article-3-prime-intellect-clean.md

从550万到1.3亿：两年估值翻236倍

7月8日，AI训练基础设施初创公司Prime Intellect宣布完成1.3亿美元A轮融资，由Radical Ventures领投，Nvidia Ventures、Intel Capital等参与，公司估值达到10亿美元。这家旧金山公司成立仅两年，此前在2024年4月仅完成550万美元种子轮，估值翻了236倍。

它不是另一个GPU租赁平台

Prime Intellect的核心不是简单的”租GPU”，而是一个开放的AI训练基础设施栈。公司开源了两个核心工具包：

– Verifiers：降低构建训练环境所需时间，让开发者快速创建模拟真实任务的虚拟环境

– Prime-RL：分布式强化学习基础设施，支持全球协作训练

去年，Prime Intellect用自家平台训练了一个超过1000亿参数的模型Intellect-3，并通过全球分布式RL训练了320亿参数的Intellect-2——证明”不依赖单一超算集群也能训大模型”的可行性。

算力共享经济的春天

Prime Intellect的P2P GPU算力市场架构，让闲置GPU资源可以像Airbnb一样被共享。这听起来像加密世界的DePIN（去中心化物理基础设施网络）叙事——事实上公司早期确实获得了CoinFund等加密基金的种子投资——但Prime Intellect刻意与传统VC合作而非发币，选择了”穿企业外衣的DePIN”路线。

本轮融资的参与方揭示了更深层的产业逻辑：Nvidia Ventures的加入意味着英伟达在主动培育”算力分销渠道”。当GPU产能紧张时，提高存量GPU的利用率比单纯扩产更经济。

企业级应用已经验证

与许多”PPT融资”的AI初创不同，Prime Intellect已有付费客户。Zapier使用其平台将自动化基准测试转化为持续Agent改进循环；Ramp利用RL训练在电子表格搜索任务上超越了前沿模型的表现。这意味着”分布式训练+后训练优化”这条路不仅理论可行，商业上也被客户买单了。

对创业者的启示

Prime Intellect的崛起说明：AI基础设施的竞争正从”谁有更多GPU”转向”谁能让GPU更高效地工作”。对于算力受限的中国创业团队，分布式训练和模型后训练优化（而非从头预训练）可能是更具性价比的切入路径。

分布式训练：算力民主化的技术路径

Prime Intellect的估值飞跃让一个曾被质疑的概念重新回到聚光灯下：分布式训练到底能不能替代集中式超算？

传统观点认为，训练千亿参数大模型必须依靠单一数据中心内的数万张GPU通过高速互联（如InfiniBand）紧密耦合。但Prime Intellect用Intellect-2（32B参数，全球分布式RL训练）证明了另一条路：通过强化学习（RL）而非传统的监督微调（SFT），训练对通信延迟的容忍度更高，跨洲际的分布式协作是可行的。

更进一步，Nvidia Ventures在本轮融资中的参与释放了关键信号：GPU的”所有者”正在投资”提高利用率”的解决方案。这与云计算早期AWS的逻辑相似——亚马逊最初建AWS是为了消化自身电商业务的闲置服务器。当英伟达的GPU流向全球各地的数据中心后，如何让这些分散的算力被高效利用，本身就是一个千亿美元级别的问题。

👇 关注不错过

— END —
LC 智趣厅 · 科技与生活的交点
ihygg.cn