Bewertung von 1 Milliarde: Nvidia setzt stark auf Prime Intellect! Entfernt Prime Intellect das Web3-Label?

Mit Finanzierungen von Nvidia, Intel und Dell, entfernt Prime Intellect heimlich die Spuren von Kryptowährungen und berichtet von einem ARR von 100 Millionen USD – welchen Weg hat das Unternehmen eingeschlagen?

Verfasser: KarenZ, Foresight News

Ein erst seit etwas mehr als zwei Jahren bestehendes Unternehmen für KI-Infrastruktur hat nicht nur die Unterstützung von Investitionsgesellschaften von Nvidia, Intel und Dell angekündigt, sondern auch erklärt, dass der Jahresumsatz bereits 100 Millionen USD übersteigt – diese beiden Zahlen zusammen machen Prime Intellect zu einem der AI-Projekte, die es wert sind, neu bewertet zu werden.

Am 8. Juli 2026 gab das dezentrale KI-Infrastruktur-Netzwerk Prime Intellect bekannt, dass es eine Finanzierungsrunde der Serie A in Höhe von 130 Millionen USD bei einer Bewertung von 1 Milliarde USD abgeschlossen hat. Die auf KI fokussierte Risikokapitalgesellschaft Radical Ventures führte die Runde an, während die Investitionsgesellschaften von Nvidia, Intel und Dell selten gemeinsam investierten, was die Gesamtfinanzierung auf über 150 Millionen USD anhebt.

Bei der Bekanntgabe der enormen Finanzierung erklärte Prime Intellect offiziell, dass der Jahresumsatz (ARR) in weniger als einem Jahr schnell auf über 100 Millionen USD gestiegen ist und die Zahl der Unternehmen und Start-ups, die die Plattform nutzen, bereits über 6000 liegt.

Wie ist der Hintergrund?

Ich erwähnte bereits im März 2025 in dem Artikel „OpenAI-Gründungsmitglieder greifen ein! Schnelle Lektüre des dezentralen KI-Überraschungsprojekts Prime Intellect“, dass Prime Intellect im Januar 2024 von den Mitbegründern Vincent Weisser und Johannes Hagemann gegründet wurde.

• CEO Vincent Weisser war zuvor lange im Bereich der dezentralen Wissenschaft (DeSci) und der Schnittstelle zwischen KI tätig und war Mitbegründer von Projekten wie Bio Protocol, VitaDAO und CryoDAO. Außerdem war er für die Ökologie und KI-Plattform Molecule verantwortlich.
• CTO Johannes Hagemann konzentriert sich auf verteilte KI, halbautomatisierte Ingenieurwissenschaften und Gehirn-Computer-Schnittstellen und war zuvor als KI-Forschungsingenieur bei dem deutschen KI-Unternehmen Aleph Alpha tätig.

Darüber hinaus trat im Oktober 2025 der Risikokapitalgeber Ash Arora Prime Intellect als Leiter für angewandtes Marketing (Applied GTM) bei, um Produktstrategien, Kommerzialisierung, Umsatz und die Anwendung von KI-Produkten im Bereich Nachbearbeitung und verstärktes Lernen zu entwickeln. Ash Arora wies kürzlich darauf hin, dass die Anzahl der Vollzeitmitarbeiter von Prime Intellect mittlerweile 40 erreicht hat.

In Bezug auf die Finanzierung hat Prime Intellect insgesamt über 150 Millionen USD an Finanzierungen erhalten, wobei die 5,5 Millionen USD Seed-Finanzierung im April 2024 von Distributed Global und CoinFund gemeinsam geleitet wurde, während Clem Delangue, CEO von Hugging Face, als Angel-Investor auftrat.

Weniger als ein Jahr später, im März 2025, schloss Prime Intellect eine weitere Finanzierungsrunde über 15 Millionen USD ab, angeführt von Peter Thiels Founders Fund. Zu den Investoren gehörten auch Andrej Karpathy, einer der Mitbegründer von OpenAI und ehemaliger AI-Direktor bei Tesla, sowie Tri Dao, Chief Scientist von Together.AI, und Emad Mostaque, Mitbegründer von Stability AI, die alle bedeutende Persönlichkeiten im Bereich KI sind.

Die neueste Finanzierungsrunde hat jedoch einen anderen Charakter. In der 130 Millionen USD Serie A-Finanzierung sind NVIDIA Ventures, Intel Capital und Dell Technologies Capital nicht nur finanzielle Investoren, sondern ihre Muttergesellschaften befinden sich auch in Schlüsselpositionen im Bereich GPU, CPU, Server und Datenzentrum-Infrastruktur.

Die Erklärung von Intel Capital zu dieser Investition zeigt ebenfalls, dass die Hardware-Giganten bereit sind zu investieren, weil Prime Intellect versucht, die zugrunde liegende Berechnung, Trainingsumgebungen, Bewertungen und verstärktes Lernen (Post-training) mit der oberen Ebene der Inferenz in einem einheitlichen Kontrollbereich zu integrieren.

Gibt es substanzielle Fortschritte?

Ein frühes bemerkenswertes Ergebnis von Prime Intellect war der Nachweis, dass auch entfernte, heterogene GPUs gemeinsam trainieren können. Anhand der technologischen Iterationen der letzten zwei Jahre lässt sich erkennen, wie die Plattform Schritt für Schritt wissenschaftliche Experimente in kommerzielle Produktlinien umwandelt.

Ende November 2024 veröffentlichte Prime Intellect das 10-Milliarden-Parameter-Modell INTELLECT-1, dessen Trainingsknoten sich über fünf Länder und drei Kontinente erstreckten. Offiziell wurde berichtet, dass zu diesem Zeitpunkt eine Gesamtberechnungsnutzung von 83 % über Kontinente hinweg erreicht wurde, während die Berechnungsnutzung bei Verwendung von Knoten, die in den USA verteilt sind, 96 % betrug.

Weniger als ein halbes Jahr später veröffentlichte Prime Intellect INTELLECT-2, das Ziel wurde auf 32 Milliarden Parameter für globales verteiltes verstärktes Lernen angehoben. Zu diesem Zweck entwickelte das Team das asynchrone Verstärkungslern-Framework PRIME-RL, SHARDCAST zur Verbreitung von Modellgewichten und TOPLOC zur Überprüfung, ob die Inferenzknoten „ehrlich arbeiten“.

Eine entscheidende Veränderung trat mit INTELLECT-3 ein. Im November 2025 veröffentlichte Prime Intellect ein 1060-Milliarden-Parameter-MoE-Modell, das auf dem GLM-4.5-Air von Zhiyu basiert und zwei Monate lang auf 64 Knoten mit 512 NVIDIA H200 GPUs trainiert wurde; die Modellgewichte, das Trainingsframework, die Daten, die RL-Umgebung und die Bewertungsmethoden wurden alle Open Source bereitgestellt. Hierbei geht es nicht nur um die Veröffentlichung eines weiteren Modells, sondern das Unternehmen hat mit seinem eigenen Forschungsprojekt ein ganzes Produktionssystem validiert: PRIME-RL ist für das asynchrone Training verantwortlich, Verifiers und Environments Hub bieten ein einheitliches Werkzeug und eine Gemeinschaftsökologie zum Aufbau und zur Verwaltung von RL-Umgebungen und Bewertungen, während Prime Sandboxes den Code isolieren, der von den generierten Agenten ausgeführt wird, und die Berechnungsschicht für Cluster, Speicherung und Überwachung verantwortlich ist.

Im Februar dieses Jahres führte Prime Intellect eine Full-Stack-KI-Trainingsplattform namens Prime Intellect Lab ein, die speziell dazu dient, Einzelpersonen, Ingenieuren und KI-Unternehmen zu helfen, ihre eigenen Modelle (insbesondere agentische/intelligente Modelle) zu trainieren und zu optimieren, ohne teure GPU-Cluster selbst aufbauen zu müssen. Am 7. Mai wurde das Lab nach der Testphase offiziell eröffnet.

Im Juni veröffentlichte Prime Intellect die Version prime-rl 0.6.0 und gab an, dass die technische Grenze auf Billionen von Parametern für MoE (Mixture of Experts) Modelle angehoben wurde. Prime Intellect gab bekannt, dass es bei Software Engineering-Aufgaben der GLM-5-Serie 28 H200-Knoten verwenden kann, um Sequenzen mit einer maximalen Länge von 131.000 Tokens zu verarbeiten, wobei die Trainingszeit pro Schritt weniger als 5 Minuten beträgt.

Der Schlüssel liegt nicht in einem bestimmten Algorithmus, sondern in der gemeinsamen Optimierung von Trainings- und Inferenzsystemen: Die Inferenzseite verwendet FP8-Niedrigpräzisionsberechnungen sowie Komponenten wie DeepEP und DeepGEMM zur Steigerung des Durchsatzes, während die Vorbefüllung und Dekodierung getrennt werden, um zu vermeiden, dass lange Werkzeuge die Generierung verlangsamen, und die KV-Cache-Hierarchie verbessert die Parallelität; die Trainingsseite verwendet ebenfalls blockscalierte FP8 und reduziert die Routing-Differenzen zwischen dem Trainings- und Inferenzende des MoE-Modells durch Router Replay, ergänzt durch FSDP, Expertenparallelität und Kontextparallelität. Diese Optimierungen wirken sich letztendlich auf die GPU-Auslastung, die Trainingszeit und die Kosten für die Kunden aus.

Im Juli dieses Jahres fügte prime-rl eine einheitliche Algorithmusschicht hinzu, die sechs Arten von Trainingsmethoden integriert: GRPO, MaxRL, On-Policy Distillation, Self-Distillation, SFT Distillation und ECHO, und ermöglicht es, in einem einzigen Training unterschiedliche Algorithmen für verschiedene Umgebungen auszuwählen. Einfach ausgedrückt, kann derselbe Agent eine Lernmethode für mathematische Aufgaben und eine andere für terminale Aufgaben verwenden, ohne den zugrunde liegenden Trainer umschreiben zu müssen. Dies bringt Prime Intellect näher an ein skalierbares RL-Betriebssystem, anstatt nur „Training für Kunden durchzuführen“.

Synergie zwischen Hardware und Software: Nvidia ist nicht nur ein Investor

Die Beteiligung der Hardware-Giganten an der Serie A zeigt, dass die Verbindung zwischen ihnen und Prime Intellect nicht nur auf der Kapitalebene bleibt, sondern tief in die gemeinsame Entwicklung von Hardware- und Softwarearchitekturen eingreift.

Die Zusammenarbeit zwischen Prime Intellect und Nvidia erstreckt sich über zwei Ebenen: Hardware und Software. In Bezug auf die Hardware werden die Trainings- und Service-Workloads bereits mit den NVIDIA Blackwell-, Blackwell Ultra- und NVL72-Rack-Systemen durchgeführt, die das Unternehmen als effizienter als die vorherigen Hopper-Cluster bezeichnet.

In Bezug auf die Software wird NVIDIA Dynamo für die globale Inferenzorchestrierung, automatische Skalierung, Anforderungsrouting und KV-Cache-Entlastung verwendet und mit der großflächigen LoRA (Low-Rank Adaptation, eine Technik zur Feinabstimmung großer Sprachmodelle) von Prime Intellect kombiniert.

Nvidias eigener Technologie-Blog bestätigt ebenfalls, dass Prime Intellect den Inferenzrahmen NVIDIA Dynamo in Produktions-Workflows implementiert hat und an der gemeinsamen Gestaltung und Integration der LoRA-Adapter-Unterstützung beteiligt ist.

Prime Intellect gab im März dieses Jahres bekannt, dass sie RL-Sandbox-Lasten um den NVIDIA Vera CPU testen werden und plant, nach der öffentlichen Verfügbarkeit von Vera Teile der Sandbox zu migrieren, um GPU-Sandboxen im Vera Rubin-System anzubieten. Das Unternehmen hat in eigenen Tests festgestellt, dass jeder Vera CPU-Slot stabil 176 virtuelle Maschinen parallel ausführen kann; bei der von ihnen festgelegten RL-Sandbox-Arbeitslast war der Durchsatz nach Aktivierung von Multithreading im Vergleich zur AMD Zen 5-Baseline, die nur physische Kerne auf AWS verwendet, im Durchschnitt um etwa 30 % höher.

Diese Zahlen zeigen potenzielle Kostenvorteile auf, basieren jedoch derzeit auf den Tests beider Partner und die Vergleichsbedingungen sind nicht identisch, sodass sie nicht als unabhängige allgemeine Leistungsbewertung herangezogen werden können. Vera Rubin und die GPU-Sandbox sollten ebenfalls als "geplante Implementierungen" und nicht als bereits großflächig kommerziell genutzt beschrieben werden.

Mit der Reifung des Produkts findet eine echte kommerzielle Monetarisierung statt. Laut Prime Intellect nutzt das Fintech-Unternehmen Ramp Prime Intellect Lab, um FastAsk, einen Retrieval-Sub-Agenten für Ramp Labs, zu trainieren: Ramp hat seinen KI-Tabelleneditor Ramp Sheets in eine trainierbare RL-Umgebung umgewandelt und verwendet Qwen3.5-35B-A3B als Basis-Modell für das Reinforcement Learning-Training.

Die von Prime Intellect veröffentlichten Ergebnisse zeigen, dass die Genauigkeit von FastAsk bei 66,25 % liegt, was höher ist als die 61,88 % von Claude Opus 4.6, und die durchschnittliche Bearbeitungszeit etwa 27 % niedriger ist.

Da der Testdatensatz und die Bewertung von beiden Partnern definiert wurden, bedeutet dies nicht, dass dieses 35B-Modell in Bezug auf allgemeine Fähigkeiten besser ist als Opus, aber es beweist eine engere und kommerziell wertvollere These: Unternehmen können kleinere Modelle zu Experten für spezifische Arbeitsabläufe trainieren.

Ist die "ARR" von 100 Millionen Dollar echt?

Es muss klargestellt werden, dass der offizielle Wortlaut von Prime Intellect "über 100 Millionen Dollar annualisierte Einnahmen" lautet und nicht "im vergangenen Jahr wurden 100 Millionen Dollar Einnahmen erzielt".

Die annualisierten Einnahmen extrapolieren normalerweise die Einnahmeströme eines kürzlich vergangenen Monats oder Quartals auf ein Jahr; wenn das Geschäft schnell wächst, kann es deutlich über den tatsächlichen Einnahmen der letzten zwölf Monate liegen. Für GPU-Dienste, die nach Nutzung abrechnen, sowie für Trainings- und Inferenzdienste repräsentiert dieser Indikator auch nicht, dass Kunden Verträge in gleicher Höhe unterzeichnet haben, die automatisch jährlich verlängert werden.

Aus den Ankündigungen von Prime Intellect und den bereits eingeführten kostenpflichtigen Produkten geht hervor, dass die Kommerzialisierung des Unternehmens hauptsächlich vier Produktkategorien abdeckt: Erstens der Rechenmarkt, einschließlich GPU-Instanzen, die nach Nutzungsdauer abgerechnet werden, Multi-Node-Cluster und reservierte Cluster; zweitens das Hosting von Lab-Trainings, das nach den Eingaben, Ausgaben und Trainings-Token des Modells abgerechnet wird; drittens Inferenz und Hosting-Bewertungen, die ebenfalls mit der Anzahl der Modellaufrufe zusammenhängen; viertens Sandboxes, die nach CPU, Speicher, Festplatte und Laufzeit abgerechnet werden.

Die Wachstumsdynamik dieser Einnahmestruktur ist nicht schwer zu verstehen. Erstens sind GPU-Cluster selbst hochpreisige Ressourcen, die stündlich verbraucht werden, sodass das Einnahmenvolumen schneller steigen kann als bei reinen Software-Abonnements. Zweitens erweitert Prime Intellect den Verbrauchsweg der Kunden von "GPU mieten" zu "Umgebung aufbauen - Inferenz durchführen - Bewertungen durchführen - Reinforcement Learning-Training - Bereitstellung", sodass ein Kunde in mehreren Phasen Verbrauch erzeugen kann. Drittens erfordert das Reinforcement Learning von Agenten eine große Anzahl paralleler Rollouts, lange Kontextinferenz und isolierte Sandboxes, was natürlicherweise mehr Rechenleistung als gewöhnliche API-Anfragen verbraucht.

Die über 6000 Kunden, die Prime Intellect offenbart hat, sowie der Ramp-Fall zeigen zumindest, dass die Plattform nicht mehr nur eine Forschungsdemonstration ist. Dennoch müssen beim Überprüfen der 100 Millionen Dollar einige Grenzen beibehalten werden. Prime Intellect ist ein privates Unternehmen und hat derzeit keine öffentlich geprüften Finanzberichte veröffentlicht, die die monatlichen oder vierteljährlichen Einnahmen, die zur Berechnung der annualisierten Einnahmen herangezogen werden, die Kundenbezahlquote, die Einnahmenaufteilung und die Kundenkonzentration aufzeigen. Ob die Einnahmen des Rechenmarktes nach den Gesamtausgaben der Kunden oder dem Nettoumsatz der Plattform erfasst werden, hat das Unternehmen ebenfalls nicht erläutert.

Darüber hinaus bietet Prime Intellect im Rechenmarkt derzeit keine formalen Service-Level-Agreements (SLA) an, da die zugrunde liegende Infrastruktur von mehreren Anbietern stammt. Das Unternehmen empfiehlt Benutzern mit hohen Stabilitätsanforderungen, Secure Cloud zu wählen; im Falle eines Ausfalls auf der Anbieterseite kann eine Rückerstattung oder ein Guthaben auf der Plattform angeboten werden.

Im Vergleich zu einer einzelnen finanziellen Zahl ist der Fortschritt, der leichter überprüfbar ist, dass Prime Intellect das ursprünglich lose verteilte kooperative Training tatsächlich in eine vollständige Infrastruktur verwandelt hat, die "über eigene Modelle, ein Open-Source-Ökosystem, eine Unterstützung durch führende Hardware und echte Unternehmensrechnungen" verfügt.

Hinweise auf Token-Emissionen aus den Dokumenten entfernt

Ein nicht zu ignorierendes Detail ist, dass Prime Intellect, während es heute den Club mit einer Bewertung von 1 Milliarde Dollar betritt und lautstark 100 Millionen Dollar ARR ankündigt, ich festgestellt habe, dass in den offiziellen Dokumenten die einst stark nach Web3 klingenden Formulierungen: "Verträge werden im Base Sepolia-Testnetz bereitgestellt", "zukünftige Migration zu einer selbst entwickelten Kette" und "Verteilung von Token-Belohnungen an das Rechenleistungspool basierend auf aktiver Zeit über den RewardsDistributor-Vertrag" - vollständig entfernt wurden.

Diese Löschung auf Dokumentenebene wurde bereits in einem Tweet angedeutet, den Prime Intellect Anfang März 2025 veröffentlicht hat.

Damals gab Prime Intellect bekannt, dass es eine Finanzierung in Höhe von 15 Millionen Dollar abgeschlossen hat, die von dem führenden Silicon Valley-Investor Founders Fund geleitet wurde, und in der Liste der Hauptinvestoren tauchten sogar Spitzenpersonen wie Andrej Karpathy (Mitgründer von OpenAI), Clem Delangue (CEO von Hugging Face) und Balaji Srinivasan auf. Genau ab diesem Moment begann die Dekonstruktion der zugrunde liegenden Logik des Projekts.

Die ursprünglich stark grassroots-orientierte Erzählung von "Token-Emission, Anwerbung von Retail-Rechenleistung, Airdrop-Anreizen" verwandelte sich sofort in ein Minenfeld, das die Compliance-Richtlinien traditioneller Risikokapitalgeber berührt. Um die Munition des Mainstream-Kapitalmarktes zu sichern, musste Prime Intellect an der Oberfläche eine vollständige Reinigung von "Crypto-first" zu "AI-first" durchführen.

Dennoch behält das verteilte Modelltraining weiterhin den Topologie-Kern des P2P-Netzwerks, aber Dezentralisierung ist nicht mehr die Erzählung von Token, die auf Retail-Spekulation abzielt, sondern wird zu einem unsichtbaren Kanal, der auf B2B-Unternehmen abzielt, um "global ungenutzte Rechenleistung kostengünstig zu steuern".

Das heutige Prime Intellect ähnelt mehr einem reinen AI-SaaS-Unternehmen, und die zukünftige Endspielwahrscheinlichkeit führt wahrscheinlich zu einem IPO oder einer Übernahme durch einen traditionellen Hardware-Riesen zu einem hohen Aufpreis.