River AI reser 1,1 miljarder dollar för att bygga personliga AI-agenter du kan träna, äga och kontrollera

En fullstack-mission: Bygga AI från grunden

River AI:s kärnuppdrag är att återuppfinna AI från grunden genom att bygga hela stacken från början till slut – träningsinfrastruktur, modeller, produktlager och hårdvara – för att skapa personligt träningsbara agentassistenter . Företaget positionerar detta som ett skifte bort från AI som ersätter arbetare. Istället vill man ha AI som du kan lära upp, forma och äga .

Som grundaren Igor Babuschkin beskrivit det handlar det om att skapa intelligens som ”flyter med dig” snarare än att sitta i en svart låda som du bara kan prompta . Den långsiktiga visionen: en värld där varje person har sina egna personligt tränade AI-agenter som arbetar för deras räkning – istället för en-modell-passar-alla-modeller som ägs av ett enda företag .

Första produkten: River API – ett motgift mot prompt-teknik

River AI:s första produkt, som varit live sedan lanseringen i juni 2026, är River API – en molnbaserad träningstjänst för modeller med öppen vikt . API:et erbjuder:

• LoRA-baserad finjustering och förstärkningsinlärning (RL) på öppna modeller från 35 miljarder till 1 biljon parametrar, inklusive Qwen3.6, Kimi K2.6 och GLM 5.2 (fler läggs till löpande)
• En enda Python-klient för träning, sampling och servering, med token-baserad fakturering per miljoner token för både träning och inferens – snarare än per GPU-timme

River positionerar API:et direkt som ett motgift mot prompt-teknik. Företagets produktmaterial säger: ”Promptning styr en modell du inte äger och inte kan förbättra. River låter dig träna öppna modeller till sådana som verkligen är dina – och servera dem som vilken annan slutpunkt som helst” .

Prestanda för företag: 15-minuters RL-körningar till 2–4 gånger lägre kostnad

River hävdar att genom sitt API kan vilket företag som helst slutföra en komplex förstärkningsinlärningsträning på 15–20 minuter utan att behöva ett dedikerat infrastrukturteam . Plattformen hanterar automatiskt viktöverföringar, samplingsträningskonsistens, elastisk beräkningsallokering och GPU-hantering under huven .

Företaget hävdar vidare att detta tillvägagångssätt ger 2–4 gånger lägre kostnader jämfört med slutna alternativ, genom att eliminera kostnader för inaktiva GPU:er via token-baserad mätning och automatiserad infrastrukturhantering .

En medgrundare med djupa AI-meriter

Igor Babuschkin tillför betydande trovärdighet till satsningen. Innan han var med och grundade xAI arbetade han med generativ modellering och förstärkningsinlärning på Google DeepMind och ledde storskalig träning på OpenAI . Andra medgrundare är Dmytro (Dima) Soboliev, Ievgen Soboliev och Aaron Rogers, med en ledningsgrupp som även inkluderar tidigare forskare från OpenAI och DeepMind .

Den stora bilden: Personlig AI för alla

Bortom API-produkten är River AI:s bredare vision en av de mest särpräglade i det nuvarande AI-landskapet. Istället för att tävla om att bygga en enda superintelligent modell som tjänar alla, vill River möjliggöra för alla att äga sin egen intelligens – formad av deras egna data, uppgifter och mål . Företaget planerar att expandera från nuvarande API till modeller, produktlager och hårdvara för att förverkliga detta fullt ut .

Som General Catalysts verkställande direktör Marc Bhargava noterade är investeringen kopplad till en bredare strategisk oro: ”Amerikanskt ledarskap inom AI kräver omedelbart ledarskap inom öppen, anpassningsbar AI-infrastruktur” . River AI, med sin krigskassa på 1,1 miljarder dollar och toppinvesterare, satsar på att AI:s framtid inte är en enda modell du promptar – utan miljontals modeller som människor tränar och äger själva.