据 Woofun AI 消息，去中心化 AI 基础设施项目 Prime Intellect 已完成估值 10 亿美元的 A 轮融资，英伟达作为核心投资方罕见现身，标志着该项目正从 Web3 实验向主流 AI 基础设施加速转型。

2026 年 7 月 8 日，Prime Intellect 正式宣布完成 1.3 亿美元的融资，由专注于人工智能领域的 Radical Ventures 领投，英伟达、英特尔及戴尔旗下的投资机构共同参投，累计融资总额已突破 1.5 亿美元。

与此同时，公司披露其年化收入（ARR）已跃升至 1 亿美元以上，服务的企业及初创公司客户数量超过 6000 家。这一系列数据表明，Prime Intellect 在成立短短两年多时间内，已成功构建起具备商业造血能力的 AI 基础设施网络，并获得了传统科技巨头的深度认可。

Prime Intellect 的崛起与其创始团队的深厚背景密不可分。公司成立于 2024 年 1 月，由 Vincent Weisser 和 Johannes Hagemann 联合创立。CEO Vincent Weisser 长期深耕去中心化科学（DeSci）与 AI 交叉领域，曾联合发起 Bio Protocol、VitaDAO、CryoDAO 等项目，并担任 DeSci 平台 Molecule 的生态与 AI 负责人。CTO Johannes Hagemann 则专注于分布式 AI、半自动化工程及脑机接口技术，此前曾在德国 AI 公司 Aleph Alpha 担任 AI 研究工程师。2025 年 10 月，风险投资人 Ash Arora 加入公司担任应用市场推广（Applied GTM）负责人，负责产品战略、商业化及强化学习应用，此时全职员工规模已达 40 人。融资历程方面，2024 年 4 月，公司完成 550 万美元种子轮融资，由 Distributed Global 和 CoinFund 联合领投，Hugging Face CEO Clem Delangue 等担任天使投资人。2025 年 3 月，公司再次完成 1500 万美元融资，由 Founders Fund 领投，投资人包括 OpenAI 创始成员 Andrej Karpathy、Together.AI 首席科学家 Tri Dao、Stability AI 联合创始人 Emad Mostaque 等 AI 领域重量级人物。

技术演进路径清晰地展示了 Prime Intellect 从科研实验向商业化产品的跨越。2024 年 11 月底，公司发布 100 亿参数模型 INTELLECT-1，训练节点横跨五个国家和三大洲，实现了跨洲 83% 的整体计算利用率，仅使用美国节点时利用率高达 96%。不到半年后，INTELLECT-2 将目标推进至 320 亿参数的全球分布式强化学习，团队为此开发了异步强化学习框架 PRIME-RL、负责传播模型权重的 SHARDCAST 以及验证推理节点真实性的 TOPLOC。2025 年 11 月，基于智谱 GLM-4.5-Air 发布的 INTELLECT-3 成为关键转折点，该 1060 亿参数 MoE 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。今年 2 月，全栈 AI 训练平台 Prime Intellect Lab 推出，帮助个人及企业训练优化模型，无需自建昂贵 GPU 集群；5 月 7 日，Lab 结束测试全面开放。6 月发布的 prime-rl 0.6.0 版本将工程上限推至万亿参数量级，在 GLM-5 系列软件工程任务中，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。

算法层升级与软硬件深度协同构成了 Prime Intellect 的核心竞争力。今年 7 月，prime-rl 加入统一算法层，内置 GRPO、MaxRL、On-Policy Distillation 等六类训练方法，允许在同一次训练中为不同环境选择不同算法，使平台从"替客户跑训练"进化为可扩展的 RL 操作系统。推理端采用 FP8 低精度计算及 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；训练端采用块缩放 FP8，通过 Router Replay 减少 MoE 模型训练与推理端的路由差异，叠加 FSDP、专家并行和上下文并行。硬件层面，Prime Intellect 与英伟达合作覆盖软硬件两层，训练与服务工作负载已使用 NVIDIA Blackwell、Blackwell Ultra 和 NVL72 机架级系统，软件方面 NVIDIA Dynamo 用于全球推理编排、自动扩缩容、请求路由和 KV Cache 卸载，并与大规模 LoRA 部署结合。今年 3 月，公司表示将围绕 NVIDIA Vera CPU 测试 RL 沙箱负载，计划在 Vera 公开可用后迁移部分沙箱，自测显示每个 Vera CPU 插槽可稳定并行运行 176 个虚拟机，吞吐量较 AWS 上仅启用物理核心的 AMD Zen 5 基线平均高约 30%。

商业落地案例与 ARR 数据解读揭示了 Prime Intellect 的真实变现能力。金融科技公司 Ramp 使用 Prime Intellect Lab 为 Ramp Labs 训练检索子智能体 FastAsk，将旗下 AI 电子表格编辑器 Ramp Sheets 做成可训练的 RL 环境，以 Qwen3.5-35B-A3B 为基础模型进行强化学习训练。结果显示，FastAsk 准确率为 66.25%，高于 Claude Opus 4.6 的 61.88%，平均耗时低约 27%。虽然测试集和评估由合作双方定义，但这证明了企业可将较小模型训练成特定工作流专家。

Woofun AI 整理数据显示，Prime Intellect 商业化覆盖计算市场、Lab 托管训练、推理与托管评估、Sandboxes 四类产品，收入结构增长动力源于 GPU 集群高客单价、客户消费路径延伸及智能体强化学习对算力的天然高消耗。

尽管官方未公开审计财报，但超过 6000 家客户及 Ramp 案例表明平台已超越研究演示阶段。不过，计算市场目前不提供正式 SLA，官方建议稳定性要求高的用户选择 Secure Cloud。

Web3 痕迹的抹除与叙事转型是 Prime Intellect 走向主流的关键一步。官方文档中曾极具 Web3 色彩的表述，如"合约部署在 Base Sepolia 测试网"、"未来迁移至自研链"及"通过 RewardsDistributor 合约根据活跃时间向算力池分配代币奖励"，已被彻底删除。

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伏笔，当时宣布完成由 Founders Fund 领投的 1500 万美元融资，核心投资人名册里出现了 Andrej Karpathy、Clem Delangue 及 Balaji Srinivasan 等顶尖人士。从这一刻起，项目底层逻辑发生解构，原先"发币、拉取散户计算能力、空投激励"的叙事被"AI-first"全面取代，以承接主流资本市场弹药。

尽管分布式模型训练仍保留 P2P 网络拓扑内核，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。

商业模式闭环与未来终局已逐渐清晰。Prime Intellect 通过 P2P 网络拓扑连接全球闲置算力，服务于 B 端企业客户，定位为 AI SaaS 公司。其商业模式从单纯的算力租赁延伸至全栈 AI 训练、推理、评估及强化学习，形成完整的商业闭环。随着产品成熟和商业化落地，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。

这一路径不仅符合当前 AI 基础设施市场的发展趋势，也体现了 Prime Intellect 在技术、资本和商业层面的全面成熟。

从去中心化实验到主流基础设施，Prime Intellect 的转型之路具有标志性意义。这家估值 10 亿美元、ARR 破 1 亿美元的公司，通过技术迭代、资本加持和叙事重构，成功实现了从 Web3 边缘项目到 AI 核心基础设施的跨越。其经验表明，在 AI 时代，去中心化技术并非必须依赖代币经济，而是可以通过服务 B 端企业、提供高效算力调度来实现商业价值。Prime Intellect 的案例为其他 Web3 项目提供了重要参考，即如何在保持技术优势的同时，适应主流资本市场的合规要求，实现可持续发展。