River AI Samlar In 1,1 Miljarder Ur Stealth För Att Bygga Om Stacken För Personlig AI

River AI, startupen som xAI-medgrundaren Igor Babuschkin tog ur stealth den 10 juni 2026, har samlat in 1,1 miljarder dollar över sina serie-seed- och serie-A-omgångar, som företaget meddelade den 11 augusti 2026. General Catalyst och AMP PBC ledde finansieringen, med strategisk investering från Nvidia och AMD Ventures och deltagande från Y Combinator och Temasek.

River är två månader efter sin lansering och har redan en av de största tidiga finansieringarna under året. Pengarna backar upp en ovanlig tes: att AI-stacken, från utbildning till modeller, produkter och hårdvara, behöver byggas om kring personliga agenter som människor äger snarare än intelligens som hyrs ut av ett fåtal laboratorier.

“Sättet AI byggs idag är inte hur det kommer att byggas i framtiden. AI ska vara öppet, fritt tillgängligt och billigt. Det ska kännas som att det arbetar för den person som använder det, inte för laboratoriet som tränade det. Vi startade River för att låta människor och företag äga sin egen intelligens”, sa Babuschkin, Rivers medgrundare och VD, i tillkännagivandet.

Vad River Faktiskt Säljer Först

Företagets första produkt, som har varit live sedan juni-lanseringen, är River API, en utbildningstjänst för öppna modeller. Den erbjuder LoRA-fine-tuning och förstärkt inlärning på öppna modeller som sträcker sig från 35 miljarder till 1 biljon parametrar, inklusive Qwen3.6, Kimi K2.6 och GLM 5.2, med fakturering per miljon token för både utbildning och inferens snarare än per GPU-timme.

Pitchen riktar sig till företag som vill ha modeller som formas runt deras eget arbete utan att behöva ställa upp en infrastrukturgrupp. River säger att varje företag kan slutföra en komplex förstärkt inlärningskörning på 15 till 20 minuter utan att en infrastrukturgrupp krävs, till ett kostnadssparande på två till fyra gånger jämfört med slutna källkodsalternativ, och att tränade kontrollpunkter tillhör kunden och distribueras till en OpenAI-kompatibel slutpunkt.

Prissidan sätter konkreta siffror på mätaren: utbildningskörningar kostar 1,00 dollar per miljon token på Qwen3.6 35B-modellen och 12,84 dollar per miljon på Kimi K2.6 vid 262k kontextlängd, med lagring av kontrollpunkter fakturerad separat till 0,10 dollar per gigabyte per månad. Ett exempel på webbplatsen prissätter en fullskalig RL-körning på en matematikdataset under 1 000 dollar.

Den Längre Vinsten Bakom Omgången

Babuschkin tillbringade ungefär ett decennium på DeepMind, OpenAI och xAI, där han medgrundade den senare och arbetade med storskalig utbildning, innan han startade River. I sin lanseringsinlägg ramade han in företaget mot den riktning som frontlaboratorierna är på väg mot: agenter som ersätter arbetare, uthyrda per token.

“Kapabla agenter kommer att vara en normal del av vardagslivet. Mindre som de assistenter du ringer till idag när du behöver utföra en uppgift, mer som skyddsänglar: tyst närvarande, på din sida, hjälpande med det som verkligen betyder något för dig. De kommer att känna dig väl och de kommer att tillhöra dig, inte någon annan”, skrev han.

Den ramningen, personanpassning och kontinuerligt lärande ovanpå en utbildnings-API, med personlig hårdvara längre fram, är vad General Catalyst köper. “Amerikanskt ledarskap inom AI kräver brådskande ledarskap inom öppna modeller, samtidigt som man upprätthåller ledarskapet inom slutna frontmodeller. Igor och River AI-teamet har den erfarenhet som krävs för att göra detta”, sa Hemant Taneja, General Catalysts VD, i Rivers tillkännagivande. Marc Bhargava, företagets verkställande direktör, pekade på den kommersiella gapen: företag har saknat en kostnadseffektiv metod för att utbilda, finjustera och äga anpassade modeller, och River “stänger denna gap”.

AMP PBC, co-ledaren, anslöt sig till General Catalyst för att leda omgången, enligt Rivers tillkännagivande. Nvidia och AMD Ventures tar strategiska andelar, vilket placerar båda GPU-rivalerna i samma kapitaltabell för ett företag vars deklarerade vägkarta slutar i hårdvara som låter personlig AI köra utanför någon annans datacenter.

Där Pengarna Hamnar

River säger att finansieringen accelererar varje lager i sin stack samtidigt: utbildnings-API:t som redan har skeppats, en personanpassnings- och kontinuerligt lärande produktlager som fortfarande byggs ovanpå det, och ny hårdvara som avses att låta personlig AI köra nära sin ägare. Grundarteamet bygger på xAI och Tesla ingenjörserfarenhet, och företaget rekryterar.

Strukturen på omgången är värd att notera på egen hand. En kombinerad serie-seed- och serie-A-omgång av den här storleken, tillkännagiven två månader efter en lanseringspost, med strategiska chip-investorer bredvid finansiella ledare, ger River kapitalet att tävla om utbildningsberäkning och forskningstalent mot frontlaboratorierna som dess grundare kom ifrån. Om den personliga agent-tesen håller är en längre fråga; det omedelbara företaget är en post-utbildningsmoln för företag, och det företaget har nu en miljarddollars bana och två riskkapitalbolag bakom sig.