xAI 共同創辦人的 River AI 募資 11 億美元，打造開源可訓練 AI 技術堆疊

本週 AI 領域最引人注目的數字，不是募資金額本身——而是這家公司成立的時間。River AI 是一家總部位於加州帕羅奧圖（Palo Alto）的新創公司，由 xAI 共同創辦人 Igor Babuschkin 於短短兩個月前創立。2026 年 8 月 11 日，該公司宣布在種子輪與 A 輪的合併融資中籌集了 11 億美元。此輪融資由 General Catalyst 與 AMP PBC 共同領投，Nvidia、AMD Ventures 及 Y Combinator 等策略性投資者參投。對一家六月才剛誕生的公司來說，這是一份令人震驚的信任票——也標示出矽谷最敏銳的資金正將目光投向 AI 發展的下一個階段。

River AI 到底做什麼？

River AI 的核心產品是它所稱的「開源 AI 技術堆疊」（open AI stack）——一套從底層到應用的完整平台，讓開發者和企業能夠基於開源權重模型（open-weight models）進行訓練、微調，並且永久擁有客製化的 AI 模型。公司已推出第一款產品 River API，支援當代機器學習最重要的兩種客製化技術：強化學習（Reinforcement Learning, RL）訓練和低秩適應（Low-Rank Adaptation, LoRA）微調。

這個提案看似簡單。如今，一家企業想要擁有客製化 AI 模型——能理解其專有資料、遵循特定工作流程、且在自身治理框架下運作——面臨一個殘酷的選擇。第一條路是向 OpenAI 或 Anthropic 等閉源 API 供應商租用智慧，按 token 永遠付費，卻永遠不擁有模型。第二條路是嘗試從零開始打造，這需要招募專業的基礎設施團隊、配置 GPU 叢集，以及大多數組織根本無法承擔的數月工程投入。

River AI 的主張就是要消除這道鴻溝。根據該公司說法，其 API 讓任何企業都能在 15 到 20 分鐘內完成一次複雜的強化學習訓練，無需專屬的基礎設施團隊，且成本比同等級的閉源方案便宜 二到四倍。產出的模型是開源權重的，意味著客戶完全擁有它們——可以在本地部署、修改、稽核，並獨立於任何供應商持續演進。

創辦人：Igor Babuschkin

了解創辦人是誰之後，這筆融資就更容易理解了。Igor Babuschkin 的經歷宛如過去十年最重要 AI 實驗室的巡禮。他曾在 DeepMind 擔任工程職務，在 OpenAI 工作，隨後與 Elon Musk 共同創辦 xAI——在 Grok 模型系列的早期開發中扮演關鍵角色。他於 2024 年離開 xAI，如今在 River AI 追求的願景，在某種程度上可以解讀為對前東家發展方向的哲學性反論。

xAI 和 OpenAI 正在打造越來越大、越來越封閉、由單一實體控制的前沿模型，而 Babuschkin 想推往相反方向。在接受《紐約時報》採訪時，他將目標描述為打造「可訓練且不受少數公司控制」的 AI。River AI 的路線圖設想了一種伺服器，讓個人和企業能在自有硬體上運行開源 AI——模型可以被持續重新訓練、個人化、適應調整，而不需依賴外部 API 守門人。

投資人為何重金押注

General Catalyst 決定共同領投一家成立僅 60 天的公司、投入九位數美元的資金，需要一些解釋。其核心投資論點似乎包含兩個層面。

第一，創投圈越來越相信，閉源前沿模型目前的主導地位並非市場的均衡狀態。企業對於「可擁有、可控制、可客製化」的 AI 模型的需求正在加速增長——驅動力包括資料主權要求、成本壓力、法規審查，以及單純不想被供應商綁定的渴望。歐盟《AI 法案》的透明化條款本月開始生效，更加劇了向「內部可檢視」模型靠攏的推力。

第二，開源權重模型普及的技術瓶頸從來不在基礎模型本身的品質——來自 Meta、Mistral、DeepSeek 等的開源權重模型已大幅縮小了能力差距。瓶頸在於客製化的難度。微調和強化學習始終是需要深厚基礎設施專業的專門學科。如果 River AI 真能透過簡潔的 API 在數分鐘而非數週內提供這些能力，它就解決了企業 AI 應用中最痛苦的摩擦點之一。

Nvidia 和 AMD 的策略性參與增添了另一層意義。兩家晶片大廠都有擴大 AI 運算市場的既得利益。每一家自行微調模型的企業，就是一家會購買更多 GPU 的企業。如果 River AI 的平台能規模化，它將成為這些投資人所販售的矽晶片的需求引擎。

競爭格局

River AI 並非唯一發現這個機會的公司。開源權重客製化領域正變得擁擠。Together AI、Modal、Baseten、Fireworks AI 都提供開源模型的服務和微調基礎設施。Hugging Face 提供工具和模型中樞。主要雲端供應商——AWS、Google Cloud、Microsoft Azure——都在各自平台內提供開源權重模型的微調服務。

根據 River AI 早期的說法，其差異化在於速度和全端野心。大多數競爭者只專注於服務（serving）或訓練（training）；River 則主打從基礎模型到客製化、可部署成品的端到端平台。15 到 20 分鐘完成 RL 訓練的宣稱，如果在生產環境中得到驗證，將代表相較於目前大多數團隊所能達成的水準有顯著加速。

該公司也大力擁抱「個人 AI」（personal AI）的概念——一種模型屬於個人而非機構的願景。這是對 AI 長期發展軌跡的一項押注：AI 將重演個人電腦的歷史，從集中式、共享資源轉向自有、個人化的機器。至於這個類比是否適用於「智慧」本身，仍是這個領域最核心的待解問題之一。

值得關注的重點

River AI 的 11 億美元融資令人驚嘆，但也設下了極高的標竿。該公司需要證明其 API 在大規模環境下如宣稱般運作、成本節省在真實企業工作負載下成立，以及能在已有平台建立深厚護城河的市場中吸引開發者。Nvidia 和 AMD 的參與暗示硬體合作將是策略核心——預期將有針對特定 GPU 架構優化部署的相關公告。

對更廣泛的 AI 產業而言，River AI 的融資標示著開源權重論點已從意識形態晉升為嚴肅的資本配置。問題不再是開源模型能否競爭——而是環繞它們的工具能否讓採用變得與閉源替代方案一樣容易。Babuschkin 和他的投資人正以 11 億美元押注答案是肯定的，而率先打造出這套工具的公司，將定義 AI 基礎設施的下一個時代。