xAI 联合创始人创办的 River AI 完成 11 亿美元融资，押注企业自定义模型

由 xAI 联合创始人 Igor Babuschkin 创办的 River AI 于 2026 年 8 月 11 日宣布完成 11 亿美元融资，计划推动企业使用开放权重模型在自有数据上训练并部署定制化模型以降低对闭源供应商的依赖。公司称其 API 能在无需专门基础设施团队的情况下快速完成强化学习微调并提高成本效率，但这些主张尚缺独立验证，未来需观察实际性能、客户采纳与长期稳定性。

由 xAI 联合创始人 Igor Babuschkin 创办的人工智能初创公司 River AI 于 2026 年 8 月 11 日宣布完成 11 亿美元融资。General Catalyst 和 AMP PBC 领投，NVIDIA、AMD Ventures、Y Combinator 与淡马锡等机构参与投资。

River AI 希望借此推动一套不同于通用聊天机器人的企业人工智能路径：企业不只是调用大型实验室训练好的模型，而是使用自己的数据，在开放权重模型基础上训练、微调并部署属于自己的模型。公司没有披露本轮融资后的估值。

从“调用模型”转向“拥有模型”

目前，许多企业使用的是面向广泛用户训练的通用模型。它们可以快速提供文本生成、代码编写或数据分析能力，但并不一定理解某一家企业的内部流程、专业术语和长期目标。对于需要稳定地处理专有数据的公司而言，提示词工程往往只能改变模型的输入方式，不能真正改变模型本身。

River AI 的创始人兼首席执行官 Igor Babuschkin 在公司的融资公告中说，人工智能应当开放、可获得且价格可负担，应该让使用者感觉它是在为自己工作，而不是为训练它的实验室工作。

在 River AI 官方网站 的描述中，公司希望建立一种“个人智能”：用户拥有人工智能运行所依赖的硬件、数据和模型能力。公司目前先把这一理念应用在开发者和企业身上，长期目标则是让个人也能训练和控制自己的人工智能系统。

这一定位与近来人工智能产业中的一项变化相呼应。企业开始关注如何降低对单一闭源供应商的依赖，并在闭源模型、开放权重模型和自建基础设施之间进行组合。对大型企业而言，模型的控制权不仅涉及成本，也涉及数据治理、业务差异化和供应商锁定风险。

API 试图把强化学习变成企业工具

River AI 表示，其 API 可以让企业在不组建专门基础设施团队的情况下，完成复杂的强化学习训练，所需时间约为 15 至 20 分钟。公司还称，与闭源替代方案相比，其成本效率可以提高两至四倍。

这些数字目前属于 River AI 的公司方面表述，尚未有足够的独立测试来验证其适用范围。实际训练速度和成本通常会受到模型规模、数据质量、硬件类型、任务复杂度以及部署方式等因素影响，因此不能简单理解为所有企业都能获得相同结果。

River AI 的网站显示，其 API 支持基于开放权重模型进行 LoRA 微调和强化学习，覆盖从约 350 亿参数到 1 万亿参数的不同规模模型。公司称，平台负责权重传输、采样与训练的一致性以及弹性算力等基础设施工作，训练完成的模型可以直接部署到生产环境，并按照训练和推理所使用的 token 计费，以减少闲置 GPU 的成本。

如果这套产品能够稳定运行，它解决的将不只是“如何调用一个模型”，而是企业如何在模型训练、后训练和生产部署之间建立一条更短的路径。这也意味着，模型能力的竞争可能从单次推理效果，进一步延伸到企业能否持续改进和维护自己的模型。

一个年轻公司获得了异常庞大的资本支持

River AI 在 2026 年 6 月才结束隐身状态。TechCrunch 报道称，这笔融资由种子轮和 A 轮融资组成。对于一家成立时间很短、产品仍处于早期阶段的公司而言，11 亿美元的规模相当可观，也说明投资者正在为“企业自定义模型”这一方向投入高额资本。

投资方的构成也具有一定象征意义。General Catalyst 和 AMP PBC 是财务领投方；NVIDIA 与 AMD Ventures 则代表了人工智能基础设施和芯片产业的战略参与者。Y Combinator 与淡马锡的加入，进一步扩大了这轮融资的投资者范围。

General Catalyst 首席执行官 Hemant Taneja 在融资公告中表示，美国在人工智能领域的领导力需要同时包括开放权重模型和闭源前沿模型，并称把智能的所有权交给使用者，是开放权重生态的重要方向。

这类投资也反映出市场对人工智能商业模式的重新判断。过去，创业公司的核心问题往往是能否训练出一个更强的基础模型；现在，越来越多资本开始投向模型之后的基础设施，包括后训练、评测、部署和企业数据适配。AIFlux 此前对 DesignArena 融资及人工智能评测平台 的报道也显示，评测和人类反馈正在从模型研发的附属环节，变成独立的基础设施生意。

开放权重模型的机会与限制

River AI 把开放权重模型作为平台基础，原因之一是这类模型允许企业在更大程度上控制权重、部署环境和训练过程。相比只能通过 API 访问的闭源模型，开放权重模型更容易被放入企业内部环境，或者围绕特定任务进行调整。

但开放权重并不等于低成本，也不意味着企业可以轻易拥有一套可靠的人工智能系统。企业仍然需要高质量数据、明确的评测标准、合适的硬件、持续的模型运维，以及对隐私和安全风险的控制。对于金融、医疗、法律等领域，模型能否解释错误、追溯训练数据并满足合规要求，可能比训练速度更重要。

此外，企业自定义模型还会带来新的责任边界。模型由企业自己的数据训练，并不自动保证数据合法、输出准确或系统安全。如果模型被部署到生产系统，企业还必须解决权限管理、日志记录、人工审批和错误回滚等问题。换句话说，拥有模型会提高控制力，也会让企业承担更多维护责任。

从模型规模竞争走向模型所有权竞争

River AI 的融资发生在人工智能基础设施投入持续扩张的背景下。数据中心、GPU、网络和能源建设仍然需要大量资本，而投资者开始更加关注这些投入能否转化为稳定收入，以及企业客户是否愿意长期承担相关成本。AIFlux 对 AI 债务融资重新定价 的报道指出，随着资本开支和杠杆水平上升，人工智能基础设施的融资成本也正在受到重新评估。

这使 River AI 的主张具有两面性。一方面，如果企业能够用更低的成本训练出适合自身业务的模型，模型所有权可能成为大型人工智能供应商之外的一条替代路径。另一方面，训练和部署模型本身仍然依赖算力、数据和基础设施，所谓“拥有模型”并不意味着企业摆脱了整个供应链，而是把控制权从模型调用层向训练和部署层推进。

River AI 能否把融资带来的资源转化为可重复的企业产品，仍有待观察。公司尚未披露本轮融资估值，也没有公布足以让外部研究者全面复现其成本和速度主张的独立测试数据。未来需要关注的，包括平台在不同模型规模和任务上的真实表现、企业客户数量、训练后的模型质量，以及这些模型在生产环境中的长期稳定性。

如果这些问题能够得到验证，River AI 代表的可能不只是又一家人工智能初创公司，而是一种产业方向的转变：人工智能竞争的重点，正在从谁拥有最强的通用模型，逐步扩展到谁能让更多企业以可控成本训练并拥有真正适合自己的模型。

来源：

• Reuters：xAI 联合创始人创办的 River AI 筹集 11 亿美元
• River AI 官方网站
• TechCrunch：General Catalyst 领投 River AI 11 亿美元融资
• HPCwire：River AI 获得 11 亿美元融资，推动自定义模型训练和部署