Prime Intellect 用 INTELLECT-1 和 INTELLECT-2 证明了跨大洲、跨节点的去中心化训练确实可行。但轮到真正要打的旗舰模型 INTELLECT-3，答案变成了 512 张 H200 和一间传统机房——这不是背叛，而是一份关于"去中心化训练成熟度"迄今为止最诚实的成绩单。
TL;DR · 30 秒读完
Prime Intellect 想证明 AI 训练不必被少数几家能负担数亿美元 GPU 集群的公司垄断，但它自己目前为止最强的模型，恰恰是在一间传统中心化机房里训练出来的。
务实解读：去中心化训练今天更像是 RL 后训练阶段的可行方案，而非 frontier 预训练的替代品——Prime Intellect 自己的三代模型，就是这个结论最直接的证据。
Prime Intellect 由 Vincent Weisser 和 Johannes Hagemann 于 2024 年在旧金山创立（不同数据源对具体成立时点的表述略有出入，但多数商业媒体以 2024 年作为公司实际起步的年份）TechCrunch。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，也参与发起了实验社区 Zuzalu；Hagemann 则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。两人的合作关系，最早可以追溯到 Hagemann 为 VitaDAO 担任策略顾问时期nextomoro。
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Cognitive Revolution。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GitHub · Prime Intellect Protocol。
2024 年 11 月，Prime Intellect 发布 INTELLECT-1——一个 100 亿参数、基于 Llama-3 架构、用 1 万亿 token 从零训练的语言模型。它的意义不在参数量本身，而在训练方式：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 GPUPrime Intellect Blog。
支撑这次训练的是自研的 PRIME 框架：核心抽象 ElasticDeviceMesh 负责在不稳定的公网环境下维护动态的全局进程组，配合 DiLoCo 算法（100 步内部更新）大幅减少节点间的同步频率，再用自定义的 int8 all-reduce 把通信带宽压缩到传统数据并行方式的 1/400。最终，跨大洲整体算力利用率达到 83%，在美国境内节点间甚至达到 96%——第一次让"三大洲协同训练一个 10B 模型"从论文假设变成了跑出来的事实MarkTechPost。
"我们做到了——第一个 10B 模型的去中心化训练完成了！跨越美国、欧洲和亚洲训练。"
— Prime Intellect 官方账号，INTELLECT-1 训练完成时的公告
2025 年 5 月，Prime Intellect 发布 INTELLECT-2：一个 32B 参数的推理模型，在 QwQ-32B 基础上改进，号称是全球首个完全去中心化强化学习训练的模型——训练发生在一个动态、异构、任何人都可以permissionless加入的算力群体之上arXiv 2505.07291。为此他们从零搭了一整套新组件：PRIME-RL（异步 RL 框架，把 rollout 生成、模型训练、权重广播三者解耦）、TOPLOC（一种局部敏感哈希验证方案，用于识别不可信推理节点的作弊或篡改）、SHARDCAST（基于树状拓扑的权重分发网络），以及一个用于协调 permissionless 节点的协议测试网Prime Intellect Blog。
这里藏着一个关键的技术判断：RL 训练的结构性特点——推理 rollout 可以无限并行、几乎不需要节点间通信，权重同步也只需间歇性广播——天然比预训练（每一步都要做梯度同步）更容忍延迟和异构硬件。这也是为什么 Prime Intellect 押注 RL 而非预训练，作为去中心化训练率先突破的战场InfoQ。
2025 年 11 月底，Prime Intellect 发布 INTELLECT-3：一个 1060 亿参数的 MoE 模型（推理时仅激活 120 亿参数），在 GLM-4.5-Air 基座上用 SFT + 大规模 RL 联合训练，在数学、代码、科学与推理类基准上取得同尺寸模型中的领先成绩——AIME 2024 达到 90.8%，比自己所用基座模型经官方后训练的版本还高出约 8 个百分点Prime Intellect Blog。
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 两个阶段合计跑了整整两个月arXiv 2512.16144。它依然开源了权重、PRIME-RL 框架、Verifiers 与 Environments Hub 环境库，全部采用 MIT / Apache 2.0 许可；但这次驱动突破的，是一间实打实的中心化机房，而不是遍布世界的 permissionless 节点Techmeme。
"Prime Intellect 靠承诺去中心化 AI 训练融了 2000 万美元，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。"
— Implicator.ai，《Prime Intellect's INTELLECT-3: Decentralized AI Hits Reality》
融资节奏印证了业务重心的迁移。2024 年 4 月的 550 万美元种子轮之后，2025 年 2 月完成 1500 万美元种子扩募，由 Founders Fund 领投，Menlo Ventures 跟投，个人投资者名单里出现了 Andrej Karpathy、Tri Dao、Clem Delangue、Balaji Srinivasan、Emad Mostaque、Sandeep Nailwal 等一长串 AI / Web3 圈的知名人物Prime Intellect Blog。据 CB Insights 统计，截至 2026 年 1 月完成一轮约 4994 万美元的融资后，公司累计融资已达约 7044 万美元CB Insights。
真正的转折发生在 2026 年 7 月 8 日：Prime Intellect 宣布完成 1.3 亿美元新一轮融资，估值达到 10 亿美元，由 Radical Ventures 领投，NVIDIA Ventures、Intel Capital、Dell Technologies Capital 跟投，总融资额升至超过 1.5 亿美元TechCrunch。这轮融资的叙事已经不再是"去中心化训练协议"，而是"帮企业自建 AI Agent"——公司年化收入已达 1 亿美元，服务超过 6000 个客户，包括 Ramp 和 Zapier；核心产品 Lab 是一个覆盖算力、环境、沙盒、评测、部署和大规模 RL 的模块化"全栈"平台Radical Ventures。Nvidia Ventures 和 Intel Capital 参投的逻辑也很直白：芯片厂商乐见 AI 训练需求分散到更多买家手里，而不是持续集中在少数几个封闭实验室。
把 INTELLECT-1、2、3 放在一起看，会得到一条相当诚实的曲线，而不是一个营销故事。INTELLECT-1 证明了去中心化预训练"能跑"——但它是一个 10B 模型，用了大量工程技巧（DiLoCo、int8 通信压缩、ElasticDeviceMesh）才把带宽开销压到可接受范围。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Epoch AI。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——推理 rollout 天然可并行、权重广播天然低频。这不是偶然，而是对"哪里的去中心化摩擦成本最低"做出的理性判断。而当 Prime Intellect 真正需要一个能打的、106B 规模的旗舰模型 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，跑了两个月——这本身就是团队用真金白银投出的一票：在今天，前沿级别的 post-training / RL 微调，如果要追求确定性的训练效率和交付周期，中心化集群仍然是更优解。
这并不意味着"去中心化训练"是一句空话——它意味着这项技术目前更适合中等规模的验证性预训练和 RL 后训练阶段，而不是需要海量带宽、低延迟同步和高可靠性的 frontier 级别预训练。Prime Intellect 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"——某种程度上也是对这个现实的默认承认：它现在同时经营着一个去中心化算力市场（服务长尾、非旗舰级的工作负载）和一套中心化集群能力（服务真正要拼性能的旗舰训练），而不是坚持用一套意识形态去覆盖所有场景。这大概是这家公司最值得尊重的地方：它没有把 INTELLECT-3 的中心化训练藏起来，而是把技术报告和权重都公开了——诚实地承认边界，可能比继续讲一个自洽但脱离现实的故事更有价值。