River AI de Igor Babuschkin recauda 1,100 millones de dólares para modelos propiedad de los clientes

Why it matters

River's unusually large early financing backs a shift from renting general AI APIs toward training models that enterprises can own, tune and deploy around proprietary work.

Igor Babuschkin (@ibab), el ex cofundador de xAI que ayudó a construir AlphaStar en Google DeepMind, ha recaudado $1.1 mil millones para River AI, dos meses después de presentar públicamente a River.

La financiación, anunciada el 11 de agosto y reportada por Reuters, combina las rondas seed y Serie A de River. General Catalyst y AMP PBC lideraron la inversión, con aportes estratégicos de Nvidia y AMD Ventures. Y Combinator y Temasek también participaron. River no reveló su valuación ni cómo dividió los $1.1 mil millones entre las dos rondas.

Esa estructura hace que la financiación sea difícil de comparar con una Serie A convencional. Le da a Babuschkin un gran monto de capital antes de que River haya publicado nombres de clientes, ingresos o datos de retención, y antes de que su primer producto haya superado el acceso de vista previa. Los inversionistas están respaldando su historial de construir grandes sistemas de IA y su argumento de que las empresas eventualmente poseerán modelos personalizados en lugar de depender totalmente de sistemas de propósito general alquilados a laboratorios cerrados.

Babuschkin ha trabajado cerca del centro de ese modelo de laboratorio cerrado. En Google DeepMind, formó parte del equipo detrás de AlphaStar, el sistema de aprendizaje por refuerzo que alcanzó un rendimiento de nivel gran maestro en StarCraft II. Más tarde trabajó en entrenamiento de modelos a gran escala en OpenAI antes de cofundar xAI (@xai) en 2023.

River es su intento de tomar técnicas desarrolladas dentro de laboratorios de investigación bien capitalizados y empaquetarlas para empresas que carecen de infraestructura dedicada de entrenamiento.

River empieza por la capa de entrenamiento

El primer producto, la River API, gestiona LoRA fine-tuning, aprendizaje por refuerzo, inferencia y despliegue para modelos de pesos abiertos. Los clientes suministran datos de entrenamiento y funciones de recompensa mientras River se encarga de las transferencias de pesos, el cómputo elástico y la consistencia entre los sistemas usados para generar muestras y actualizar el modelo.

River dice que los desarrolladores pueden usar la API con modelos que van aproximadamente de 35 mil millones a 1 billón de parámetros, y luego conservar los puntos de control resultantes. El servicio está pensado para permitir a los desarrolladores mover un modelo entrenado a producción sin reconstruir la aplicación alrededor de una nueva interfaz.

La distinción que vende River es la propiedad. Hacer prompting a un modelo general puede alterar su salida durante una sesión, mientras que el entrenamiento cambia los pesos y produce un activo que un cliente puede conservar, versionar y volver a afinar. Ese planteamiento está dirigido a organizaciones con flujos de trabajo o datos propietarios que producen malos resultados con un modelo genérico pero que no justifican montar un grupo interno de infraestructura de aprendizaje por refuerzo.

River afirma que una ejecución compleja de aprendizaje por refuerzo puede terminar en 15 a 20 minutos sin un equipo de infraestructura. River también dice que el servicio cuesta de 2 a 4 veces menos que las alternativas cerradas. Ninguna de las dos afirmaciones está respaldada por una referencia independiente, y el costo relevante depende en gran medida del modelo base, la longitud de contexto, los tokens de entrenamiento y el volumen de inferencia.

Los precios de vista previa hacen más clara la aproximación comercial de River. River cobra por tokens de entrenamiento y de inferencia en lugar de exponer a los clientes directamente a precios por hora de GPU. Los precios de vista previa de River varían de aproximadamente $1 a más de $15 por cada millón de tokens de entrenamiento, dependiendo del modelo y la configuración.

La facturación por token puede facilitar presupuestar el entrenamiento experimental, aunque River aún asume el riesgo subyacente de asegurar y usar de manera eficiente capacidad de aceleradores costosos. La participación tanto de Nvidia como de AMD vincula a River con los dos proveedores de chips con el incentivo más claro para expandir la demanda de personalización de modelos. Cada ejecución de entrenamiento y despliegue en producción genera uso adicional de aceleradores, independientemente de si los clientes alguna vez ven un cargo por hora de GPU.

Babuschkin está financiando una apuesta mayor por la propiedad

Babuschkin presentó públicamente a River el 10 de junio con una tesis más amplia que el ajuste fino empresarial. Escribió que los agentes de IA deberían aprender de sus usuarios, comprender sus preferencias y permanecer bajo su control. La API es la primera capa de un plan que, según River, eventualmente abarcará aprendizaje continuo, productos personalizados y hardware capaz de mantener la IA personal cerca de su propietario.

"La IA debería ser abierta, de libre acceso y asequible", dijo Babuschkin en el anuncio de financiación de River. Argumentó que la inteligencia debería trabajar para la persona que la usa en lugar de permanecer controlada por el laboratorio que entrenó el modelo original.

Esa ambición explica por qué River recaudó con mucha antelación antes de demostrar escala comercial. Construir un servicio de entrenamiento gestionado ya requiere investigadores escasos, ingenieros de sistemas distribuidos y compromisos de cómputo. Expandirse desde la infraestructura hacia software y hardware de consumo pondría a River en varios negocios intensivos en capital al mismo tiempo.

El producto inmediato es más estrecho y más fácil de evaluar. River debe demostrar que las empresas quieren entrenar y poseer puntos de control de modelos, que su flujo de trabajo de aprendizaje por refuerzo es materialmente más fácil que los servicios existentes, y que la tarificación basada en tokens puede sostener márgenes saludables después de los costos de cómputo.

Un mercado fuertemente financiado

River está entrando en una categoría donde proveedores establecidos de infraestructura de IA también están recaudando grandes rondas alrededor de la demanda de modelos especializados.

Together AI anunció una Serie C de $800 millones el 1 de julio para una plataforma que abarca entrenamiento de modelos abiertos, personalización, inferencia y cómputo. Fireworks AI anunció una Serie D de $1.505 mil millones el 15 de julio, diciendo que sus clientes usan cada vez más modelos especializados en datos propietarios. Baseten recaudó una Serie E de $300 millones el 5 de febrero para ampliar la infraestructura de entrenamiento e inferencia en producción.

Esas financiaciones validan el mercado que River está persiguiendo mientras elevan la barra de rendimiento. River compite con proveedores que ya operan plataformas sustanciales de entrenamiento, inferencia y despliegue. La respuesta de Babuschkin es comenzar con aprendizaje por refuerzo, ciclos de entrenamiento rápidos y puntos de control propiedad del cliente, y luego construir hacia la IA personal.

Los $1.1 mil millones le dan a River los recursos para asegurar cómputo, contratar en investigación e ingeniería y subsidiar una construcción rápida del producto. También colocan un gran punto de referencia de financiación alrededor de un servicio en etapa de vista previa, aunque River no haya divulgado su valuación.

Babuschkin ha dedicado su carrera a escalar el aprendizaje por refuerzo dentro de laboratorios de vanguardia. La financiación de River se sostiene en la apuesta de que puede convertir esa experiencia en infraestructura que organizaciones de ingeniería ordinarias puedan usar, y luego llevar el modelo de propiedad más allá de las API empresariales. El capital está en su lugar. Ahora River tiene que probar que los clientes desean poseer y entrenar continuamente su inteligencia con suficiente interés como para alejarse de la conveniencia de los modelos cerrados y de propósito general.