8 月 11 日，由 xAI 联合创始人 Igor Babuschkin 创办的 River AI 宣布完成 11 亿美元种子轮和 A 轮融资。AI Weekly 和 Traded VC 分别援引知情人士称，投后估值约为 50 亿美元；Reuters 报道称 River AI 拒绝就估值发表评论。此时距离公司 6 月 10 日从隐身模式浮出水面仅过了两个月，距离 Babuschkin 2025 年 8 月离开 xAI 不到一年。
领投方为 General Catalyst 和 AMP PBC——后者是前 a16z 合伙人 Anjney Midha 今年创立的 AI 专项投资机构。芯片领域的两个对手 NVIDIA 和 AMD Ventures 同时以战略投资者身份进入，加上 Y Combinator 和新加坡淡马锡，构成了一份横跨风投、芯片和主权基金的投资者名单。Babuschkin 本人据报将投入最多 1 亿美元自有资金。
一家成立 2 个月、产品仅有一个 API 的公司值不值 50 亿美元？表面上是估值问题，实质上是 AI 资本市场正在经历的结构性变化：顶级 AI 人才本身已经成为一种资产类别。
Babuschkin 的履历本身就是融资理由
Babuschkin 的职业路径几乎精确覆盖了过去十年 AI 领域每一个关键节点。
在 DeepMind，他参与开发了 WaveNet 语音合成模型，并领导了 AlphaStar 项目——在《星际争霸 II》中达到宗师级水平的强化学习系统。在 OpenAI，他经历了 GPT-2 和 GPT-3 的 scaling 时代，参与了早期推理能力研究。2023 年他联合创办 xAI，主导了孟菲斯 Colossus 超算集群的建设——据称在约 120 天内完成部署——并领导了 Grok 模型的工程开发。xAI CEO Elon Musk 在他离职时公开表示"没有你，我们走不到今天"。
2025 年 8 月离开 xAI 后，Babuschkin 先创办了 Babuschkin Ventures，声称将投资 AI 安全与 Agent 系统。但不到一年，他就回到了他最擅长的事：从零开始建一家 AI 公司。
对 General Catalyst 而言，这笔投资锁定了一位经历过三家顶级 AI 实验室完整建设周期的研究者。对 AMP PBC 的 Midha 而言——他曾在 Anthropic 还是无人问津时开出第一张支票——River AI 是他"AI 基础设施民主化"投资逻辑的延续。而对 NVIDIA 和 AMD 来说，这是一个同时买进上游 GPU 需求增长和下游 AI 计算范式转型的期权：无论最终是谁的芯片跑 River 的工作负载，两家都在同一张资本表上。
现在能卖的：一个 RL 微调 API
River AI 目前唯一可用的产品是 River API，一个面向企业的模型训练服务。它支持在 Qwen 3.6、Kimi K2.6、GLM 5.2 等开源模型上进行 LoRA 微调和强化学习训练，按 token 计费而非 GPU 小时。以 Qwen 3.6 35B MoE 模型为例，训练价格为每百万 token 1 美元；Kimi K2.6 在 262K 上下文下为 12.84 美元。River 官网的计算示例显示，在数学数据集上完成一次生产级 RL 训练的总花费不到 1000 美元。
这个定价锚定的不是实验室价格，而是企业能否在没有基础设施团队的前提下自行完成训练——River 声称一次复杂 RL 训练可以在 15 到 20 分钟内完成，成本是闭源替代方案的二分之一到四分之一。
但这个市场并不空旷。Together AI 已提供从 SFT、DPO 到 LoRA 和全量微调的完整训练栈，模型目录覆盖文本、图像、视频和音频，并支持 H100、H200 甚至 GB200 集群。Fireworks AI 则在推理端以 FireAttention 加速引擎著称，其 FireOptimizer 同时涵盖 SFT、LoRA adapter、强化微调和完整 RL 管线。这两家都是成熟平台，具备自服务能力和生产部署经验。
River 的差异化在于将 RL 训练作为一等公民来设计 API，把权重采样和更新放在同一个接口循环中，而非在推理 API 之外拼一个训练模块。这对需要定制模型行为的企业有吸引力——如果你想让模型不只是回答得更准确，而是按照你的业务逻辑"思考"，RL 提供了比监督微调更深的干预路径。但这一优势是否足以从 Together 和 Fireworks 手中争取客户，目前没有公开的客户案例可以判断。
个人 Agent：远见尚未落地
Babuschkin 在 River 的启动博客中描绘了一个与当前 AI 产业主流叙事相反的图景。"有能力的 Agent 将成为日常生活的常态——不像你今天叫来完成任务的助手，更像守护天使：安静地陪伴，站在你这边，帮助处理对你真正重要的事。"
实现这个愿景需要重建整个 AI 栈。Babuschkin 在接受 General Catalyst CEO Hemant Taneja 访谈时列出了四个层面：训练方法、模型架构、产品层，以及让个人 AI 在用户身边运行的新硬件。目前只有训练层——River API——已经交付。产品层的个性化和持续学习机制仍在研发中，硬件更是远期规划。
River 押注的"持续学习"——让模型像人一样从交互中不断学习而不遗忘旧知识——是整个深度学习领域十年未解决的难题。Babuschkin 在访谈中提到了几个探索方向：在线强化学习（类似推荐系统的持续训练方式）、on-policy 自我蒸馏（将用户自然语言反馈转化为权重更新）。这些都是活跃的研究方向，但没有任何团队证明过它们在消费级产品中的可行性。
在个人 Agent 的赛道上，OpenClaw 和 NanoClaw 等项目已经提供了可在本地设备上运行的 Agent 框架，通过 WhatsApp 和 Telegram 等消息应用与用户交互。NVIDIA 也在推动 AI PC 生态，与 Dell、微软和 HP 合作推进本地 AI 硬件。但它们依赖的是预训练模型，而非用户可自行训练的模型。River 的赌注在于：当你不仅能使用 Agent，还能训练它，关系的性质会发生变化。
这个价格买的是什么
River AI 的融资结构——种子轮加 A 轮合计 11 亿美元——在 AI 行业并非孤立现象，但放在公司成立仅 2 个月的时间轴上仍属极端。
根据 Crunchbase 数据，2026 年第一季度 AI 公司吸收了约 2420 亿美元风险投资，占全球风投总额约 80%。四家公司——主要是 OpenAI 和 Anthropic——拿走了其中约 65%。Q1 后期融资同比增长 205%，而早期融资仅增长 41%。资金正在向顶层的少数大赌注集中。
River AI 的 11 亿美元和 50 亿美元估值处于一个特殊位置：它不是 Anthropic 那样的成熟独角兽追加融资，也不是典型种子轮创业公司的路数。它是在 AI 人才市场极端溢价下的一种新物种——"创始人即产品"。投资人的逻辑不是"这家公司已经证明了什么"，而是"这个人已经证明过三次，第四次大概率也能成"。
River AI 对这笔资金的去向给出了标准的扩张回答：加速训练 API 开发、构建个性化和持续学习产品层、启动硬件研发。但一个 2 个月的公司面对 11 亿美元，最大的风险不是路径不清晰，而是资金过多导致的聚焦稀释——招聘过快、承诺过早、在远未验证的需求上投入过深。
目前可观察的下一项关键变量是：River API 在 2026 年下半年能公布多少实际付费客户，以及持续学习产品层能否在 2027 年以前拿出可演示的版本。在此之前，50 亿美元买的是一个 API、一个愿景和一个履历。
而这本身已经说明了 2026 年 AI 资本市场的运转逻辑。