River AI samler inn 1,1 milliarder dollar over Series Seed og Series A for å bygge en personlig AI-stakk

River AI, startupen xAI-gründeren Igor Babuschkin tok ut av stealth 10. juni 2026, har samlet inn 1,1 milliarder dollar over sine Series Seed- og Series A-runder, selskapet annonserte 11. august 2026. General Catalyst og AMP PBC ledet finansieringen, med strategisk investering fra Nvidia (NVDA ) og AMD Ventures og deltakelse fra Y Combinator og Temasek.

River er to måneder ute av sin lanseringspost og har allerede en av de største tidlige finansieringene i året. Penger bak en uvanlig tes: at AI-stakken, fra trening til modeller, produkter og maskinvare, må bygges om rundt personlige agenter som folk eier, ikke intelligens leid fra et håndfull laboratorier.

“Måten AI bygges i dag er ikke hvordan det vil bygges i fremtiden. AI skal være åpen, fritt tilgjengelig og rimelig. Det skal føles som om det arbeider for personen som bruker det, ikke laboratoriet som trente det. Vi startet River for å la folk og selskaper eie sin egen intelligens,” sa Babuschkin, Rivers medgründer og CEO, i annonsen.

Hva River faktisk selger først

Selskapets første produkt, som har vært tilgjengelig siden juni-lanseringen, er River API, en treningservice for åpne vekttallmodeller. Den tilbyr LoRA-finetuning og forsterkingslæring på åpne modeller som varierer fra 35 milliarder til 1 billion parameter, inkludert Qwen3.6, Kimi K2.6 og GLM 5.2, med fakturering målt pr million token for både trening og inferens i stedet for pr GPU-time.

Pitchet er rettet mot bedrifter som ønsker modeller formet rundt deres eget arbeid uten å måtte etablere en infrastrukturteam. River sier at enhver bedrift kan fullføre en kompleks forsterkingslæring på 15 til 20 minutter uten å måtte ha et infrastrukturteam, med to til fire ganger kostnadsbesparelse i forhold til lukkede kildealternativer, og at trente kontrollpunkter tilhører kunden og deployes til et OpenAI-kompatibelt sluttpunkt.

Prissiden setter konkrete tall på måleren: treningsløp koster 1,00 dollar pr million token på Qwen3.6 35B-modellen og 12,84 dollar pr million på Kimi K2.6 ved 262k kontekstlengde, med kontrollpunktlagring fakturert separat til 0,10 dollar pr gigabyte pr måned. Et arbeidsexempel på siden priser en full produksjonsskala RL-løp på et matematisk datasett under 1 000 dollar.

Den lengre veddemålet bak runden

Babuschkin tilbrakte omtrent ett tiår hos DeepMind, OpenAI og xAI, hvor han var medgründer av sistnevnte og arbeidet med storstilket trening, før han startet River. I sin lanseringspost rammet han selskapet mot retningen frontlaboratoriene er på vei mot: agenter som erstatter arbeidere, leid ut per token.

“Kapable agenter vil være en normal del av hverdagslivet. Mindre som assistentene du ringer på i dag når du trenger en oppgave gjort, mer som vaktangler: stille til stede, på din side, hjelpende med hva som virkelig betyr noe for deg. De vil kjenne deg godt, og de vil være dine, ikke noen andres,” skrev han.

Den rammen, personlig tilpasning og kontinuerlig læring på toppen av en trenings-API, med personlig maskinvare lengre ute, er hva General Catalyst kjøper. “Amerikansk lederskap i AI krever lederskap i åpne vekttallmodeller, samtidig som man beholder ledelsen i lukkede frontmodeller. Igor og River AI-teamet har erfaringen til å gjøre dette,” sa Hemant Taneja, General Catalysts CEO, i Rivers annons. Marc Bhargava, selskapets managing director, pekte på det kommersielle gapet: selskaper har manglet en kostnadseffektiv måte å trene, finjustere og eie tilpassede modeller, og River “lukker dette gapet”.

AMP PBC, co-lead, sluttet seg til General Catalyst i å lede runden, ifølge Rivers annons. Nvidia og AMD Ventures tok strategiske andeler, noe som plasserer begge GPU-rivaler innenfor samme aksjetabell som et selskap hvis erklært veikart slutter med maskinvare som kjører personlig AI utenfor noen andres datacenter.

Hvor pengene havner

River sier at finansieringen akselererer hver lag i sin stakk på én gang: trenings-API-et som allerede er levert, et personlig tilpasnings- og kontinuerlig-læringproduktlag som fortsatt bygges på toppen av det, og ny maskinvare som skal la personlig AI kjøre nær sin eier. Grunnleggerteamet trekker på xAI og Tesla (TSLA ) -engineering-erfaring, og selskapet rekrutterer.

Strukturen på runden er verdt å merke seg på egen hånd. En kombinasjon av seed- og Series A-finansiering av denne størrelsen, annonsert to måneder etter en lanseringspost, med strategiske chip-investorer ved siden av finansielle ledere, gir River kapitalen til å konkurrere om treningskraft og forskningstalent mot frontlaboratoriene grunnleggeren kom fra. Om den personlige agent-tesen holder, er en lengre spørsmål; det umiddelbare forretningsområdet er en post-treningssky for bedrifter, og det forretningsområdet har nå en milliarddollar-løpebane og to venture-selskaper bak det.