River AI samler inn 1,1 milliarder dollar for å bygge opp stakken for personlig AI

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 kunngjorde 11. august 2026. General Catalyst og AMP PBC ledet finansieringen, med strategisk investering fra Nvidia og AMD Ventures og deltakelse fra Y Combinator og Temasek.

River er to måneder ute av lanseringen og har allerede en av de største tidlige finansieringene i året. Pengene bakker opp en uvanlig tes: at AI-stakken, fra trening til modeller, produkter og maskinvare, må bygges opp på nytt rundt personlige agenter som folk eier, i stedet for intelligens leid fra noen få laboratorier.

“Måten AI bygges i dag er ikke måten 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 kunngjøringen.

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 per million token for både trening og inferens i stedet for per GPU-time.

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

Prissiden setter konkrete tall på måleren: treningskjøringer koster 1,00 dollar per million token på Qwen3.6 35B-modellen og 12,84 dollar per million på Kimi K2.6 ved 262k kontekstlengde, med lagringskostnad for kontrollpunkter faktureres separat til 0,10 dollar per gigabyte per måned. Et arbeidsexempel på nettstedet priser en full produksjonsskala RL-kjøring på et matematisk datasett under 1 000 dollar.

Den lengre veddemålet bak runden

Babuschkin tilbrakte omtrent et tiår hos DeepMind, OpenAI og xAI, hvor han var medgründer av sistnevnte og arbeidet med storstilte treninger, før han startet River. I lanseringsinnlegget hans, 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 når du trenger en oppgave gjort, mer som vaktangler: stille til stede, på din side, hjelpende med det som virkelig betyr noe for deg. De vil kjenne deg godt, og de vil være dine, ikke noen andres,” skrev han.

Denne rammen, personlig og kontinuerlig læring på toppen av en trenings-API, med personlig maskinvare lengre fremme, er hva General Catalyst kjøper. “Amerikansk lederskap i AI krever lederskap i åpne vekttallmodeller, samtidig som man opprettholder lederskap i lukkede frontmodeller. Igor og River AI-teamet har erfaringen til å gjøre dette,” sa Hemant Taneja, General Catalysts CEO, i Rivers kunngjøring. Marc Bhargava, selskapets direktør, 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, medlederen, sluttet seg til General Catalyst i å lede runden, ifølge Rivers kunngjøring. Nvidia og AMD Ventures som strategiske investorer setter begge GPU-rivaler innenfor samme aksjetabell som et selskap hvis erklærte veikart slutter med maskinvare som lar personlig AI kjøre utenfor noen andres datasenter.

Hvor pengene havner

River sier at finansieringen akselererer hver lag i stakken samtidig: trenings-APIen de allerede har levert, et personlig og kontinuerlig læringsproduktlag som bygges ovenpå, og ny maskinvare som skal la personlig AI kjøre nær eieren. Grunnleggerlaget trekker på xAI og Tesla-ingeniørerfaring, 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, kunngjort to måneder etter lanseringsinnlegget, 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 tid. Det umiddelbare forretningsområdet er en post-trenings skytjeneste for bedrifter, og denne virksomheten har nå en milliarddollars løpebane og to venture-selskaper bak det. e kapital til å konkurrere om treningskraft og forskningstalent mot frontlaboratoriene grunnleggeren kom fra. Om den personlige agent-tesen holder, er en lengre tid; det umiddelbare forretningsområdet er en post-trenings skytjeneste for bedrifter, og denne virksomheten har nå en milliarddollars løpebane og to venture-selskaper bak det.