River AI 筹集 11 亿美元用于个人 AI 技术栈

River AI 完成了合计 11 亿美元的种子轮和 A 轮融资 ^[1]，据报道，这家约有 20 名员工、总部位于帕洛阿尔托的公司估值约为 50 亿美元 ^[2]。引人注目的不仅是融资速度与公司年龄的对比——更在于投资方名单。General Catalyst 和 AMP PBC 共同领投，但通常作为竞争对手的芯片厂商 Nvidia 和 AMD Ventures 却罕见地同时出现在同一轮融资中 ^[3]。这两家芯片制造商显然对结果有切身利益：River 明确的路线图已超越软件，延伸至为完全由用户拥有的个人 AI 技术栈开发定制 AI 硬件 ^[4]，这意味着今天的投资者也在为明天的芯片客户提前布局。

River 的首款产品 River API 并不销售模型本身，而是销售微调能力。客户可在 350 亿至 1 万亿参数的开源权重模型（包括 Qwen3.6、Kimi K2.6 和 GLM 5.2）上应用 LoRA（一种训练小型适配器层而非重新训练整个网络的技术），并结合强化学习，按 token 计费而非按 GPU 小时计费 ^[5]。River 声称，无需内部基础设施团队，即可在 15 至 20 分钟内部署完整的强化学习训练流程，成本仅为闭源替代方案的 2 至 4 倍 ^[1]。这种定价逻辑反映了 Babuschkin 在融资时提出的更广泛论点：“当前构建 AI 的方式，并非未来 AI 的构建方式。AI 应该是开放的、可自由获取且负担得起的。” ^[6]General Catalyst 的 Marc Bhargava 以类似术语描述 River 所填补的空白：“River 弥合了这一差距，帮助任何公司基于自身数据构建模型，并根据其实际工作方式进行定制。” ^[6]

Babuschkin 的职业轨迹贯穿 Google DeepMind 的生成建模与强化学习研究、OpenAI 的大规模训练，以及作为 xAI 联合创始人的经历，他于 2025 年 8 月离开 xAI ^[3]，数月内便创立了 River。他对这家新公司的公开表述既具哲学意味又具商业考量：他曾将最终状态描述为个人 AI 硬件，“属于你，而非租用，你对其拥有真正的控制权” ^[3]。General Catalyst 首席执行官 Hemant Taneja 将这一理念上升至地缘政治层面，称开源权重领域的领导地位是一项战略优先事项：“美国在 AI 领域的领导地位迫切需要在开源权重模型方面取得领先地位，同时保持在闭源前沿模型上的优势。” ^[6]

商业化产品范围明确且定价透明：训练费用根据模型大小，每百万 token 收费 1.00 至 15.41 美元，检查点存储费用为每月每 GB 0.10 美元 ^[5]。这就是目前 River 全部已交付的业务，由约 20 人的团队运营 ^[7]。个性化和硬件是 Babuschkin 公开描述的技术栈中另外两个尚未实现的部分：计划是让模型通过持续反馈适应个人用户，而非服务于一个‘平均用户’，最终在用户真正拥有的硬件上运行，而非在数据中心中运行 ^[4]。