撰文:KarenZ,Foresight News
一家成立仅两年多的 AI 基础设施公司,一边宣布获得英伟达、英特尔和戴尔旗下投资机构支持,一边称年化收入已超过 1 亿美元——这两个数字放在一起,足以让 Prime Intellect 成为近期最值得重新审视的 AI 项目之一。
2026 年 7 月 8 日,去中心化 AI 基础设施网络 Prime Intellect 宣布以 10 亿美元估值完成 1.3 亿美元的 A 轮融资,由专注于 AI 的风投机构 Radical Ventures 领投,英伟达、英特尔以及戴尔各自旗下的投资机构罕见合体参投,累计融资超过 1.5 亿美元。
在披露巨额融资的同时,Prime Intellect 官方宣布其在不到一年的时间内,年化收入(ARR)已快速跃升至 1 亿美元以上,平台服务的企业及初创公司客户已超过 6000 家。
背景如何?
笔者曾于 2025 年 3 月在《OpenAI 创始成员出手!速读去中心化 AI 黑马项目 Prime Intellect》中提及,Prime Intellect 于 2024 年 1 月由 Vincent Weisser 和 Johannes Hagemann 两位联合创始人共同成立。
- CEO Vincent Weisser 此前长期参与去中心化科学(DeSci)与 AI 的交叉领域,曾是 Bio Protocol、VitaDAO、CryoDAO 等项目的联合发起人,并曾担任 DeSci 平台 Molecule 的生态与 AI 负责人。
- CTO Johannes Hagemann 则专注于分布式 AI 与半自动化工程、脑机接口等领域,此前曾在德国 AI 公司 Aleph Alpha 担任 AI 研究工程师。
另外,2025 年 10 月份,风险投资人 Ash Arora 加入 Prime Intellect 担任应用市场推广(Applied GTM)负责人,负责制定产品战略、商业化、营收以及在训练后处理和强化学习领域的应用人工智能产品。Ash Arora 最新指出,当前 Prime Intellect 的全职员工规模已达到 40 人。
融资方面,Prime Intellect 累计融资额超过 1.5 亿美元,其中,2024 年 4 月的 550 万美元种子轮融资由 Distributed Global 和 CoinFund 联合领投,机器学习构建工具 Hugging Face 的 CEO Clem Delangue 等人为天使投资人。
不到一年后,即 2025 年 3 月,Prime Intellect 再次完成 1500 万美元融资,由 Peter Thiel 的 Founders Fund 领投,投资人还包括 OpenAI 创始成员之一、特斯拉前 AI 总监 Andrej Karpathy 以及 Together.AI 首席科学家 Tri Dao、Stability AI 联合创始人 Emad Mostaque 等 AI 领域多位重量级人物。
而最新一轮的性质有所不同。1.3 亿美元 A 轮融资中,NVIDIA Ventures、Intel Capital、Dell Technologies Capital 不只是财务投资方,其背后的母公司分别处在 GPU、CPU、服务器和数据中心基础设施的关键位置。
Intel Capital 对本轮投资的说明也显示:硬件巨头之所以纷纷买单,是因为 Prime Intellect 正在试图把底层的计算、训练环境、评估、强化学习后训练(Post-training)与上层的推理,全部收拢在同一个统一的控制平面上。
有啥实质进展?
Prime Intellect 早期比较醒目的成果,是证明远距离、异构 GPU 也能协同训练。顺着其过去两年的技术迭代,可以看出平台是如何一步步将科研实验转化为商业化产品线的。
2024 年 11 月底,Prime Intellect 发布的 100 亿参数模型 INTELLECT-1,训练节点横跨五个国家和三大洲。官方称,当时取得了跨洲 83% 的整体计算利用率的结果,而当仅使用分布在美国各地的节点进行训练时,计算利用率达到 96%。
不到半年后,Prime Intellect 发布 INTELLECT-2,把目标推进到 320 亿参数的全球分布式强化学习。为此,团队开发了异步强化学习框架 PRIME-RL、负责传播模型权重的 SHARDCAST,以及验证推理节点是否「如实干活」的 TOPLOC。
更关键的变化发生在 INTELLECT-3。2025 年 11 月,Prime Intellect 基于智谱 GLM-4.5-Air 发布经过监督微调和强化学习的 1060 亿参数 MoE 模型。该模型在 64 个节点、512 张 NVIDIA H200 GPU 上训练约两个月;模型权重、训练框架、数据、RL 环境和评估方法均被开源。这里的意义不只是又发布了一个模型,而是公司用自己的研究项目验证了一整套生产系统:PRIME-RL 负责异步训练,Verifiers 和 Environments Hub 提供统一的工具和社区生态来构建和托管 RL 环境与评估,Prime Sandboxes 隔离执行智能体生成的代码,计算编排层则负责集群、存储和监控。
今年 2 月份,Prime Intellect 推出了一个全栈 AI 训练平台 Prime Intellect Lab,专门帮助个人、工程师、AI 公司自己训练和优化自己的模型(尤其是 agentic / 智能体模型),不需要自己搭建昂贵的 GPU 集群。5 月 7 日,Lab 结束测试并正式全面开放。
6 月,Prime Intellect 发布 prime-rl 0.6.0 版本,官方称把工程上限推到了万亿参数量级的 MoE(混合专家模型)模型。Prime Intellect 披露,其在 GLM-5 系列软件工程任务上,可用 28 个 H200 节点处理最长 13.1 万 token 的序列,单步训练时间低于 5 分钟。
背后的关键并非某一种算法,而是对训练和推理系统进行联合优化:推理端使用 FP8 低精度计算以及 DeepEP、DeepGEMM 等组件提高吞吐,预填充与解码分离避免长工具输出拖慢生成,KV Cache 分层卸载提高并发;训练端同样采用块缩放 FP8,并通过 Router Replay 减少 MoE 模型训练端与推理端的路由差异,再叠加 FSDP、专家并行和上下文并行。这些优化最终都会影响 GPU 利用率、训练时间和客户使用成本
今年 7 月,prime-rl 又加入统一的算法层,内置 GRPO、MaxRL、On-Policy Distillation、自蒸馏、SFT Distillation 和 ECHO 六类训练方法,并允许在同一次训练中为不同环境选择不同算法。通俗地说,同一个智能体可以在数学任务上使用一种学习方法,在终端操作任务上使用另一种,而无需改写底层训练器。这使 Prime Intellect 从「替客户跑训练」,更接近一套可扩展的 RL 操作系统。
软硬件协同:英伟达不只是投资者
从 A 轮的参投阵容来看,硬件巨头与 Prime Intellect 的绑定不仅停留在资本层面,而是深入到了软硬件的架构共建中。
Prime Intellect 与英伟达的合作则覆盖硬件和软件两层。硬件方面,其训练与服务工作负载已经使用 NVIDIA Blackwell、Blackwell Ultra 和 NVL72 机架级系统,公司称这些系统比此前的 Hopper 集群更高效。
软件方面,NVIDIA Dynamo 被用于全球推理编排、自动扩缩容、请求路由和 KV Cache 卸载,并与 Prime Intellect 的大规模 LoRA(低秩自适应,一种大语言模型微调技术)部署结合。
英伟达自己的技术博客也确认,Prime Intellect 已在生产工作流中部署推理框架 NVIDIA Dynamo,并参与共同设计和集成 LoRA Adapter 支持。
Prime Intellect 此前在今年 3 月份表示,将围绕 NVIDIA Vera CPU 测试 RL 沙箱负载,并计划在 Vera 公开可用后迁移部分沙箱,在 Vera Rubin 系统上提供 GPU 沙箱。公司自测称,每个 Vera CPU 插槽可稳定并行运行 176 个虚拟机;在其设定的 RL 沙箱工作负载中,开启多线程后,吞吐量较 AWS 上仅启用物理核心的 AMD Zen 5 基线平均高约 30%。
这些数字展示了潜在成本优势,但目前来自双方合作测试,且对比环境并不完全相同,不能当作独立的通用性能结论。Vera Rubin 与 GPU 沙箱也应表述为「计划采用」,而非已经大规模商用。
伴随产品的成熟,真实的商业变现正在发生。根据 Prime Intellect 披露,金融科技公司 Ramp 使用 Prime Intellect Lab 为 Ramp Labs 训练检索子智能体 FastAsk:Ramp 将旗下 AI 电子表格编辑器 Ramp Sheets 做成可训练的 RL 环境,再以 Qwen3.5-35B-A3B 为基础模型进行强化学习训练。
Prime Intellect 公布的结果显示,FastAsk 的准确率为 66.25%,高于 Claude Opus 4.6 的 61.88%,平均耗时则低约 27%。
由于测试集和评估由合作双方定义,这不意味着该 35B 模型在通用能力上超过 Opus,但它证明了一个更窄也更有商业价值的命题:企业可以把较小模型训练成特定工作流专家。
1 亿美元「ARR」是真的吗?
必须厘清的是,Prime Intellect 官方使用的原文是「超过 1 亿美元年化收入」,而不是「过去一年已经取得 1 亿美元收入」。
年化收入通常是把近期某个月或某个季度的收入速度外推至一年;如果业务正在快速增长,它可能明显高于过去十二个月实际收入。对按用量收费的 GPU、训练和推理业务而言,这个指标也不代表客户已签下同等金额、可自动续费的年度合同。
从 Prime Intellect 公告和已上线的收费产品看,公司商业化主要覆盖四类产品,第一是计算市场,包括按使用时长计费的 GPU 实例、多节点集群和预留集群;第二是 Lab 托管训练,按照模型的输入、输出与训练 token 收费;第三是推理与托管评估,同样与模型调用量相关;第四是 Sandboxes,按照 CPU、内存、磁盘和运行时长计费。
这套收入结构的增长动力并不难理解。首先,GPU 集群本身就是高客单价、按小时持续消耗的资源,收入规模可以比纯软件订阅爬升得更快。其次,Prime Intellect 正把客户消费路径从「租 GPU」延伸到「建环境—跑推理—做评估—强化学习训练—上线部署」,同一客户可以在多个环节产生用量。再次,智能体强化学习需要大量并行 rollout、长上下文推理和隔离沙箱,天然比普通 API 问答更消耗算力。
Prime Intellect 披露的超过 6000 家客户以及 Ramp 案例,至少说明平台已不再只是研究演示。不过,审核 1 亿美元这一数字时仍需保留几项边界。Prime Intellect 是一家私营公司,目前没有公开审计财报、计算年化收入所依据的月度或季度收入、客户付费率、收入拆分以及客户集中度。算力市场收入究竟按照客户总支出还是平台净收入确认,官方也没有说明。
此外,Prime Intellect 计算市场目前不提供正式服务等级协议(SLA),官方称原因是底层基础设施来自多家供应商。官方建议对稳定性要求较高的用户选择 Secure Cloud;如果出现供应商侧故障,则可能提供退款或平台额度。
相比单一财务数字,更容易验证的进展是,Prime Intellect 把原本松散的分布式协作训练,真正做成了一套「有自研模型、有开源生态、有巨头硬件背书,且有企业落地真账单」的全栈基础设施。
文档抹去的发币线索
一个无法忽视的细节是,随着 Prime Intellect 如今跨入 10 亿美元估值俱乐部、高调宣布 1 亿美元 ARR 的同时,笔者发现:官方文档中曾极具 Web3 色彩的表述:「合约部署在 Base Sepolia 测试网」、「未来迁移至自研链」以及「通过 RewardsDistributor 合约根据活跃时间向算力池分配代币奖励」——已被彻底抹去。
这种文档层面的删除,早在 2025 年 3 月初其官方发布的那条推文中就已写下了伏笔。
当时,Prime Intellect 宣布完成了由硅谷顶流 Founders Fund 领投的 1500 万美元融资,核心投资人名册里甚至出现了 Andrej Karpathy(OpenAI 联合创始人)、Clem Delangue(Hugging Face CEO)以及 Balaji Srinivasan 等顶尖人士。正是从这一刻起,项目的底层逻辑发生了解构。
原先草根味道浓郁的「发币、拉取散户计算能力、空投激励」叙事,立刻变成了最触碰传统风投合规红线的雷区。为了承接主流资本市场的弹药,Prime Intellect 必须在表面上完成从「Crypto-first」向「AI-first」的全面清洗。
不过其分布式模型训练仍然保留了 P2P 网络的拓扑内核,但去中心化不再是面向散户炒作的代币叙事,而是变成了面向 B 端企业「低成本调度全球闲置算力」的隐形管道。
现在的 Prime Intellect 更像是一家纯粹的 AI SaaS 公司,未来的终局大概率是走向 IPO 或被传统硬件巨头高溢价并购。
