性（浮点结合律改写是经典的坑）。更重要的是，证明的对象是“模型生成的改写”，而证明过程本身——由谁生成、用什么求解器、有没有被完整检查——通稿一个字没展开。early access 阶段的真实表现还有待观察。但方向是对的：当 AI 开始动生产环境的二进制时，“可证明正确”应该是最低标准，而不是加分项。doubleAI 至少把这条线画在了正确的位置。

分析③：它不是编译器的替代品，是 AI 化的 PGO

看到“运行时改写二进制”，很多工程师的第一反应是：这不就是 JIT 吗？不就是 profile-guided optimization（PGO）吗？这个类比对了一半，错了一半，错的那一半恰恰是最有意思的。

对的一半：JIT 和 PGO 确实都在运行时收集 profile、做针对性优化，思路是相通的——“看实际跑起来什么样，再决定怎么优化”。错的一半：它们的工作方式是“按预设规则做局部变换”。内联、循环展开、分支预测、向量化，这些是编译器工程师把几十年经验编码成的启发式规则，优化空间被规则的天花板锁死了。PGO 能告诉你“这个分支90%走 true”，但它永远想不到“这段图遍历在当前数据分布下应该换一种完全不同的算法”。

CEM 做的是另一件事：它把“观察—假设—验证—改写”这个完整的性能工程循环交给了模型。cuGraph 那“55%的算法2倍以上提速”的自报数字，如果属实，暗示的正是算法级的重写，而不只是指令级的微调——因为指令级微调很难在成熟开源库上稳定吃出2倍。AI 推理 kernel 的4.5倍加速更耐人寻味：推理 kernel 已经是全世界被优化得最狠的代码之一（手写 CUDA、Triton 调参卷到极致），如果 Maxwell 还能再榨出4.5倍，那它发现的东西大概率超出了人类调参的直觉范围。当然，这一切都建立在“自报数字为真”的前提下，质疑留给下一节。

所以更准确的定位是：CEM 是 AI 化的、持续在线的 PGO。它不取代编译器，而是站在编译器的肩膀上——编译器解决“正确地快”，CEM 赌的是“越跑越快”。通稿里还有一句容易被忽略的话：“Every proven, faster version becomes the starting point for the next, so programs keep getting faster for as long as they run.”（每一个被证明的、更快的版本都会成为下一次优化的起点，程序只要一直跑，就会一直变快。）这是一个复利模型：优化不是一次性交付，而是随运行时间持续累积的过程。传统 PGO 做一次 profile、用一阵子就过期了；CEM 的 profile 是活的，跟着数据分布一起漂移。这才是“between code and silicon”真正想表达的野心——软件从静态制品变成动态生命体。

分析④：质疑——数字全系自报，“省算力收费”三道坎

冷静一下。通稿里所有的性能数字——38倍、4.5倍、2倍、55%——全部来自 doubleAI 自己，没有第三方复现，没有公开 benchmark 的完整方法学，没有开源可复现的测试 harness。pandas 快38倍听起来惊人，但 PDS-H 是查询基准，数据 pipeline 的加速高度依赖数据分布、查询模式和基线版本：对比的是 pandas 哪个版本？开了多少并行？换一个 workload，数字可能完全不同。cuGraph“55%的算法2倍以上”同样缺少对照细节：基线是什么编译选项？对比的是官方 release 构建还是调试构建？“55%的算法”具体是哪些算法，剩下的45%呢？这些信息在 early access 阶段一概欠奉。

这不是说数字一定注水，而是说：在 early access 阶段，这些数字的营销权重远大于工程权重。创业公司发布新品类，第一天要的是叙事势能，不是 peer review。真正有说服力的证据要等两样东西：独立第三方的复现评测，以及付费客户的真实账单。在那之前，所有数字都应该被当作“上限演示”而非“ typical 表现”来读。

更大的问号在商业模式上。“按省下来的算力收费”听起来很美，落地有三道坎。第一，省了多少算谁的？需要一套双方都认的计量体系：基线怎么定？业务量涨了导致的算力上涨算不算“没省下来”？否则每一笔账单都是扯皮。第二，优化效果是持续的还是递减的？如果 Maxwell 把能吃的红利第一年就吃完了，后续年份客户凭什么继续付费——这门生意的续费逻辑天然是递减的，除非客户的 workload 一直在变（好在现实中 workload 确实一直在变，这是 CEM 叙事里最站得住脚的一环）。第三，安全与合规：让外部公司的 AI 常驻在你的生产二进制里、持续改写机器指令，这对金融、医疗、政务客户意味着什么级别的审计？数据会不会离开客户环境？证明文件由谁托管？通稿一个字没提，而这些恰恰是 enterprise 采购清单上的前三项。

还有一个反讽值得玩味：据转引消息，doubleAI 打算拿一半融资去买1000张 B300。就算消息不实，它也点出了一个结构性矛盾——训练和运行 CEM 本身是极耗算力的。用算力省算力，这笔账在宏观上是否划算，取决于 CEM 的“投入产出比”：花1块钱的算力训练优化器，能帮客户省下10块钱才有意义。这个数字官方提都没提。

NVIDIA 和 Dell 真金白银跟投，说明产业端认可这个方向的价值；但认可方向不等于认可数字。保持兴奋，保持怀疑——这是读每一篇 AI 创业通稿都该有的姿势。

对 vibe coder 的启示：慢代码会被“吃掉”，“算力税”开始明码标价

对每天用 AI 写代码的人来说，CEM 带来的心理冲击可能比技术冲击更大。过去 vibe coding 的隐性假设是：代码写得丑一点没关系，反正能跑就行，性能是以后的事——而“以后”往往意味着“永远没人管”。CEM 把“以后”提前到了“现在”：你 vibe 出来的 O(n²) 循环，可能在部署第一天就被 Maxwell 重写吃掉，变成 O(n log n) 的机器指令。你甚至不会知道它发生过，就像你现在不知道编译器替你做了多少优化一样。

这会不会让程序员彻底放弃性能意识？恰恰相反，它可能催生一个新的成本观念：算力税。以前，低效代码的代价是隐形的、分摊在云账单里的，谁也说不清是哪一行在烧钱；CEM 这类服务把它变成了明码标价——“你的代码本来要烧100块，我优化后只烧30块，分我20块”。当浪费有了精确的价格，写代码的人第一次能直观地看到：自己的每一行代码到底值多少钱。vibe coding 最大的诟病之一就是“AI 写出来的代码能跑但不优雅”，而算力税把“不优雅”翻译成了钱。这可能会反过来教育出一代对成本更敏感的 AI 编程者——不是因为他们学会了手写汇编，而是因为账单终于会说话了。

更深一层的影响在调试与心智模型上，这是最被低估的部分。当线上跑的二进制和你写的源码不再一一对应，“复现 bug”这件事会变得诡异：出问题的可能是 Maxwell 某次改写与特定数据分布的交互，而你的源码在测试环境里永远跑不出这个问题——因为测试环境的数据分布和线上不一样，Maxwell 在测试环境根本不会做那次改写。传统的“在我机器上是好的”会升级成“在没优化的版本上是好的”。可观测性工具必须跟上：每一次二进制改写都得有版本、有证明、有回滚，否则 on-call 工程师会疯掉。doubleAI 通稿完全没谈这一层，但这是 early access 走向 production 的必经之路，也是 observability 厂商的新机会。

还有一层更微妙的影响：语义清晰度会变得比执行效率更重要。如果运行时 AI 负责“快”，人类（和 coding agent）就应该负责把“想要什么”表达得无可歧义——清晰的接口、明确的不变量、完备的测试。写得含混的代码，AI 不敢大改（证明做不出来）；写得清晰的代码，AI 才能放手优化。未来的代码审美可能会分化：人类读的部分追求可读性，机器跑的部分交给 CEM，而连接两者的契约——类型、断言、测试——会变得前所未有的重要。

最后说说这对独立开发者意味着什么，这也是 VibeFix 读者最该关心的一层。性能优化 historically 是大公司的特权：只有养得起专职性能团队、买得起 profile 基础设施的团队，才玩得起“把 P99 压下来20%”的游戏。独立开发者和小团队只能接受“能跑就行”，因为人的时间比机器贵。CEM 如果真的 work，等于把这项特权民主化了——你写的应用在深夜没人看的时候，Maxwell 替你把它越跑越快，第二天早上你的云账单还变小了。vibe coding 解决的是“一个人也能做出产品”，CEM 解决的可能是“一个人做出的产品也能跑得像大厂的一样省”。当然，前提是价格模型对小团队友好——“按节省分成”对大客户是双赢，对月烧几百块的小项目，分成基数太小，商业上可能根本覆盖不了服务成本。doubleAI 的 early access 定价还没公布，这一条值得小团队持续盯。

给 vibe coder 的实操建议就三条。第一，继续用 AI 写，但开始看 profile：不是让你手写汇编，而是养成习惯——每次上线前看一眼火焰图，知道热点在哪，花五分钟能看懂就行。当“运行时 AI”替你优化时，你至少能看懂它在为什么买单。第二，把测试写全：CEM 的形式化验证保的是“改写前后等价”，但它保不了“你的原始语义就是错的”——测试是语义的唯一锚点，AI 写代码越快，测试越不能省。第三，别急着上 early access：让子弹飞一会儿，等独立评测和第一批付费客户的账单出来，再决定要不要把生产环境的二进制交给一个40人的创业公司。

透明度说明

本文核心事实来自 doubleAI 2026年10月19日发布的官方 BusinessWire 通稿（已亲开全文），包括：CEM 品类定义与“between code and silicon”表述、Maxwell 在 heymaxwell.ai 开放 early access、形式化验证表述、2亿美元 A 轮及投资方名单（Lightspeed、Bessemer 共同领投，NVIDIA、Dell Technologies Capital、Greenfield、Pitango、BRM 跟投）、自报性能数字（cuGraph 55%算法2倍以上、pandas PDS-H 38倍、AI 推理 kernel 4.5倍、LTX-2.5 视频生成2倍、CPU/GPU 双支持）。以下信息为二手转引，已在正文中标注：投后估值超10亿美元、团队约40人且多为博士背景，来自以色列 CTech 10月19日报道；“一半融资用于购买1000张 NVIDIA B300”经 dailyaibrief 转引自 WSJ，未见官方确认；SiliconANGLE 对本轮融资亦有10月19日报道作为交叉；Shashua 卸任 Mobileye CEO、离开 AI21、Mobileye 被英特尔153亿美元收购的背景来自公开履历交叉信息。所有性能数字与象棋63步纪录均为厂商自报，截至发稿未经独立第三方验证。“按节省的算力收费”的具体计费规则、计量方式与数据安全条款官方尚未披露。本文分析部分为作者观点，不构成投资建议。