River AI: $1,1 млрд на персональный ИИ, которым вы владеете

$1,1 млрд на старте. River AI — стартап сооснователя xAI Игоря Бабушкина — закрыл посевной раунд и раунд A меньше чем через четыре месяца после регистрации. Деньги ведут General Catalyst и AMP PBC, в раунде — NVIDIA, AMD Ventures, Y Combinator и Temasek.

Что именно купили инвесторы

River API уже в открытом предварительном доступе. Через него можно запускать дообучение методом LoRA и обучение с подкреплением на открытых моделях от 35 млрд до 1 трлн параметров. Компания обещает полный прогон обучения с подкреплением за 15–20 минут без собственной инфраструктуры и в 2–4 раза дешевле закрытых альтернатив. Оплата — строго по токенам обучения и инференса, без платы за простой графических процессоров.

Бабушкин прямо формулирует тезис: «ИИ должен работать на человека, а не на лабораторию, которая его обучила». Вместо одной гигантской передовой модели, выровненной под миллиарды пользователей, River хочет выравнивать модель под конкретного человека или организацию.

Почему это не очередной «ещё один lab»

Команда собрана из людей, которые уже масштабировали обучение в DeepMind, OpenAI, xAI и Tesla. Бабушкин — один из сооснователей xAI, работал над генеративным моделированием и обучением с подкреплением в DeepMind, крупномасштабным обучением в OpenAI. В раунде одновременно сидят NVIDIA и AMD — два конкурента по графическим процессорам. Это сигнал, что ставка делается не на один аппаратный стек, а на открытые веса как инфраструктуру.

Долгосрочный план выходит за пределы API. Компания говорит о полном стеке: обучение → модели → продуктовый слой персонализации и непрерывного обучения → аппаратная часть, на которой персональный агент может жить ближе к пользователю, а не в чужом дата-центре.

В июньском манифесте Бабушкин описал видение «агента-хранителя»: система, которая знает стиль, предпочтения и цели пользователя и работает без постоянного присмотра. Это отличается от текущих корпоративных чат-ботов, где интеллект арендуется по токену и принадлежит лаборатории.

Что это меняет для инженеров

Сегодня большинство рабочих сценариев — это инженерия промптов поверх чужих весов. River предлагает другой цикл: взять сильную модель с открытыми весами, прогнать обучение с подкреплением на своих сигналах вознаграждения, получить чекпоинт, который можно версионировать, разворачивать и дообучать дальше. Для агентных задач, где качество упирается в потолок промптов, это качественный сдвиг.

Экономика тоже другая. Меньшая дообученная модель может закрывать ту же задачу дешевле и быстрее, чем передовой эндпоинт. При этом интеллектуальная собственность остаётся у заказчика.

Практически это выглядит так: разработчик загружает набор данных и функцию вознаграждения, River берёт на себя перенос весов, согласованность между сэмплированием и обучением, эластичные вычислительные ресурсы. Результат — эндпоинт, совместимый с OpenAI, на вашем чекпоинте. Можно итеративно улучшать без перестройки всего пайплайна.

Для среднего бизнеса и крупных компаний это снимает два барьера: стоимость и контроль. Не нужно держать команду по инфраструктуре обучения и не нужно отдавать данные в чужой закрытый контур.

Контекст рынка: почему именно сейчас

2026 год зафиксировал сдвиг: инференс и персонализация стали главными точками контроля. Передовые модели дорожают в эксплуатации, а линейки с открытыми весами (DeepSeek, Qwen, Kimi, GLM, Nemotron) закрывают разрыв по качеству. Компании ищут способ владеть результатом, а не только арендовать поведение.

River занимает нишу между чистыми провайдерами инференса и классическими лабораториями. Они не строят свою передовую модель с нуля, а дают инструмент превратить чужую открытую базу в свою. Это похоже на то, как в прошлом десятилетии компании перешли от покупки лицензий на софт к собственному коду и непрерывной интеграции.

Участие NVIDIA и AMD в одном раунде усиливает сигнал: открытые веса становятся инфраструктурным слоем, а не только исследовательским экспериментом. Тот же тренд виден в сделках вокруг кластеров инференса и лицензий на «фабрики моделей».

Как выглядит цикл для команды

Типичный путь выглядит так. Берёте модель с открытыми весами (Qwen, Kimi, GLM или Nemotron). Определяете сигнал вознаграждения — это может быть точность на вашем бенчмарке, оценка качества ответа человеком или автоматический судья. Запускаете прогон обучения с подкреплением через River API. Получаете адаптер или полный чекпоинт. Разворачиваете его как обычный эндпоинт. Дальше итерируете: добавляете данные, меняете сигнал вознаграждения, запускаете следующий раунд.

Важный момент — владение. Чекпоинт ваш. Вы можете хранить его на своих серверах, версионировать, откатываться, комбинировать с другими адаптерами. Это принципиально отличается от ситуации, когда поведение живёт только внутри чужого API и исчезает при смене провайдера.

Для команд, которые уже используют модели с открытыми весами в боевых условиях, River снижает операционную нагрузку. Не нужно поднимать собственные кластеры для обучения с подкреплением, следить за согласованностью сэмплирования и обучения, оптимизировать перенос весов. Всё это берёт на себя платформа, а вы платите только за токены.

Есть и культурный сдвиг. Вместо бесконечной настройки промптов команда начинает думать в терминах дизайна сигнала вознаграждения и наборов данных. Это ближе к классическому циклу машинного обучения, но на базе уже сильных открытых моделей. Для многих инженеров это более предсказуемый и измеримый процесс.

С точки зрения архитектуры рынка 2026 года River занимает промежуточную позицию. С одной стороны — не чистый провайдер инференса вроде Together или Fireworks. С другой — не классическая передовая лаборатория, которая тратит миллиарды на предобучение с нуля. Они берут уже сильные открытые базы и дают инструмент превратить их в специализированных агентов с понятной экономикой.

Для российских и европейских команд, которые ищут суверенные или контролируемые стеки, такой подход особенно интересен. Модели с открытыми весами + собственный чекпоинт + возможность развёртывания на своих серверах снижает зависимость от американских закрытых API. При этом качество остаётся конкурентоспособным за счёт обучения с подкреплением на доменных данных.

Главный вопрос сейчас — скорость исполнения. $1,1 млрд дают ресурс, но не гарантируют соответствие продукта рынку. Следующие два квартала покажут, появятся ли внешние рабочие кейсы и публичные цифры по задержке, стоимости задачи и доле успешных исходов на реальных агентных задачах.

Прогноз: три сценария

Сумма 100%. Ключевой индикатор на ближайшие 6–9 месяцев — не объём раунда, а то, сколько рабочих агентов реально работает на чекпоинтах, обученных через River API. Второй индикатор — появление первых публичных бенчмарков и разборов кейсов от внешних команд.

Для инженеров, которые уже устали от инженерии промптов как основного инструмента, River предлагает конкретный следующий шаг: перейти от управления контекстом к управлению весами. Если продукт дозреет, это может стать одним из самых практичных сдвигов 2026–2027 годов в прикладном ИИ.

Итого: раунд River — это ставка на то, что владение и персонализация моделей с открытыми весами станут таким же базовым слоем, как контейнеры и непрерывная интеграция когда-то стали для программного обеспечения. Если API докажет себя в боевых условиях, 2026 может запомниться не только масштабом капитала, но и сменой привычного цикла работы с моделями.

Для тех, кто следит за рынком, стоит отдельно отметить совпадение интересов: и NVIDIA, и AMD готовы поддерживать экосистему, где их чипы работают с открытыми весами, а не только с закрытыми передовыми моделями. Это расширяет спрос на оборудование и снижает риск, что один провайдер моделей замкнёт весь стек на себе.

Источники