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 日首次公开亮相仅过了两个月，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。
一家公开亮相 2 个月、目前只推出训练 API 的公司，如何支撑据报约 50 亿美元的估值？现有产品之外，创始人的经历和未来产品计划，是理解这笔融资的另两个角度。
创始人曾参与 DeepMind、OpenAI 和 xAI 的核心项目
Babuschkin 先后在多家 AI 实验室参与模型研发和基础设施建设。
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，他又开始创办 AI 公司。
对 General Catalyst 而言，这笔投资锁定了一位在三家顶级 AI 实验室参与过重要项目的研究者。对 AMP PBC 的 Midha 而言——他曾在 Anthropic 早期开出第一张支票——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，训练服务的发展也可能带来新的 GPU 需求，两家都选择了参投。
已上线的产品是训练 API，价格优势仍待客户验证
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。
River 希望让没有基础设施团队的企业也能自行训练模型。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。
同类服务已有竞争者。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 围绕 RL 训练设计 API，把采样与权重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。这可能吸引需要定制模型行为的企业：RL 可以利用任务反馈继续调整模型的行为。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 仍在研发，持续学习是待解难题
Babuschkin 在 River 的启动博客中描述了他希望开发的个人 AI。"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。"
为实现这一愿景，River 计划同时推进多个方向。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——仍是深度学习领域的长期研究难题。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 River 尚未展示它们在消费级产品中的实际效果。
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。这些案例主要依赖预训练模型。River 希望进一步让用户训练自己的 Agent，使模型持续适应个人需求。
巨额融资之后，还需用客户和产品验证需求
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，但对一家公开亮相仅 2 个月的公司而言，规模仍十分突出。
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%。资金正在向少数大型融资项目集中。
River AI 的 11 亿美元融资和据报约 50 亿美元估值，使它在早期公司中格外显眼。与 Anthropic 等已有业务规模的公司追加融资相比，River 可供外界检验的产品和客户信息仍然有限。团队经历因此可能在投资判断中占据较大比重，但过往经历不能保证这次创业成功。
River AI 对这笔资金的去向公布了几项扩张计划：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。但公开亮相 2 个月就获得 11 亿美元，也带来了扩张管理的考验：如何避免招聘过快、承诺过早，以及在需求尚未验证时投入过深。
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，据报约 50 亿美元的估值，还难以用已公布的业务表现来检验。
