PRIME INTELLECT
去中心化训练的理想与 512 张 H200 的现实

Prime Intellect 由 Vincent Weisser 与 Johannes Hagemann 于 2024 年在旧金山创立。Weisser 此前是 Web3 / DeSci（去中心化科学）领域的老兵，联合创立过 VitaDAO、Bio Protocol、CryoDAO；Hagemann 来自完全不同的路径——他在 Aleph Alpha 担任研究工程师期间，主导搭建了海德堡实验室的分布式训练框架。两人最早通过 Hagemann 为 VitaDAO 担任策略顾问结识。

公司的使命是"让智能便宜到可以忽略不计"（make intelligence too cheap to meter）：预训练前沿模型的门槛，不该只向少数能一次性砸出数亿美元、几万张 GPU 的公司开放；散落在世界各地的闲置算力，理论上也能被聚合起来，变成一条可信的训练管线。2024 年 4 月，公司完成 550 万美元种子轮，由 Distributed Global 和 CoinFund 联合领投——这个投资人组合，也说明了它最初更接近一个"去中心化物理基础设施网络"（DePIN）项目，协议层面为未来通过链上激励向计算贡献者付费预留了空间。

技术路线上，公司围绕三块拼图展开：DiLoCo（降低去中心化训练通信需求的算法）、PRIME-RL（专为分布式强化学习设计的训练框架）与 Environments Hub（开放的 RL 训练环境生态）。用三代 INTELLECT 系列旗舰模型作为公开验证这套基础设施的试验场，是这家公司区别于大多数闭门做研究的实验室的地方。

INTELLECT-1（2024.11）：100 亿参数、基于 Llama-3 架构、用 1 万亿 token 从零训练。最多同时调用 14 个节点，横跨美国、欧洲、亚洲三大洲，由 30 名独立社区贡献者提供算力，全程使用不超过 112 张 H100 GPU。支撑训练的自研 PRIME 框架——ElasticDeviceMesh 维护不稳定公网下的全局进程组，DiLoCo 算法把同步频率压到 100 步一次，自定义 int8 all-reduce 把通信带宽压到传统数据并行的 1/400——最终跨大洲整体算力利用率达到 83%，美国境内节点间达 96%。

INTELLECT-2（2025.05）：32B 参数推理模型，在 QwQ-32B 基础上改进，号称全球首个完全去中心化强化学习训练的模型，训练发生在动态、异构、任何人可 permissionless 加入的算力群体之上。为此团队新搭了 PRIME-RL（异步 RL 框架，把 rollout 生成、模型训练、权重广播三者解耦）、TOPLOC（局部敏感哈希验证方案，识别不可信推理节点）、SHARDCAST（树状拓扑权重分发网络）。选择 RL 而非预训练作为突破口是理性判断：RL 的推理 rollout 天然可并行、权重广播天然低频，比预训练每步都要全局同步梯度更容忍延迟与异构硬件。

INTELLECT-3（2025.11）：1060 亿参数 MoE 模型（推理时仅激活 120 亿参数），在 GLM-4.5-Air 基座上做 SFT + 大规模 RL 联合训练，AIME 2024 达 90.8%，比基座模型官方后训练版本还高约 8 个百分点。但训练这个旗舰模型的基础设施，和"去中心化"三个字没有任何关系：512 张 NVIDIA H200，分布在 64 个互联节点组成的单一集群里，训练与推理资源按 1:3 配置，SFT 与 RL 两阶段合计跑了整整两个月。权重、PRIME-RL 框架、Verifiers 与 Environments Hub 环境库依然全部开源（MIT / Apache 2.0）。

融资节奏印证了业务重心的迁移：2024.04 种子轮 $5.5M → 2025.02 种子扩募 $15M（Founders Fund 领投，Andrej Karpathy、Tri Dao、Clem Delangue、Balaji Srinivasan 等参投）→ 2026.01 前累计约 $70.4M → 2026.07.08 完成 $130M 新一轮融资，估值达 $10 亿，由 Radical Ventures 领投，NVIDIA Ventures、Intel Capital、Dell Technologies Capital 跟投，总融资额升至超过 $150M。这轮融资的叙事已从"去中心化训练协议"转向"帮企业自建 AI Agent"——公司年化收入已达约 $1 亿，服务超过 6000 个客户，包括 Ramp 和 Zapier。

把三代 INTELLECT 放在一起看，得到的是一条相当诚实的曲线，而不是一个营销故事。据 Epoch AI 的独立分析，目前最大规模的几次去中心化预训练尝试——INTELLECT-1、Protocol Model 8B、Consilience 40B——训练算力都落在 6×10²²～6×10²³ FLOP 区间，比 Grok 4 这类当今前沿模型的训练算力低了大约三个数量级。换句话说，"可行"和"能打"之间，还隔着一千倍的规模差距。

INTELLECT-2 的选择更能说明问题：它没有硬扛预训练那种每步都要全局同步梯度的通信模式，而是挑了 RL 这个结构性更"松耦合"的战场。而当 Prime Intellect 真正需要一个能打的 106B 旗舰模型 INTELLECT-3 时，它没有继续押注 permissionless 节点网络，而是直接租下 512 张 H200 塞进一间机房——这本身就是团队用真金白银投出的一票：在今天，追求确定性训练效率和交付周期的前沿级 post-training / RL 微调，中心化集群仍是更优解。媒体 Implicator.ai 的评论很直接："Prime Intellect 靠承诺去中心化 AI 训练融了钱，但它的旗舰模型，最终是在一个 512 卡的中心化集群上训练出来的。"

这不是欺骗，而是务实——但恰恰说明"真正的去中心化 frontier 训练"目前还做不到。更准确地说，Prime Intellect 可能更像是一家"去中心化 RL 微调"公司，而不是"去中心化预训练"公司。这个定位偏差也解释了公司 2026 年的业务转向：从"去中心化协议"变成"卖给企业的 Agent 基础设施全栈平台"，同时经营着一个服务长尾工作负载的去中心化算力市场，和一套服务旗舰训练的中心化集群能力——不再坚持用一套意识形态覆盖所有场景。

还有一层不常被提及的张力：INTELLECT-3 的基座是中国公司智谱 AI 的 GLM-4.5-Air-Base。一家标榜"开放 AI 自主训练"的公司，最强模型却从一家中国闭源公司的权重开始微调——这在"开放性"该如何定义的讨论里，是一个尚未被正面回应的问题。