रिव्हर AI, xAI सह-संस्थापक इगोर बाबुस्किन यांनी स्थापन केलेल्या स्टार्टअपने ओपन मॉडेल्स, कस्टमायझेशन आणि वैयक्तिक AI वर केंद्रित पूर्ण-स्टॅक कृत्रिम बुद्धिमत्ता प्लॅटफॉर्म तयार करण्यासाठी $1.1 अब्ज निधी उभारला आहे. या फेरीचे नेतृत्व जनरल कॅटॅलिस्ट आणि AMP PBC यांनी केले होते, NVIDIA आणि AMD व्हेंचर्सच्या धोरणात्मक गुंतवणुकीसह आणि Y Combinator आणि Temasek यांच्या अतिरिक्त सहभागासह, रॉयटर्सने 11 ऑगस्ट 2026 रोजी नोंदवले.
कंपनी पायाभूत सुविधा विकसित करत आहे जी डेव्हलपर आणि एंटरप्राइजेसना समर्पित इन्फ्रास्ट्रक्चर टीम किंवा स्पेशलाइज्ड हार्डवेअरची गरज न पडता त्यांचे स्वतःचे AI मॉडेल्स प्रशिक्षित, छान-ट्यून, तैनात आणि नियंत्रित करण्यास सक्षम करते. नवीनतम AI उद्योग विकास आणि निधी फेऱ्यांच्या व्यापक कव्हरेजसाठी, वाचक AI Buzz Wire's breaking AI news फॉलो करू शकतात.
xAI आणि OpenAI वेटरनने स्थापना केली
बाबुस्किन या उपक्रमासाठी सखोल तांत्रिक क्रेडेन्शियल्स आणतात. त्यांनी इलॉन मस्कच्या AI कंपनी xAI ची सह-स्थापना केली आणि OpenAI मध्ये मोठ्या प्रमाणावर प्रशिक्षण प्रयत्नांचे नेतृत्व करण्यापूर्वी Google DeepMind येथे जनरेटिव्ह मॉडेलिंग आणि मजबुतीकरण शिक्षणावर काम केले. त्याच्या संस्थापक संघात xAI आणि Tesla या दोन्ही ठिकाणी सखोल शिक्षण, मजबुतीकरण शिक्षण आणि AI तंत्रज्ञान स्टॅकच्या इतर भागांचा अनुभव असलेले अभियंते समाविष्ट आहेत.
रिव्हर AI चे मुख्यालय पालो अल्टो, कॅलिफोर्निया येथे आहे आणि त्याचा प्रबंध सरळ पण महत्वाकांक्षी आहे: AI विकास कोट्यवधी वापरकर्त्यांसाठी वैयक्तिक कंपन्यांच्या आणि अखेरीस वैयक्तिक लोकांच्या आवश्यकतांनुसार तयार केलेल्या सानुकूलित मॉडेल्सकडे प्रशिक्षित सामान्य-उद्देश मॉडेल्सवर अवलंबून राहण्यापासून दूर जाईल.
गती आणि किमतीच्या कार्यक्षमतेसाठी तयार केलेली पायाभूत सुविधा
संस्थांना त्यांचे स्वतःचे AI मॉडेल तयार करणे नाटकीयरित्या सोपे आणि स्वस्त बनवण्यासाठी नदीचे प्लॅटफॉर्म डिझाइन केले आहे. कंपनीने म्हटले आहे की त्यांचे API जटिल सुदृढीकरण शिक्षण प्रशिक्षण रन सुमारे 15 ते 20 मिनिटांत पूर्ण करू शकते आणि खर्च वितरीत करू शकते जे बंद-स्रोत पर्यायांपेक्षा दोन ते चार पट कमी आहे.
प्लॅटफॉर्म फ्रंटियर ओपन-वेट मॉडेल्ससाठी LoRA फाइन-ट्यूनिंग आणि मजबुतीकरण शिक्षणास समर्थन देते. नदी वजन हस्तांतरण, सॅम्पलिंग-प्रशिक्षण सुसंगतता आणि लवचिक गणना यासह मूलभूत पायाभूत सुविधांच्या गरजा हाताळते, ज्यामुळे विकासकांना GPU पायाभूत सुविधा व्यवस्थापित करण्याऐवजी मॉडेल कार्यप्रदर्शन सुधारण्यावर लक्ष केंद्रित करता येते. प्लॅटफॉर्मद्वारे प्रशिक्षित केलेले मॉडेल थेट उत्पादनात तैनात केले जाऊ शकतात.
मुख्य फरक म्हणजे नदीचे किंमत मॉडेल. कंपनी प्रशिक्षण आणि अनुमान या दोन्हीसाठी टोकन-आधारित मीटरिंगचा वापर करते, ज्याचा उद्देश ग्राहकांना न वापरलेल्या GPU क्षमतेसाठी पैसे देण्यापासून रोखण्यासाठी आहे, पारंपारिक क्लाउड GPU प्रदात्यांसोबत काम करणाऱ्या संस्थांसाठी एक सामान्य वेदना बिंदू आहे.
ओपन-वेट भविष्यावर एक पैज
$1.1 बिलियन राउंड क्लोज्ड फ्रंटियर मॉडेल्सच्या बरोबरीने ओपन-वेट एआय इकोसिस्टम धोरणात्मकदृष्ट्या महत्त्वपूर्ण होईल या गुंतवणुकदारांच्या वाढत्या विश्वासाचे प्रतिबिंबित करते. या फेरीचे नेतृत्व करणाऱ्या जनरल कॅटॅलिस्टने सांगितले की, ओपन-वेट AI मॉडेल्सची वाढ ही धोरणात्मकदृष्ट्या महत्त्वपूर्ण आहे आणि नदीचा दृष्टीकोन प्रगत AI च्या क्षमता आणि बहुतेक उपक्रम सध्या तैनात करण्यात सक्षम असलेल्या सानुकूलित प्रणालींमधील अंतर दूर करतो.
NVIDIA आणि AMD Ventures चा सहभाग विशेषतः लक्षणीय आहे, कारण दोन्ही कंपन्या AI प्रशिक्षणाला शक्ती देणारे GPU पुरवतात. त्यांची गुंतवणूक संकेत देते की चिपमेकर्स ओपन-वेट आणि कस्टम-मॉडेल इकोसिस्टमला त्यांच्या हार्डवेअर व्यवसायांसाठी वाढीचा चालक म्हणून पाहतात, केवळ एक कोनाडा नाही.
स्पर्धात्मक लँडस्केप
AI नदी गर्दीच्या पण वेगाने विस्तारणाऱ्या बाजारपेठेत प्रवेश करते. टुगेदर AI, Anyscale आणि Modal सारख्या कंपन्यांनी AI पायाभूत सुविधा अधिक सुलभ बनवण्याभोवती व्यवसाय तयार केले आहेत, तर Meta, Alibaba आणि इतरांनी शक्तिशाली ओपन-वेट मॉडेल्स जारी केले आहेत जे प्रशिक्षण आणि उपयोजन साधनांची मागणी निर्माण करतात. एकाच प्लॅटफॉर्ममध्ये प्रशिक्षण, फाईन-ट्यूनिंग, तैनाती आणि किफायतशीर मीटरिंग एकत्रित करणे, नदीचा पूर्ण-स्टॅक दृष्टिकोन आहे.
एंटरप्राइझसाठी, अपील स्पष्ट आहे: मालकीच्या डेटावर प्रशिक्षित आणि विशिष्ट वर्कफ्लोनुसार तयार केलेले AI मॉडेल्स तयार करण्याची क्षमता, OpenAI, Anthropic किंवा Google कडून बंद केलेल्या सिस्टमवर पूर्णपणे API कॉलवर अवलंबून न राहता त्या मॉडेल्सवर अधिक नियंत्रण ठेवण्याची क्षमता.
रिव्हरने $1.1 बिलियन फायनान्सिंगचा वापर त्याच्या खुल्या AI स्टॅकच्या विकासाला गती देण्यासाठी आणि वैयक्तिकृत, सतत AI सुधारण्याचे दीर्घकालीन उद्दिष्ट पूर्ण करण्यासाठी वापरण्याची योजना आखली आहे. जगातील दोन सर्वात परिणामकारक AI कंपन्यांमध्ये बाबुश्किनच्या ट्रॅक रेकॉर्डसह, गुंतवणूकदार पैज लावत आहेत की तो पायाभूत सुविधांचा स्तर तयार करू शकतो ज्यामुळे सानुकूलित AI ची पुढील पिढी शक्य होईल.
व्यापक ओपन-वेट मोमेंटम
ओपन-वेट AI साठी विलक्षण गतीच्या क्षणी नदी AI ची प्रचंड वाढ होते. Meta's Llama मालिका, Alibaba's Qwen मॉडेल्स, आणि DeepSeek च्या रिलीझने हे दाखवून दिले आहे की ओपन-वेट मॉडेल अनेक बेंचमार्क्सवर बंद सिस्टीमच्या कामगिरीशी टक्कर देऊ शकतात किंवा त्यांच्याशी जुळतात. या मॉडेल्सच्या उपलब्धतेमुळे त्यांना सानुकूलित करण्यासाठी आवश्यक साधने आणि पायाभूत सुविधांसाठी एक मोठी आणि वाढणारी बाजारपेठ निर्माण झाली आहे.
नदीच्या फेरीत NVIDIA आणि AMD व्हेंचर्स या दोन्हींचा सहभाग हार्डवेअर उद्योगासाठी या ट्रेंडचे धोरणात्मक महत्त्व अधोरेखित करतो. जसजसे अधिक संस्था त्यांचे स्वतःचे मॉडेल प्रशिक्षित आणि तैनात करतात, GPU आणि विशेष AI चिप्सची मागणी वाढेल, दोन्ही कंपन्यांना फायदा होईल. नदीतील त्यांची गुंतवणूक ही एआय कंप्युट मार्केटच्या भविष्यावर तितकीच एक पैज आहे जितकी ती नदीवर आहे.
विकासकांसाठी, नदीचे व्यासपीठ AI विकासाच्या अर्थशास्त्रातील संभाव्य बदलाचे प्रतिनिधित्व करते. जर जटिल प्रशिक्षण धावणे दिवस किंवा आठवड्यांऐवजी काही मिनिटांत पूर्ण केले जाऊ शकते आणि बंद-स्रोत API वापरण्याच्या खर्चाच्या काही अंशांवर, सानुकूल AI प्रणाली तयार करण्यातील अडथळा नाटकीयरित्या कमी होतो. हे एआय क्षमतेच्या प्रवेशाचे लोकशाहीकरण करू शकते जे आतापर्यंत, काही चांगल्या अर्थसहाय्यित प्रयोगशाळांच्या हातात केंद्रित आहे.
AI च्या पुढे रहा
एआय फंडिंग फेऱ्या, स्टार्टअप लाँच आणि पायाभूत सुविधा नवकल्पना यावर नवीनतम माहिती हवी आहे? अधिक AI बातम्या वाचा AI Buzz Wire येथे कृत्रिम बुद्धिमत्तेचा आकार बदलणाऱ्या स्टार्टअप्सच्या सखोल कव्हरेजसाठी.
