“洗白”Web3、拥抱英伟达：万亿MoE背后的Prime Intellect是如何上岸的？
来源：Foresight News
原标题：估值 10 亿，英伟达重注！Prime Intellect 正在洗掉 Web3 标签？
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。
Twitter：https://twitter.com/BitpushNewsCN
比推 TG 交流群：https://t.me/BitPushCommunity
比推 TG 订阅： https://t.me/bitpush
