Prime Intellect · 23

英伟达准备冲击世界最强开源模型，Nemotron 4 至少 1 万亿参数

比推消息，据监测，英伟达正在加码 Nemotron 4，希望把它做到全球最强的开放模型之一。《The Information》援引多名项目员工称，系列最大模型预计至少有 1 万亿参数，约为 Nemotron 3 Ultra 的两倍。具体规格和发布时间尚未确定，最终训练也还没开始。英伟达希望用更强的开放模型带动 GPU 需求。公司近年明显增加自研模型的算力投入。截至今年 4 月，未来数年的云服务采购承诺已增至 280 亿美元，约为一年前的 3 倍，不过其中也包括其他研发用途。Nemotron 4 还拉上了一批外部公司共同开发。Cursor、Mistral、Thinking Machines、Reflection AI 等会提供训练数据、评测和模型设计，Prime Intellect 还贡献了 30 万个模拟环境。问题是，这些公司内不少本来就是英伟达的客户或被投企业。OpenAI 等头部模型公司也是它最大的 GPU 买家之一。现在英伟达自己冲击一线开放模型，既想把开放模型市场做大，也开始和自己的客户、合作伙伴竞争。

11天前

AI 吞噬加密流动性？拆解 2026 资金从比特币流向半导体的底层逻辑

作者：Mexc Learn原标题：估值 10 亿，英伟达重注！Prime Intellect 正在洗掉 Web3 标签？进入 2026 年下半年，加密投资者反复追问同一个问题：那些原本可能流入比特币的钱，是不是又一次被人工智能吸走了。这个疑问并非情绪化的猜测，而是有实打实的资金流数据支撑。据AMBCrypto 援引的数据，自 4 月以来，美国黄金与比特币 ETF 合计净流出约 120 亿美元，而同期美国半导体 ETF 吸引了超过 200 亿美元净流入——资金并未离场，只是换了赛道。真正让市场警觉的，是这一轮资金迁移的性质。据 Investing.com 的分析，过去加密回撤往往伴随全面避险，几乎所有资产同步下跌；而这一次，资金是从一个高波动主题转向另一个高波动主题。这种区别，决定了比特币的底部会以何种方式形成。核心要点自 4 月以来，美国黄金与比特币 ETF 合计净流出约 120 亿美元，半导体 ETF 净流入超过 200 亿美元。美国现货比特币 ETF 6 月净流出约 45 亿美元，为其推出以来最差单月。五大科技巨头 2026 年 AI 基础设施资本开支预计达到约 6000 亿至 7250 亿美元。市场对"结构性转移"还是"周期性轮动"存在明显分歧。7 月初出现资金可能回流加密的早期信号，比特币一度重新站上 6.3 万美元。比特币交易所储备降至约七年来最低，长期持有者加速吸筹。资金正在流向哪里：一场争夺边际美元的战争究竟发生了什么同一种谨慎情绪，一边把资金推离加密，一边把它拉向 AI 基础设施，而后者的支出规模难以忽视。据Investing.com，美国五大超大规模云厂商 2026 年在 AI 基础设施上的支出预计约为 7250 亿美元，其中约七成、接近 4500 亿美元直接流向芯片、服务器、网络与数据中心。英伟达处在这场建设潮的中心，其当季营收指引约为 910 亿美元，同比增长约 85%。为什么这一次不同据Tech Times 报道，加密资产管理公司 Hashdex 首席投资官 Samir Kerbage 在 7 月初的一份报告中直言，加密的疲弱更多反映的是投资者把资金配置到了别处，而非数字资产生态本身出了问题。其逻辑很直接：当一个足够有说服力的新叙事出现，资金会涌向它，并在一段时间内让其他资产类别"断粮"。生成式 AI 恰恰是近年来最强的叙事之一。关键数据：加密与 AI 的资金分野ETF 层面的分流据Tech Times，微软、亚马逊、Alphabet 与 Meta 等美国科技公司 2026 年合计资本开支预计超过 6500 亿美元，其中大部分投向 AI；SpaceX 6 月 12 日上市又吸走了新一波风险资金。与此同时，美国现货比特币 ETF 在 6 月净流出约 45 亿美元，是现货基金推出以来最差的单月表现，全年累计流量首次转负。矿工的转向最能说明问题据Crypto Economy 的分析，比特币矿工的动向或许是最具揭示性的指标。将数据中心改造为 AI 客户提供算力服务的公司，例如 TeraWulf，在 2026 年录得约 73% 的正回报，而仍专注于纯比特币挖矿的矿企同期回报为负。据其测算，到年底，上市矿企多达七成的收入可能来自 AI 合约——这与其说是机会主义的多元化，不如说是应对挖矿盈利下滑的生存反应。结构性转移，还是周期性轮动两种针锋相对的解读分歧的核心在于：离场的资金还会不会回来。据Crypto Economy，Strategy 执行主席 Michael Saylor...

40天前谢伟伦#AI #半导体ETF #比特币

“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作者：KarenZ，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...

40天前谢伟伦#WEB3 #英伟达 #融资

去中心化 AI 协议 Prime Intellect 完成 1.3 亿美元 A 轮融资，Radical Ventures 领投

比推消息，去中心化 AI 协议 Prime Intellect 完成 1.3 亿美元 A 轮融资，由 Radical Ventures 领投，NVIDIA Ventures、Intel Capital、Dell Technologies Capital 及现有投资者参投，累计融资超 1.5 亿美元，用于构建开放式超级智能堆栈。Prime Intellect 成立于 2024 年，致力于构建“开放超级智能栈”，为企业提供涵盖计算、大规模强化学习、沙盒、评估和部署的全栈 AI 代理开发基础设施，客户包括 Ramp、Zapier 等超 6,000 家企业和初创公司，年化收入超 1 亿美元。公司计划扩展计算集群和强化学习规模，并押注长周期代理、递归语言模型和持续学习等前沿方向。

44天前#融资

观点：Anthropic 出口管制合规凸显 AI 中心化风险，去中心化 AI 或成关键制衡力量

比推消息，CoinFund 创始人 Jake Brukhman 表示，AI 模型天然具有中心化属性，也是政府监管和控制的重点对象，而 Anthropic 最新的出口管制合规行动进一步印证了这一趋势。他指出，去中心化网络能够成为当前局面的重要制衡力量，构建主权、开放、公共的去中心化 AI，核心挑战在于算力问题。尽管外界普遍认为只有万亿美元级科技公司才能承担前沿模型训练，但全球实际上存在充足的通用 GPU 算力资源，关键在于开发新的分布式训练算法。Brukhman 表示，Gensyn、Prime Intellect、Bagel、Pluralis、Nous Research、Macrocosmos AI 和 Covenant AI 等团队一直在探索这一方向，尽管早期外界普遍认为其不可行，但事实证明，分布式训练不仅能够实现，而且成本更低、效率接近传统方案。此外，他认为去中心化 AI 面临的另一大挑战是经济可持续性。开源模型虽然重要，但缺乏成熟商业模式，而 Pluralis 通过将模型权重分散给参与者，探索出代币化 AI 模型的商业路径。Brukhman 称，当前正处于关键时刻，AI 是走向完全中心化并受到审查与单边政府控制，还是建立在开放去中心化网络上的公共 AI，将决定行业未来的发展方向。

69天前

别再迷信百倍暴富，对话 AI 投资基金创始人：Crypto x AI 真机会在哪？

整理 & 编译：深潮 TechFlow原文标题：对话AI领域投资基金创始人：忘掉百倍暴富伪叙事，看好哪些Crypto x AI资产？嘉宾：Austin Barack，Relayer Capital（专注于 AI 领域的数字资产投资基金）创始人主持人：Andy播客源：The Rollup原标题：Austin Barack: My AI Bull Thesis (...And What I'm Holding)播出日期：2026年 5月 23 日要点总结本期 AI Supercycle 邀请了 Relayer Capital 创始人 Austin Barack，围绕 Venice、Grass、NEAR、Akash 以及更广泛的 Crypto x AI 资产框架展开讨论。Austin 的核心观点是，AI 正在把用户数据量级提升到过去互联网产品难以想象的程度，因此隐私 AI、数据供给、推理算力、去中心化训练与 Agent 基础设施都会成为关键赛道。他认为 Venice 和 Grass 的收入增长、用户增长与估值之间存在明显错配，而 NEAR 在跨链 Intents 与 Agent 基础设施上的定位也被低估。对更广泛的加密市场，Austin 强调投资者应从"净 Token 价值流"出发，而不是机械地看回购销毁机制，真正判断 Token 持有人是否捕获了业务创造的价值。精彩观点摘要Venice 与隐私 AI 的真正价值"在 AI 里隐私比其他任何场景都重要。因为你分享的是健康数据、财务数据，你会连接所有文件，会以前所未有的方式分享自己的整个生活。""这不是比社交媒体多 10 倍的数据，而是多 100 倍的数据。""Venice 真正酷的地方在于，它不只是让你在私密环境中使用 AI，而是在完全不牺牲用户体验的情况下做到这一点，甚至改善了用户体验。""Token 可以成为非常重要的一部分，可以大幅增强体验，但对大多数用户来说，他们不需要理解 Token，也能觉得这个产品有用。"VVV、DM 与 Venice 的经济模型"DM 的作用是：你每拥有 1 个 DM Token，就可以每天在 Venice 平台上获得 1 美元的免费推理计算额度。你可以把它理解成一种永续权益，一年下来相当于获得 365 美元的计算额度。""它的额度不用就作废，不会随时间累积。如果你某天只用了 50 美分，第二天不会变成 1.5 美元，还是重新从 1 美元开始。""如果所有的 DM 都被锁定并用于推理计算，那么 Venice 的最大成本是每天 3.8 万美元，年化成本大约为 1000 万美元，而且这一成本不会超过这个数字。""我认为 DM 更应该按类似公司债的方式估值，而不是用过高的折现率去压低价值。"Grass 与 AI 数据需求"Grass 会收集数据集，然后把这些数据集卖给需要数据来训练新模型的前沿 AI 实验室。""这不是随机爬互联网，它必须非常专业，是非常具体的数据集，并且质量要很高。""模型的投入规模非常大，Grass 就成为这一趋势的受益者。模型投入越多，对数据的需求就越大""根据最近披露的数据，这个项目的 ARR 大约是 5000 万美元。目前，它的估值大约是 4 亿美元。对于一个增长如此迅速的项目来说，仅仅用 ...

88天前Luxurytracy

Prime Intellect 开源可自我进化智能体环境：让 AI左右互搏生成逾 8000 个测试工具

比推消息，5 月 19 日（UTC+8），据监测，Prime Intellect 宣布开源智能体训练环境 general-agent，这是一个可自我进化的完全合成环境。此次发布的核心是将任务生成设定为一场双玩家博弈：由合成器和求解器交替对抗，目前已自动构建出包含 4504 个任务、逾 8000 个独特工具的大型状态数据库。 该框架从简单的种子任务起步，通过条件约束、噪音指令、跨实体耦合等 9 种策略，将任务切分为 t0 到 t4 五个难度阶梯。合成器负责设计带有数据库、交互工具和验证函数的任务，求解器则负责尝试通关。只有通过率落在特定难度区间的任务才会被保留，最难层级会作为下一波进化的种子。 官方实测显示，仅用该环境合成的 4400 余条轨迹对 30B 参数模型进行微调，就在 BFCL 基准测试中将工具调用准确率从 18.9% 提升至 52.3%。 这种机制让模型脱离了对人工标注静态数据集的依赖。通过模型间的直接博弈，系统能够源源不断地自动生成难度可控、带有语义验证的训练语料。 （来源：）

95天前

灰度 Q1 观察资产名单：新增 TRX、ARIAIP 等

比推消息，Grayscale 公布了其 2026 年第一季度最新的观察资产（Assets Under Consideration）名单，涵盖 36 种潜在山寨币，涉及六大区块链细分领域。与 2025 年第四季度的 32 种资产相比，本次名单小幅扩容。智能合约板块新增了 Tron（TRX）；消费与文化板块新增 ARIA Protocol（ARIAIP）。人工智能板块新增了 Nous Research 和 Poseidon，同时移除了 Prime Intellect。公共事业与服务板块则新增了 DoubleZero（2Z）。被列入名单并不代表一定推出产品，但意味着相关资产正处于活跃评估阶段。

221天前

IOSG Weekly Brief｜Crypto AI 的圣杯：去中心化训练的前沿探索 #280

作者｜Jacob Zhao（X @0xjacobzhao）本文仅供学习交流使用，不构成任何投资建议。转载请注明出处，并与 IOSG 团队联系获取授权及转载须知。文章中提及的所有项目并非推荐或投资建议。在 AI 的全价值链中，模型训练是资源消耗最大、技术门槛最高的环节，直接决定了模型的能力上限与实际应用效果。相比推理阶段的轻量级调用，训练过程需要持续的大规模算力投入、复杂的数据处理流程和高强度的优化算法支持，是 AI 系统构建的真正“重工业”。 从架构范式来看，训练方式可划分为四类：集中化训练、分布式训练、联邦学习以及本文重点讨论的去中心化训练。集中化训练是最常见的传统方式，由单一机构在本地高性能集群内完成全部训练流程，从硬件（如 NVIDIA GPU）、底层软件（CUDA、cuDNN）、集群调度系统（如 Kubernetes），到训练框架（如基于 NCCL 后端的 PyTorch）所有组件都由统一的控制系统协调运行。这种深度协同的体系结构使得内存共享、梯度同步和容错机制的效率达到最佳，非常适合 GPT、Gemini 等大规模模型的训练，具有效率高、资源可控的优势，但同时存在数据垄断、资源壁垒、能源消耗和单点风险等问题。分布式训练（Distributed Training） 是当前大模型训练的主流方式，其核心是将模型训练任务拆解后，分发至多台机器协同执行，以突破单机计算与存储瓶颈。尽管在物理上具备“分布式”特征，但整体仍由中心化机构控制调度与同步，常运行于高速局域网环境中，通过 NVLink 高速互联总线技术，由主节点统一协调各子任务。主流方法包括：数据并行（Data Parallel）：每个节点训练不同数据参数共享，需匹配模型权重模型并行（Model Parallel）：将模型不同部分部署在不同节点，实现强扩展性；管道并行（Pipeline Parallel）：分阶段串行执行，提高吞吐率；张量并行（Tensor Parallel）：精细化分割矩阵计算，提升并行粒度。分布式训练是“集中控制 + 分布式执行”的组合，类比同一老板远程指挥多个“办公室”员工协作完成任务。目前几乎所有主流大模型（GPT-4、Gemini、LLaMA 等）都是通过此方式完成训练。去中心化训练（Decentralized Training） 则代表更具开放性与抗审查特性的未来路径。其核心特征在于：多个互不信任的节点（可能是家用电脑、云端 GPU 或边缘设备）在没有中心协调器的情况下协同完成训练任务，通常通过协议驱动任务分发与协作，并借助加密激励机制确保贡献的诚实性。该模式面临的主要挑战包括：设备异构与切分困难：异构设备协调难度高，任务切分效率低；通信效率瓶颈：网络通信不稳定，梯度同步瓶颈明显；可信执行缺失：缺乏可信执行环境，难以验证节点是否真正参与计算；缺乏统一协调：无中央调度器，任务分发、异常回滚机制复杂。去中心化训练可以理解为：一群全球的志愿者，各自贡献算力协同训练模型，但“真正可行的大规模去中心化训练”仍是一项系统性的工程挑战，涉及系统架构、通信协议、密码安全、经济机制、模型验证等多个层面，但能否“协同有效 + 激励诚实 + 结果正确”尚处于早期原型探索阶段。联邦学习（Federated Learning） 作为分布式与去中心化之间的过渡形态，强调数据本地保留、模型参数集中聚合，适用于注重隐私合规的场景（如医疗、金融）。联邦学习具有分布式训练的工程结构和局部协同能力，同时兼具去中心化训练的数据分散优势，但仍依赖可信协调方，并不具备完全开放与抗审查的特...

431天前IOSG#IOSG

Grayscale 更新潜在投资资产名单

比推消息，Grayscale公布了未来可能纳入其投资产品的潜在数字资产名单，正在考虑纳入的资产包括APT、ARB、TIA、HBAR、MNT、TON、TRX、VET、AREO、BNB、ENA、HYPE、JUP、ONDO、PENDLE、PLUME、AIXBT、IMX、IP、AKT、FET、AR、EIGEN、GEOD、HNT和JTO。此外，未包含在加密行业框架中的资产有Babylon、BERA、Monad、MOVE、Lombard、OM、SYRUP、ELIZA、DEEP、GRASS、Prime Intellect、Sentient、Space and Time以及WAL。

498天前#AI #Babylon #ELIZA #Monad #TON #X #币安币 #投资