拿英伟达、英特尔、戴尔融资，悄然抹去发币痕迹，Prime Intellect 自报 1 亿美元 ARR，走通了怎样的路径？

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。