AI智能体支付正在从结账功能进入责任基础设施。Natural 3000万美元A轮背后，身份、权限、账本和争议处理为何可能成为机器经济的新入口？

一、193天拿下A轮，资本在抢什么时间

Natural这轮融资真正值得观察的，是资本开始为「机器获得经济行动权」提前铺设责任基础设施。AI智能体一旦能自主找供应商、谈价格和发起付款，每一笔交易都需要同步回答四个问题：谁在行动、被允许花多少、资金去了哪里、出错后由谁承担责任。

7月20日，Natural宣布完成3000万美元A轮融资，由Forerunner Ventures创始合伙人Kirsten Green领投。公司称，本轮交割时Natural成立仅193天，累计融资已超过4000万美元，团队共有17人。公司公告

这个速度把早期项目的典型节奏压缩到了半年左右。Natural在2025年10月才对外披露980万美元种子轮，随后迅速推出Wallets、Vaults、Pay、Request、Transfer和Connect六项产品，并预告Cards、Credit、Billing等后续模块。产品覆盖钱包、凭证保管、收付款、转账和外部账户连接，意图从单点支付接口扩展为智能体的资金操作系统。

创始团队也为这轮融资提供了高密度信号。CEO Kahlil Lalji此前创办金融科技公司Ivella，并于2023年将其出售给EarnIn；Eric Wang参与联合创办Natural，团队成员Walt Leung则曾任Nextdoor工程经理。公开采访显示，Natural仍处于测试阶段，估值并未披露。公开采访

因此，「193天」首先是融资效率指标，暂时还不能等同于商业成熟度。公司披露了餐饮、酒店、物业管理、消费金融和企业运营等客户方向，却没有公布活跃智能体数量、生产环境交易额、付费客户数、欺诈率或争议处理结果。资本已经给出高票，业务答卷仍缺少公开分数。

二、智能体缺的不是按钮，而是一张能被追责的「公司卡」

今天的大模型已经能够搜索商品、比较方案、联系商家甚至协商条件，最后一步往往仍由人类打开网页完成付款。原因很现实：付款会改变外部世界的资金状态，错误无法像一段文案那样轻易撤回。

企业给员工发公司卡时，会同时设置持卡人身份、额度、商户类别、审批流程、票据要求和异常追责。智能体进入交易场景后，也需要一套数字化的「公司卡制度」。这构成本文唯一需要记住的隐喻：智能体可以拿到卡，但卡必须系上身份、权限、账本和争议处理四条安全带。

身份层要证明发起者究竟是哪一个智能体，以及它代表哪家企业或哪位用户；权限层要限定金额、时间、商户和用途；执行层要连接银行卡、银行账户或稳定币等支付轨道；账本与争议层则要保留上下文，让人能够重建决策过程、冻结异常交易并完成退款或责任认定。

Natural的产品组合正沿着这四层展开。Wallets负责为智能体建立资金容器，Vaults保管敏感凭证，Pay和Transfer执行付款与转账，Request接收资金，Connect连接外部金融账户。公司同时明确说明自身是一家金融科技公司，钱包服务由受监管银行Column N.A.提供，这也揭示了其现实路径：在现有金融体系上增加一层面向智能体的编排与控制。

这条路径在企业场景更容易先落地。采购智能体可以在预算内补充库存，物业智能体可以支付维修费用，旅行智能体可以按授权改签，财务智能体可以发起供应商付款。每个场景都有清晰的委托人、预算边界和审计要求，出错成本也足以支撑客户购买专用基础设施。

消费端的难度更高。用户授权一次购票，与长期允许智能体管理家庭开支，涉及完全不同的信任门槛。Natural若先在企业任务中积累权限模型和异常数据，再向个人钱包延伸，商业闭环会更扎实。

这也延续了一级市场对智能体基础设施的投资逻辑。此前Prime Intellect融资案例说明，智能体正在获得训练和自我改进能力；支付基础设施补上的是行动闭环的最后一段。能够思考、调用工具并花钱的智能体，才会成为完整的经济参与者。

三、Forerunner领投，投资人名单在定义新赛道

Forerunner长期关注消费、商业与金融服务的结构性变化。它曾投资Chime、Faire、Hims & Hers、Warby Parker等公司，擅长从行为变化中寻找新的交易入口。由Kirsten Green亲自领投Natural，说明投资人看到的潜在市场覆盖企业采购、消费者交易和新型金融账户，而非一项只服务开发者的支付插件。

本轮名单还有一个值得拆分观察的特征。Natural公告列出Increase CEO Darragh Buckley、Browserbase CEO Paul Klein IV、Notion联合创始人Akshay Kothari、Privy CEO Henri Stern、Brex首席业务官Art Levy等多位个人投资者或支持者。他们分别来自银行基础设施、浏览器智能体、协作软件、加密钱包和企业金融领域。

这些名字能够带来产品反馈、客户引荐和生态认知，但公告并未把相关公司全部列为战略投资方。将个人参投直接写成企业合作，会高估Natural当前的渠道能力。现阶段更准确的判断是：Natural用一组跨支付、身份、浏览器和企业软件的操盘者，为「智能体支付」这个新类别建立可信度。

领投机构与产业操盘者共同出现，还反映了资本的时间偏好。支付基础设施通常需要较长合规周期和生态建设，等到交易规模完全显现再入场，核心接口可能已经被大型平台占据。Forerunner押注的窗口，是智能体交易行为尚未定型、开发者仍在选择账户和权限标准的阶段。

不过，名单的豪华程度不能替代商业验证。Natural需要把投资人的行业网络转化为银行合作、卡组织接入、商户覆盖和真实客户留存。下一轮融资最有价值的数据，将来自生产环境中的交易质量，而非继续增加知名支持者。

四、真正的护城河，藏在付款失败之后

支付接口很容易演示：输入金额和收款方，系统返回成功状态。困难集中在付款之前与付款之后。一个酒店预订智能体重复下单，谁能及时发现；一个采购智能体绕过供应商白名单，谁来拦截；代理身份被盗用后，历史交易如何重建；商品未交付时，退款和争议由谁发起。

Natural若要形成平台价值，需要把一次支付与完整的授权上下文绑定。上下文包括用户意图、智能体身份、任务范围、预算来源、审批记录、商户信息和执行结果。数据积累越多，平台越有机会形成更准确的风险规则、可审计账本和跨场景权限模板。

第一层潜在壁垒是合规与银行连接。不同地区、支付方式和账户类型对应不同的客户识别、反洗钱、资金托管与数据要求。Natural可以借助合作银行完成底层服务，但自身仍要将这些规则转换成开发者可用的产品。速度与审慎需要同时成立。

第二层是开发者工作流。若Natural能够让智能体在几行配置内获得钱包、额度、审批、付款和对账能力，并在异常发生时提供一致的处理接口，它就有机会成为应用团队默认采用的中间层。默认入口带来的集成成本和历史账本，会逐步提高迁移门槛。

第三层是责任网络。商户、银行、卡组织、模型平台、智能体开发者和最终用户都需要承认同一套身份与授权记录。单家公司很难独立建立这种网络，Natural必须通过合作扩大规则的可接受范围。其长期价值将由「有多少真实交易愿意采用这套责任语言」决定。

最强反方来自支付巨头。Visa Intelligent Commerce已经把身份验证、用户控制和支付凭证纳入智能体交易框架，并拥有48亿个支付凭证、超过1.75亿个商户受理点和每年逾3000亿笔交易的网络基础。Visa官方资料 Mastercard在2026年6月发布面向机器交易的Agent Pay for Machines，并称已有30多家机构参与生态，包括Adyen、Ant International、Coinbase和Stripe。Mastercard公告

Stripe也已把智能体商业列为正式产品方向，并持续与模型和云平台合作。Stripe产品动态 如果这些巨头将身份、授权、支付和争议处理整合成统一标准，Natural可能被压缩成某一垂直场景的功能层。

需求侧同样存在反证。Forrester观察到，消费者对智能体支付的采用仍然偏低且增长缓慢，一些早期结账尝试也未形成足够使用量。行业研究 这意味着Natural短期更适合用高频、边界清晰的企业任务验证价值，面向大众消费者的「万能购买助手」仍需等待行为习惯成熟。

五、Natural之外，三类左侧机会正在浮出水面

Natural把多项能力收进同一产品栈，也为投资者提供了一张邻近赛道地图。随着美国AI创投资金继续高度集中，寻找巨头尚未完全覆盖的责任环节，比追逐又一个通用智能体更有辨识度。

第一类是智能体身份与授权。机器需要可验证身份，也需要代表关系的有效期、权限范围和撤销机制。值得跟踪的信号包括：是否进入银行或大型企业生产环境，是否支持跨模型与跨平台身份，撤权后能否同步阻断资金和数据访问。

第二类是可审计账本与争议处理。传统支付记录只回答金额、时间和收款方，智能体交易还要保存任务意图、决策步骤、调用工具和审批过程。这个层面可能出现面向金融机构的审计软件、面向企业的责任图谱，以及自动化退款和证据编排服务。

第三类是机器原生风控。传统反欺诈系统主要识别人类账户异常，智能体会产生新的风险形态，例如指令注入导致误购、多个代理串联绕过额度、模型幻觉生成错误收款方。能否建立专门的行为基线、实时限额和可逆执行机制，将决定机器支付能否扩大到高价值交易。

投资者评估这些项目时，可以优先追踪四项指标：生产环境交易额、活跃付费客户、人工审批占比和损失率。交易额证明需求，客户留存证明工作流价值，人工审批占比衡量自主程度，损失率则检验责任体系是否有效。四项数据一起改善，赛道才会从概念热度进入基础设施周期。

六、黑马判断：先占责任层，平台价值仍待交易量证明

对早期投资者

当前适合建立赛道图谱，重点比较Natural与跨境支付、企业卡、稳定币钱包、智能体身份和风控项目的切入点。估值尚未公开，收入与交易数据也不充分，不宜仅凭融资速度追高。下一阶段应优先核实客户是否进入生产环境，以及Natural在支付链条中掌握的是接口、数据还是责任标准。

对二级市场投资者

Visa、Mastercard和大型支付平台正在把智能体交易纳入产品路线，短期受益更可能表现为现有网络使用量与增值服务扩张。Natural的融资可以作为行业需求信号，尚不足以推导某一家上市公司的确定性增量。观察重点是卡组织能否把身份凭证和消费者授权标准推广到更多模型平台与商户。

对创业者

创业窗口集中在巨头连接较弱、责任边界又足够清晰的垂直任务。企业采购、差旅、物流、物业和供应商付款都有明确预算与审批链，更适合训练权限模型。产品设计应从异常、撤销和追责倒推支付流程，并尽早取得真实交易数据。

四项主要风险

商业化风险：公司仍处于早期阶段，公开客户与交易指标有限，测试需求可能无法转化为持续收入。

竞争风险：卡组织、银行和Stripe具备网络、合规与渠道优势，可以通过标准化产品压缩独立平台空间。

合规风险：资金托管、客户识别、跨境转移和数据责任因地区而异，任何合作银行或监管变化都可能拖慢扩张。

技术风险：模型错误、指令注入和代理身份劫持会直接造成资金损失，安全事件对早期品牌的破坏远高于普通软件故障。

证伪条件

以下事实会强化本文判断：Natural披露持续增长的生产环境交易额；获得更多银行、卡组织或大型企业合作；在提高自主支付比例的同时保持较低欺诈和争议损失；开发者开始将其权限与账本接口作为跨应用标准。

以下变化会迫使我们下调判断：巨头在短期内提供统一且低成本的账户、授权和争议方案；高价值交易长期依赖逐笔人工确认；Natural持续只公布融资和产品数量，缺少真实客户、留存与交易量；其收入主要来自一次性集成服务，平台复用能力没有形成。

Natural已经把「谁能让智能体花钱」推进到「谁能为智能体花的钱负责」。3000万美元买到的是一段标准尚未固化的时间窗口。未来两年，决定公司位置的将是生产交易、责任数据和生态接受度；这三项同时出现，智能体的「公司卡」才可能成为一层独立基础设施。

── 投黑马研究团队

免责声明：本文基于公开资料进行研究与评论，仅供行业交流，不构成任何投资建议。早期项目具有高不确定性，相关信息与判断可能随公司披露、市场变化和监管要求而调整。

企业AI投资正在从「购买最强模型」转向「拥有持续优化能力」。Prime Intellect用算力、强化学习、环境与评测组成全栈平台，这笔融资押注的是企业智能生产方式的迁移。

一、开篇——这笔融资为什么不普通

2026年7月8日，AI基础设施公司Prime Intellect宣布完成1.3亿美元A轮融资，由Radical Ventures领投，NVIDIA Ventures、Intel Capital、Dell Technologies Capital及原有投资人参投。公开报道显示，本轮投后估值约10亿美元；加上此前融资，公司累计融资超过1.5亿美元。

这笔钱至少有四个不寻常的细节。

第一，轮次与规模不匹配。1.3亿美元通常是成熟公司的中后期融资体量，Prime Intellect却把它放在A轮。公司2024年4月才宣布550万美元种子轮，2025年2月又获得Founders Fund领投的1500万美元融资。两年多时间，它从一个「聚合闲置GPU」的去中心化算力项目，跃升为10亿美元估值的企业AI基础设施独角兽。

第二，增长速度异常。公司披露，平台已有超过6000家客户，覆盖算力、强化学习、后训练、沙箱、推理、环境和评测；相关需求在不到一年内带来超过1亿美元的年化收入。即使这一数字仍需等待更完整的收入质量披露，它依然解释了为什么投资人愿意在A轮给出如此激进的定价。

第三，投资人结构不是常见的纯财务组合。领投方Radical Ventures专注AI原生投资，NVIDIA Ventures、Intel Capital和Dell Technologies Capital则分别连接GPU、芯片平台、服务器与企业基础设施。它们同时进入，说明资本买的不只是一个软件工具，而是AI训练与部署栈里可能出现的新控制层。

第四，公司走了一条反叙事路线。过去两年，企业采用AI的主流路径是调用闭源模型API，把智能能力当作外部服务购买。Prime Intellect却认为，企业应该在自己的数据、工作流和产品反馈上训练专用模型，并持续强化，而不是永远等待通用模型下一次升级。

问题由此浮现：当最强通用模型仍在快速进步，企业为什么还要花钱自建一套训练与强化系统？机构此刻押注的，究竟是一家GPU聚合商，还是企业智能生产方式的一次迁移？

二、为什么是这个方向

主流叙事：模型越强，企业越省事

企业AI过去的默认答案很简单：购买最强模型的API，接上自己的数据，再做一层应用。这个路径启动快、前期成本低，也避免了自己训练模型的复杂工程。只要基础模型持续变强，应用就能被动获得能力升级。

但这套逻辑在智能体阶段暴露出三个问题。

其一，通用模型的平均能力很强，却未必能在某个高频工作流中同时做到更准、更快、更便宜。其二，企业把真实用户反馈、工具调用轨迹和业务结果交给外部模型，却未必能把这些反馈变成自身可积累的模型资产。其三，智能体一旦深入财务、客服、开发和运营流程，企业需要的不只是一次推理，而是可重复的评测、训练、上线和继续优化。

Prime Intellect押注的反叙事是：预训练让前沿能力集中在少数模型公司，强化学习和后训练则可能把差异化能力重新带回企业内部。企业不必从零训练一个通用大模型，而是可以选择合适的开放模型，用自己的环境、任务与奖励信号，把它训练成某个工作流里的专才。

这不是抽象口号。Prime Intellect披露的Ramp案例显示，Ramp使用其平台训练了一个用于财务表格检索的35B专用子智能体FastAsk。在公司自建的保留评测集上，该模型的准确率较基座提高10个百分点，并以更低的延迟和成本超过被比较的闭源前沿模型。需要强调的是，这属于公司与客户公布的个案结果，不能直接外推到所有任务；但它证明了一个关键商业命题：在边界清晰、反馈可验证的流程里，「专用小模型＋持续强化」可能比「每次调用最大模型」更经济。

为什么是现在：环境和评测开始成为新瓶颈

模型训练的旧瓶颈是算力和数据。智能体时代的新瓶颈增加了两项：环境与评测。

环境决定智能体能否在接近真实业务的沙箱里调用工具、执行多步任务并获得反馈；评测决定企业能否判断一次训练究竟带来了真实提升，还是只在某组样例上得分更高。没有这两层，强化学习容易变成昂贵实验，无法进入稳定生产循环。

Prime Intellect把算力市场、强化学习框架、任务环境、沙箱、评测、推理与部署放在一套栈里，试图减少企业跨多个供应商拼装系统的成本。它卖的不是单个GPU，也不是单次训练服务，而是「把业务反馈变成模型改进」的完整流水线。

这就是本轮融资的真正时点逻辑：基础模型能力足够强，开放模型足够丰富，企业开始积累智能体运行轨迹，而推理成本与业务确定性又迫使客户寻找更细颗粒度的优化。资本因此从「谁能训练下一个通用模型」转向「谁能让数千家企业训练自己的专用智能」。

三、投资人结构解读

Radical Ventures——领投的是强化学习基础设施，不是算力转售

Radical Ventures长期围绕AI模型、基础设施和垂直应用布局。该机构在2026年AI趋势判断中明确提到，Prime Intellect正在抽象强化学习管线的复杂度，帮助客户构建定制模型。这与本轮领投高度一致。

Radical Ventures看中的核心，不应只是GPU聚合业务。算力转售容易陷入供给同质化、价格透明和毛利承压，而训练环境、评测体系与客户工作流的结合更可能形成软件收入与迁移成本。它押注的是Prime Intellect能否从算力入口向训练控制层上移。

NVIDIA Ventures——投资一个让GPU消耗更深的中立层

Prime Intellect早期的计算市场聚合不同云和数据中心的GPU，现在又把业务延伸到强化学习、后训练和持续推理。无论客户选择哪种开放模型，只要训练与强化频率上升，对高性能计算的需求就会增加。

因此，NVIDIA Ventures的投资并不矛盾。Prime Intellect表面上帮助客户比较和调度算力，长期却可能扩大GPU的使用场景：过去企业只在推理时消耗算力，未来每个关键工作流都可能持续采集轨迹、反复训练与评测。NVIDIA买的是新增工作负载及开发者入口，而不是某一家云服务商的份额。

Intel Capital——押注智能体负载从GPU扩展到系统协同

Intel Capital在投资说明中把Prime Intellect定义为训练和部署自我改进智能体的全栈平台。智能体工作负载并非只有模型计算，还包括沙箱、工具调用、数据预处理、存储与调度，对CPU、内存和网络的系统协同提出更高要求。

Intel Capital进入本轮，说明芯片产业资本关注的对象已从单纯模型训练扩展到智能体运行基础设施。对Prime Intellect而言，Intel也能提供企业客户、硬件适配和系统优化资源，帮助它降低对单一算力形态的依赖。

Dell Technologies Capital——押注企业从「租智能」转向「拥有智能」

Dell Technologies Capital给出的投资逻辑最直接：随着后训练和强化学习重塑AI，更多组织希望拥有自己的智能，而不是持续租用外部智能。Dell连接服务器、存储、数据中心和企业IT采购体系，天然关心AI工作负载是否会回到企业可控的私有或混合基础设施中。

它的加入给Prime Intellect补上了企业落地的一环。训练工具能否进入大客户，不只取决于算法能力，还取决于安全、部署、运维、采购与服务体系。Dell所代表的渠道和基础设施经验，能帮助这家公司从开发者平台走向企业级交付。

原有投资人与产业天使——形成产品分发网络

原有投资人包括Founders Fund、Menlo Ventures等，个人投资者则出现Ramp、Box、Zapier、Harvey、Cognition、Cloudflare、LangChain和Mercor等公司的创始人或核心人物。这份名单的价值不只是声量。

这些公司分别处于企业软件、智能体、法律AI、自动化、云基础设施和人才平台等场景，恰好是强化学习平台最需要的首批设计伙伴。产业天使既能提供真实任务环境，也能带来标杆案例和开发者分发。投资人结构因此形成一条清晰链路：专业AI基金负责判断技术范式，芯片与硬件资本提供基础设施，应用层创始人提供工作流和客户验证。

四、护城河拆解

看起来像护城河的：算力规模、开源项目与融资额

聚合多个GPU供应商能扩大可用资源，但供给本身并不排他；客户也可以在不同云平台之间迁移。开源研究和模型能建立品牌与开发者信任，却也意味着部分技术成果会被同行复用。1.3亿美元融资可以换来集群和人才，但资金优势同样可能被更大平台追平。

这些都是入场券，不是真正的护城河。

可能成为真护城河的：工作流闭环与跨层数据

Prime Intellect真正有机会筑墙的地方，是从算力到环境、训练、评测、部署的跨层闭环。客户一旦把内部任务转化为训练环境，沉淀奖励函数、评测集、运行轨迹和模型版本，就不再只是购买计算小时，而是在平台上积累一套专属的智能生产资产。

这会形成三种迁移成本。第一是工程迁移：训练管线、沙箱和部署方式需要重做。第二是数据迁移：真实工作流轨迹与评测集包含大量隐性结构。第三是组织迁移：业务团队和模型团队围绕同一平台形成协作流程。若Prime Intellect能把三者同时锁住，护城河会明显强于单纯算力市场。

护城河失效的三个场景

第一，基础模型公司把环境、强化学习和评测做成原生能力，并以模型API客户为入口打包销售。它们掌握模型本体和分发渠道，可能压缩独立平台空间。

第二，云厂商把类似工具纳入现有AI平台。企业客户通常倾向减少供应商数量，如果独立平台的效果优势不够显著，就可能输给「足够好且采购方便」的一体化方案。

第三，年化收入的质量不及增长表象。若较大比例来自低毛利算力转售，而非高留存的软件和训练服务，那么1亿美元年化收入并不等于成熟的软件商业模式。当前公开信息尚未拆分收入构成、毛利率、客户集中度与净留存率，这正是后续尽调必须追问的部分。

五、被市场低估的周边机会

Prime Intellect本轮已经完成，10亿美元估值也让直接投资窗口明显收窄。更值得左侧投资者关注的，是这笔融资照亮的三类周边机会。

机会一：智能体环境与奖励设计工具

企业要做强化学习，首先要把真实流程变成可重复运行的任务环境，并设计可验证的奖励信号。不同于通用标注平台，这类公司需要理解工具调用、业务规则、异常状态与结果归因，技术和行业知识都更重。它可能成为智能体时代的新型数据基础设施。

追踪信号：头部企业是否把「环境工程师」或「评测工程师」设为独立岗位；垂直场景是否出现共享环境标准；客户是否愿意为任务环境的持续维护而非一次性交付付费。

机会二：强化学习可观测性与安全评测

模型持续学习后，企业需要知道行为为什么改变、奖励是否被钻空子、版本升级是否破坏原有能力。传统MLOps记录训练指标，但智能体还要追踪多步轨迹、工具权限、奖励偏差和线上回归。围绕这些问题的可观测性、红队测试与审计工具仍处早期。

追踪信号：大客户采购是否从「模型评测」升级为「智能体全生命周期评测」；监管行业是否要求保留工具调用与决策轨迹；是否出现能横跨多个模型和训练平台的中立评测层。

机会三：异构算力调度与闲置容量金融化

强化学习工作负载既有短时突发的大规模训练，也有持续推理和大量沙箱任务，对GPU、CPU、网络和存储的组合需求复杂。能够跨云、跨芯片调度，并对中断风险、性能和价格进行量化的基础设施仍有空间。

追踪信号：企业是否开始把多云算力作为常态配置；现货实例在可容错训练中的使用比例是否提升；算力供应商是否开放可编程的容量与价格接口。真正的机会不在简单比价，而在把异构资源变成可靠、可预测的生产能力。

六、【黑马判断】+ 布局建议 + 风险披露 + 结语

分层布局建议

给一级市场投资者：本轮直接窗口已关闭，应扫描环境构建、智能体评测、强化学习可观测性和异构算力调度等更早期标的。选股时重点追问三个指标：软件收入占比、客户自建环境数量、同一客户的训练与评测频次。只有客户持续把业务反馈放回平台，才说明闭环真正成立。

给二级市场投资者：间接路径包括AI服务器、网络、存储、数据中心和企业AI基础设施供应商。但不要把所有算力需求都等同于高质量增长，应区分一次性集群采购与持续性工作负载，并关注资本开支能否转化为更高利用率和服务收入。

给创业者：不要与全栈平台正面拼算力规模。更现实的切口是选择一个高价值垂直场景，把任务环境、奖励信号和评测标准做深，成为平台离不开的专业层。谁能定义「什么叫完成得好」，谁就更接近掌握智能体训练的价值入口。

风险披露

第一，商业化周期风险。企业自建模型优化闭环需要数据、人才与组织协同，很多客户可能长期停留在试验阶段，无法形成稳定扩张收入。

第二，竞争加剧风险。基础模型公司、云厂商和开源框架都在补齐强化学习、环境和评测能力，Prime Intellect面临上下游同时进入的压力。

第三，技术替代风险。若通用前沿模型在成本和特定任务能力上持续快速改善，企业训练专用模型的投入回报可能下降；新的推理时优化方法也可能替代部分后训练需求。

第四，收入质量与基础设施风险。公开披露的年化收入尚缺少毛利率、留存率和客户集中度细节；算力聚合还涉及供应稳定、网络性能、数据安全和多供应商运维复杂度。

结语

回到开篇，这笔A轮真正不普通的地方，不是1.3亿美元，也不是10亿美元估值，而是资本开始为一种新的企业能力定价：企业不再满足于租用一次智能，而希望拥有让智能持续变好的生产线。Prime Intellect要证明的，是这条生产线能否成为独立平台，而非云厂商的一项功能。

在智能体时代，最值得长期拥有的资产未必是某个模型版本，而是「业务反馈—训练—评测—部署」不断循环的能力。聪明钱这次买下的，正是这个循环可能形成的控制点。

── 投黑马研究团队

本文为投黑马「融资观察」第013期。融资信息与经营数据主要来源于Prime Intellect官方公告、Intel Capital投资说明、Prime Intellect客户案例、Prime Intellect历史融资公告及公开报道。公司披露数据未经独立审计，本文仅就企业与产业层面作客观分析，不构成任何投资建议。一级市场投资有风险，决策需独立判断。

2026年6月22日，一家成立才18个月、产品还没出货的AI网络芯片公司Upscale AI，宣布完成1.9亿美元A-1轮融资。把它单独拎出来，有四个细节不太寻常。

第一，这家公司的全部使命，就是拆掉NVIDIA最坚固的一道墙——而NVIDIA这次亲自掏钱进来了。 Upscale做的是AI数据中心的「scale-up」网络互联，对标的正是NVIDIA的NVLink与NVSwitch。后者是把成千上万颗GPU绑定在NVIDIA生态里的关键锁扣。一家立志用开放标准替代这道锁扣的公司，迎来了被替代者本人的投资。

第二，节奏。 18个月，三轮融资，累计5亿美元，投后估值冲到20亿美元——在一颗自研交换芯片尚未量产、首款产品要到2026下半年才落地的阶段。这个估值曲线，已经不像传统A轮，更像市场在用「卡位费」给一个尚未验证的赌注定价。

第三，投资人名单的杂。 领投方是管理着约150亿美元的Premji Invest；新进的有NVIDIA、Salesforce Ventures、淡马锡、Seligman Ventures；老股东里有Mayfield、Tiger Global、StepStone、Maverick Silicon、Prosperity7；更早的种子轮里，还坐着Qualcomm Ventures、Intel Capital、Celesta、Xora，甚至斯坦福大学。产业资本、主权基金、财务巨头、对手公司，挤在同一张桌子上。

第四，它是「分拆」出来的。 Upscale并非凭空而起，而是从一家比特币矿机硬件公司Auradine（现已更名Velaura AI）的内部孵化、再剥离独立出来。把挖矿攒下的ASIC设计与散热功耗经验，平移到了AI互联这条全新赛道。

这就引出了本期要回答的核心问题：当聪明钱都在抢算力、抢大模型时，为什么这一拨资本，选择押注「连接算力的那根线」？而被颠覆的对象NVIDIA，为什么要给颠覆者递钱？

二、为什么是这个方向——网络层的反叙事

过去三年，一级市场的AI叙事高度集中在两端：要么是模型层（基础模型、应用、Agent），要么是算力层（GPU、自研推理芯片、数据中心）。网络互联层，长期是被叙事忽略的中间地带。 Upscale的第一个反叙事判断就在这里：真正的瓶颈，正在从「单颗芯片多快」迁移到「成千上万颗芯片之间能不能高效对话」。

联合创始人、CEO Barun Kar把这件事说得很白：现在的网络，不再是CPU到CPU、CPU到存储，而是GPU到GPU，要求极高带宽、极低且可预测的延迟，本质上是一张「内存语义」的负载-存储网络。一句话——当模型训练把几万颗加速器绑成一台「超级计算机」，决定整机效率的，往往不是单颗芯片的峰值算力，而是芯片间同步的那一刻有没有人掉队。

第二层反叙事更尖锐：方向对了，路线却偏要跟主流反着走。 市场的默认路线是NVLink、NVSwitch、InfiniBand这一整套NVIDIA私有方案，性能强、但把客户锁进单一生态——你想用它的互联，机柜里最好全是它的卡。Upscale押的是另一条路：完全基于开放标准的「fabric」。它的技术栈搭在一组业界开放协议上——UALink（由AMD、Broadcom牵头、80多家公司支持的加速器互联标准）、Ultra Ethernet、面向scale-up的ESUN，以及开放网络操作系统SONiC与硬件抽象层SAI。目标是让不同厂商的加速器，能像插标准插座一样接入同一张网，「用同一种语言对话」。

为什么现在是时机？因为窗口正好打开。开放标准刚刚成形、还没有出现统治级的商用实现；而下游的超大规模厂商，对「避免被单一供应商锁定」的诉求达到了历史峰值。据行业测算，仅AI数据中心交换设备市场，到2030年年规模就将突破1000亿美元；五大科技公司2026年的基础设施开支预计在6600亿到6900亿美元区间，几乎是上一年的两倍。在如此体量的基建狂奔里，哪怕只啃下「开放替代」这一小块，也足够撑起一家新巨头。Upscale的赌注，是想成为「这一代AI网络的思科」。

三、投资人结构解读——五类钱，五种意图

这张投资人名单之所以值得逐一拆解，是因为它把「同一笔融资里不同资本的不同算盘」摆得格外清楚。

领投：Premji Invest——跟着人下注。 这家脱胎于Wipro创始人家族的约150亿美元基金，并非第一次押Khemani。它曾在联合创始人、执行董事长Rajiv Khemani的上一家公司Innovium后期入局，最终见证Innovium在2021年被Marvell以约11亿美元收购。管理合伙人Sandesh Patnam的逻辑很直接：过去几年算力层本身都是为生成式AI重写的，那么网络、存储、缓存——基础设施的每一层，都同样没有为这种负载设计过。这是典型的「赛道逻辑+创始人复用」双重确认：既看好瓶颈迁移的大方向，又赌一个已经赢过一次的人。

最耐人寻味：NVIDIA——被颠覆者的对冲。 一家要替代NVLink的公司，拿了NVIDIA的钱，这看似矛盾，实则是产业资本最冷静的一手。Upscale本就已是NVIDIA合作伙伴网络的一员；Khemani对此的回应是「未来是异构AI系统的世界，不是NVIDIA或我们二选一，而是各种方案共存」。对NVIDIA而言，这笔投资更像一张期权：如果开放路线真的成势，它在桌上有人；如果不成，损失有限。对赛道而言，这是一个强烈信号——连最大的既得利益者，都不敢把「开放标准会失败」当成确定性。

产业战略资本：Intel Capital、Qualcomm Ventures——拆墙的受益者。 这两家芯片巨头在更早的种子轮入局，意图清晰：开放fabric一旦成立，受益最大的正是NVIDIA之外的加速器阵营。它们投的不只是Upscale，而是「异构能跑通」这件事本身。

财务与主权资本：淡马锡、Salesforce Ventures、Tiger Global、StepStone、Maverick Silicon、Prosperity7——为「资产负债表」背书。 这一层的意义，除了成长资本，还有一个容易被忽视的作用：自研芯片在最先进制程上流片，未投产就要烧掉数亿美元；晶圆厂还要求公司提前最多两年锁定并付费预订产能。Khemani自己点破——供应商要看你的资产负债表有多强，才肯把产能留给你。换句话说，这一轮的厚度本身，就是拿给供应链看的「履约能力证明」。

孵化母体：Auradine（现Velaura AI）——分拆结构的隐形股东。 Upscale的技术与团队，部分平移自这家矿机硬件公司的ASIC与散热功耗积累。这种「老硬件团队孵化新AI基础设施公司」的结构，本身就是一种值得追踪的资本模式。

四、护城河拆解——开放标准是把双刃剑

Upscale最容易被讲成护城河的三件事：顶配的创始团队、卡位开放标准的先发身位、以及全栈自研（自己做芯片、系统、软件）。但要区分「看起来是护城河」和「真正的护城河」。

先说团队，这是最实的一块。Khemani是连续创业者，Innovium是十年里唯一在Broadcom垄断的网络芯片市场里真正撕开份额的初创公司；他还掌过Intel的网络处理业务、当过Cavium的COO。Kar则是Palo Alto Networks的创始团队成员，管过Juniper整条以太网产品线。这种「既懂芯片、又懂系统、还打过大厂硬仗」的组合，是早期最稀缺的资产，也是这轮高估值的真正锚点。

但开放标准这件事，恰恰是护城河里最脆的一环。 逻辑很简单：开放标准按定义就是非排他的——UALink、Ultra Ethernet谁都能照着做。Upscale押注开放，赢得了「政治正确」和生态盟友，却也意味着它无法靠标准本身建立排他壁垒。真正能转化为护城河的，是三样更苦的东西：一是时间窗与客户design-in，谁先拿到超大规模厂商的设计导入，谁就锁定多年订单；二是供应链卡位，提前锁定先进制程产能本身就是壁垒；三是全栈系统集成能力，把硅、系统、软件捏成一个能跑的整机，比单点做交换芯片难得多。

天花板与潜在失效场景也要说清楚。其一，对手不弱：直接竞品Nexthop AI在2026年3月已完成5亿美元B轮、估值42亿美元，进度可能更靠前；身后还有Broadcom和NVIDIA近乎无上限的研发预算。其二，开放标准能否在真实大规模训练里追平NVLink的性能，仍未被证明——「标准好」不等于「实现好」。其三，最根本的替代风险来自客户本身：若超大规模厂商选择自研互联（部分巨头已有自有方案），开放第三方的空间会被两头挤压。开放路线的尽头，也可能是被商品化。

五、被市场低估的周边机会

需要先说清楚：Upscale本轮的直接投资窗口已基本关闭——20亿美元估值、明星投资人锁满，一级市场很难再以「左侧」价格进入。真正的左侧机会，在它「照亮」的周边。

机会一：开放互联的物理配套层。 scale-up fabric要跑起来，离不开retimer、光互联、共封装光学（CPO）、高速线缆这些「毛细血管」。开放标准越成势，配套层的标准化需求越刚性，而这一层目前仍高度分散、缺少卡位者。追踪信号： 首批UALink商用交换机出货时点、光模块/连接器厂商通过UALink兼容认证的名单。

机会二：非NVIDIA阵营的加速器厂商。 开放fabric的最大受益者，是想绕开生态锁定的加速器供应商——包括AMD及一批专注推理的ASIC新创。它们需要一张「中立的网」来让自己的芯片具备集群竞争力，这反过来会催生对开放互联的真实订单。追踪信号： neocloud（新型云厂商）采用非NVIDIA加速器集群的规模化订单、异构集群的公开部署案例。

机会三：开放网络的软件与可观测层。 SONiC等开放NOS、scale-up的测试验证工具、异构集群的调度与可观测软件，是比硬件更轻、更早期、也更容易被忽视的一层。硬件巨头扎堆造芯片时，软件工具链往往留着空白。追踪信号： 围绕SONiC/UEC生态的开发者工具创业项目数量、超大规模厂商对第三方网络可观测方案的采购。

此外，「矿机硬件团队孵化AI基础设施公司」这一分拆模式本身，也值得当作一条线索追踪——Auradine之外，是否会有更多拥有ASIC与功耗散热经验的硬件团队，沿同样路径切入AI基建。

六、【黑马判断】+ 布局建议 + 风险披露 + 结语

分层布局建议

对一级市场投资者： Upscale本轮已无左侧入口，重心应转向它照亮的周边——开放互联的物理配套（光互联/CPO/retimer）、开放NOS与可观测软件、异构集群测试工具。选股标准建议三条同时满足：团队具备大厂networking或silicon背景、明确卡位某一项开放标准、且已有可验证的客户导入信号。对单纯「蹭开放标准概念」、无客户、无供应链能力的项目保持警惕。

对二级市场投资者： 间接路径更稳健。开放scale-up一旦成势，受益面会外溢到以太网交换、互联IP、光模块等已上市环节；可观察这些公司在UALink/Ultra Ethernet生态中的产品节奏。注意事项：开放标准进展与NVIDIA互联份额之间存在此消彼长，但二者节奏都高度依赖产品落地与真实性能验证，不宜用单一事件外推。

对创业者： 市场空白集中在「硬件巨头顾不上的软层」——开放fabric的调度、可观测、故障定位软件，scale-up的测试与一致性验证工具，以及异构集群的运维。这些方向资本投入轻、卡位早、且与大厂形成互补而非正面对撞。

风险披露

其一，商业化周期长。 首款基于UALink的交换芯片要到2026下半年至年底才落地，自研ASIC在先进制程上流片，未出货即需投入数亿美元并提前锁定产能，现金消耗节奏快。

其二，竞争加剧。 直接竞品Nexthop AI已完成5亿美元B轮、估值42亿美元；Broadcom与NVIDIA拥有近乎无上限的研发资源，开放阵营需要在性能上正面证明自己。

其三，技术替代风险。 开放标准能否在真实大规模训练中追平NVLink，尚未被验证；而NVLink仍在持续迭代，护城河是动态的。

其四，治理与利益结构风险。 Upscale由Auradine（现Velaura AI）孵化分拆，存在母体关联；同时NVIDIA既是被对标对象、又是股东，这一特殊结构意味着战略投资人的意图，未必始终与公司的开放路线完全一致，需持续观察其治理边界。

结语

回到开篇那个反常的画面：一家立志拆掉NVIDIA互联护城河的公司，拿了NVIDIA的钱。这恰恰说明，AI基础设施的竞争重心，正在从「谁的芯片更快」悄悄滑向「谁能把芯片连得更好、连得更开放」。Upscale未必能笑到最后——它的产品还没出货，对手个个财大气粗。但这笔融资真正昭示的，是一条左侧投资的底层哲学：当所有人都盯着舞台中央的算力，聪明钱已经在买那根连接算力、却始终不被注视的线。瓶颈会迁移，叙事会换位，提前一步看清「下一个卡点在哪」，才是左侧的全部意义。

── 投黑马研究团队