Por Canuto  

Prime Intellect anunció una ronda Serie A por USD $130 millones para expandir su plataforma de entrenamiento, inferencia y aprendizaje continuo de modelos de IA. La empresa afirma que la irrupción del aprendizaje por refuerzo está cambiando quién puede construir IA de frontera y sostiene que ya trabaja con más de 6.000 clientes.
***

  • Prime Intellect elevó su financiación total a más de USD $150 millones tras cerrar una Serie A de USD $130 millones.
  • La compañía asegura que su demanda escaló a más de USD $100 millones en ingresos anualizados en menos de un año.
  • Según la empresa, clientes como Ramp ya superan a modelos cerrados en tareas específicas usando su stack de entrenamiento posterior.

 

Prime Intellect levanta capital para ampliar su apuesta por la IA abierta

Prime Intellect anunció una ronda Serie A de USD $130 millones para avanzar en la construcción de lo que define como un stack de superinteligencia abierta. La operación fue liderada por Radical Ventures.

En la ronda también participaron NVIDIA Ventures, Intel Capital, Dell Technologies Capital y los inversionistas existentes de la empresa. Con este nuevo capital, la financiación total de la compañía supera USD $150 millones.

La empresa también informó la entrada de varios inversionistas ángeles vinculados al desarrollo de inteligencia artificial y software empresarial. Entre ellos mencionó a John Schulman, de Thinking Machines, y Karim Atiyeh, de Ramp.

La lista incluye además a Aaron Levie de Box, Dwarkesh Patel, Milan Kovac de Tesla y Winston Weinberg de Harvey. También aparecen Mike Knoop de Zapier y Ndea, Asher Spector de Flapping Airplanes, Jeff Wang de Cognition y Rohan Anil de Core Automation.

Prime Intellect sumó igualmente a Matthew Prince de Cloudflare, Brendan Foody de Mercor, Devansh Pandey de Standard Intelligence, Harrison Chase de Langchain y Nic Ouporov de Fleet. La compañía sostuvo que muchos otros ángeles se unieron a la ronda.

El anuncio refleja el creciente interés del capital de riesgo por plataformas de infraestructura de IA. En especial, por aquellas que prometen reducir la dependencia de los grandes laboratorios cerrados y llevar capacidades avanzadas a startups y empresas.

La tesis de la empresa: el RL cambia quién puede construir IA de frontera

Prime Intellect argumenta que el preentrenamiento concentró la IA de frontera en manos de un grupo reducido de laboratorios. Según su planteamiento, esa etapa favoreció a quienes contaban con grandes volúmenes de capital, datos y cómputo.

La compañía sostiene que el aprendizaje por refuerzo, o RL por sus siglas en inglés, cambia esa dinámica. A su juicio, ahora las empresas pueden apropiarse del ciclo de optimización de sus modelos con mayor control sobre producto, datos y flujos de trabajo.

Ese cambio tendría implicaciones importantes para el mercado. En vez de esperar mejoras generales de un modelo comercial cerrado, una firma podría entrenar sistemas adaptados a tareas concretas y refinarlos directamente en producción.

Prime Intellect plantea que ese control del ciclo de optimización crea un foso competitivo acumulativo en la era de los agentes. La idea central es que el valor no estaría solo en acceder a un modelo potente, sino en mejorarlo continuamente dentro del producto propio.

La empresa afirma que la infraestructura era la pieza faltante para ese modelo operativo. En su visión, ese conjunto de herramientas había permanecido principalmente dentro de los laboratorios de frontera, limitando el acceso de actores externos.

Para lectores menos familiarizados con el tema, RL se refiere a técnicas con las que un modelo aprende mediante retroalimentación y objetivos definidos. En el actual ciclo de IA, esta aproximación gana relevancia para sistemas que ejecutan tareas, usan herramientas y corrigen su desempeño con iteraciones sucesivas.

Qué incluye el stack de superinteligencia abierta

Prime Intellect dice que entrena modelos de frontera abiertos y luego ofrece a sus clientes ese mismo stack tecnológico. La compañía presenta esta estructura como una base integrada para entrenar, desplegar y mejorar modelos de forma continua.

Según la empresa, el stack cubre todas las capas críticas del proceso. Allí incluye cómputo, RL a gran escala, entornos, sandboxes, evaluaciones e implementación.

La propuesta combina elementos que normalmente se encuentran dispersos entre varios proveedores. En la práctica, esto apunta a reducir la fricción para compañías que quieren crear agentes especializados sin montar internamente cada componente de infraestructura.

El énfasis en sandboxes y evaluaciones también responde a una necesidad operativa. Los agentes de IA requieren espacios de prueba y métricas consistentes para validar si una mejora realmente supera el comportamiento anterior.

La inferencia y el aprendizaje continuo forman otra parte central del mensaje de la empresa. Prime Intellect sostiene que el futuro apunta a modelos que no solo responden solicitudes, sino que aprenden mientras operan en un entorno real.

Ese enfoque se conecta con la tendencia más amplia de la industria hacia sistemas más autónomos. También abre preguntas sobre costos, seguridad, gobernanza y control del rendimiento, temas que seguirán siendo determinantes a medida que estos modelos se desplieguen a mayor escala.

Más de 6.000 clientes y un caso destacado con Ramp

Prime Intellect aseguró que ya trabaja con más de 6.000 clientes. Entre ellos mencionó a startups líderes de IA, neolabs y empresas que utilizan distintas partes de su stack.

La compañía detalló que esos clientes usan sus servicios en cómputo, RL y entrenamiento posterior, además de sandboxes, inferencia, entornos y evaluaciones. Según su declaración, la demanda se expandió con rapidez en menos de un año.

Ese crecimiento, añadió la firma, llevó el negocio a más de USD $100 millones en ingresos anualizados. La empresa no ofreció en el anuncio un desglose adicional sobre cuánto proviene de cada línea de producto.

Prime Intellect destacó el caso de Ramp como prueba de que su enfoque puede superar a modelos cerrados en tareas concretas. De acuerdo con la empresa, Ramp entrenó un modelo de 35B en Lab para búsquedas dentro de hojas de cálculo.

Ese modelo, indicó Prime Intellect, superó a Opus en búsqueda de hojas de cálculo. También habría operado un 27% más rápido y a un costo mucho menor que Haiku.

Karim Atiyeh, co-CEO de Ramp, afirmó que trabajaron con Prime Intellect para entrenar Fast Ask en Lab. Lo describió como un pequeño subagente entrenado con RL para ayudar al agente Ramp Sheets a encontrar respuestas dentro de hojas de cálculo.

En la cita reproducida por la empresa, Atiyeh señaló que el resultado superó a modelos de frontera en precisión, con mayor velocidad y a una fracción del costo. También afirmó que, en lugar de esperar un mejor modelo de frontera, entrenaron uno propio para el flujo de trabajo que les importaba.

Casos de este tipo ilustran por qué muchas compañías buscan modelos más ajustados a tareas muy específicas. En ciertos contextos empresariales, un sistema más pequeño y optimizado puede resultar más útil y más barato que uno generalista de mayor tamaño.

La hoja de ruta: agentes de largo horizonte, RLM y aprendizaje continuo

Prime Intellect dijo que ahora está escalando cada capa de su stack. Eso incluye clústeres de cómputo cada vez más grandes, ejecuciones de RL de mayor escala y herramientas para entrenamiento, inferencia y aprendizaje continuo de agentes.

La empresa también señaló que está realizando apuestas ambiciosas en problemas que considera especialmente relevantes para el futuro de la IA. Una de ellas son los agentes de largo horizonte y los llamados Modelos de Lenguaje Recursivos, o RLMs.

Según Prime Intellect, los modelos actuales se rompen en contextos largos. En contraste, sostiene que los RLMs pueden manejar su propio contexto y coordinar subagentes.

La compañía afirmó que ha estado escalando el entrenamiento de RLM durante los últimos meses. En su visión, ese paradigma podría convertirse en la vía de escalado para agentes capaces de trabajar durante días.

Otro frente de trabajo es la automatización de la investigación y la ciencia de IA. La empresa mencionó aplicaciones que abarcan desde el preentrenamiento, con una referencia a “nanogpt autónomo”, hasta RL, con una referencia a “Agente General”, y más allá.

Prime Intellect también puso énfasis en el aprendizaje continuo. Su tesis es que el futuro pertenece a modelos que aprenden en producción, donde entrenamiento e inferencia se fusionan en un solo ciclo operativo.

Para sostener esa visión, la empresa indicó que su stack fue diseñado con una integración estrecha entre despliegues de RL, entrenamiento y servicio. Esa arquitectura busca facilitar iteraciones rápidas sin depender de ciclos aislados de actualización de modelos.

Una señal sobre la competencia en infraestructura de IA

El movimiento de Prime Intellect llega en un momento de fuerte competencia por la infraestructura de IA. No solo compiten los desarrolladores de modelos, sino también los proveedores de cómputo, herramientas de evaluación y plataformas de agentes.

En ese contexto, la idea de un stack abierto tiene implicaciones estratégicas. Para startups y empresas, puede representar una vía para reducir dependencia tecnológica y capturar más valor sobre procesos críticos entrenados con datos propios.

Al mismo tiempo, el enfoque abierto enfrenta rivales con más capital, más acceso a chips y una presencia de mercado ya consolidada. Prime Intellect reconoce esa realidad al describirse como un equipo pequeño que compite contra laboratorios cerrados muy bien financiados.

La promesa comercial es clara: permitir que miles de equipos entrenen modelos de frontera que les pertenezcan. Eso incluye control sobre datos, flujos de trabajo y producto, un punto que la empresa repite como eje de su propuesta.

Según el anuncio publicado por Prime Intellect, el mismo stack que usa para entrenar sus propios modelos de frontera ya está en manos de miles de equipos. La empresa invitó tanto a clientes potenciales como a candidatos para roles en RL, inferencia, sistemas distribuidos y cómputo.

La relevancia del anuncio no radica solo en la magnitud de la ronda. También muestra cómo la nueva carrera por la IA se desplaza desde el acceso a modelos generales hacia la capacidad de entrenar, ajustar y operar agentes especializados con infraestructura propia.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados