Un’intelligenza artificiale addestrata sui propri dati, modificabile ed eseguita su una macchina vicina a chi la usa, invece di dipendere per ogni richiesta dai server di un grande laboratorio. River AI ha raccolto 1,1 miliardi di dollari tra round Seed e Serie A per costruire questa filiera.
Il finanziamento è guidato dalla società statunitense di venture capital General Catalyst – oltre 43 miliardi di dollari gestiti –, e da AMP PBC, con investimenti strategici di NVIDIA e AMD Ventures e la partecipazione di Y Combinator e Temasek. È una cifra fuori scala per una startup nata da pochi mesi, ma coerente con l’ampiezza del progetto: River vuole controllare l’intera filiera, dall’infrastruttura per l’addestramento fino ai dispositivi sui quali l’AI personale potrà operare vicino all’utente.
River è stata fondata da Igor Babuschkin, già cofondatore di xAI e in precedenza ricercatore in Google DeepMind e OpenAI. La startup vuole sostituire il modello unico, gestito da una società e offerto a miliardi di persone, con sistemi allineati direttamente agli individui e alle organizzazioni che li utilizzano.
Babuschkin ha lavorato per oltre un decennio sul deep learning e sul reinforcement learning, partecipando allo sviluppo di sistemi generativi, AlphaCode e addestramenti su larga scala. River riunisce ricercatori e ingegneri provenienti anche da xAI, OpenAI e Tesla. La società, con sede a Palo Alto, conta circa 20 dipendenti e intende mantenere un gruppo ristretto capace di lavorare su modelli, infrastruttura, prodotto e chip.
River API modifica i pesi del modello
Il primo componente disponibile è River API, un servizio in preview per il post-training di modelli con pesi accessibili. La piattaforma di River AI applica fine-tuning LoRA e reinforcement learning a modelli compresi tra 35 miliardi e mille miliardi di parametri attraverso un client Python che riunisce addestramento, campionamento e messa in produzione. Il computer personale descritto da Babuschkin costituisce il livello hardware successivo dello stesso stack.
LoRA, acronimo di Low-Rank Adaptation, evita di riaddestrare tutti i parametri del modello di base. Aggiunge e aggiorna una quantità molto più piccola di pesi, riducendo il calcolo necessario per specializzare il sistema sul linguaggio, sui dati e sulle procedure di un’organizzazione.
Il reinforcement learning interviene invece sul comportamento. Il modello genera risposte, riceve una ricompensa definita per il compito e aggiorna i pesi per aumentare la probabilità di ottenere il risultato desiderato. River calcola che un’azienda possa completare un’esecuzione complessa in 15-20 minuti, senza un team dedicato all’infrastruttura, spendendo da due a quattro volte meno rispetto alle alternative proprietarie.
L’API gestisce trasferimento dei pesi, coerenza tra campionamento e addestramento ed espansione elastica delle risorse. Il modello risultante può essere servito come endpoint oppure conservato come checkpoint. La fatturazione a token per training e inferenza sostituisce il noleggio di GPU a ore: il cliente paga il lavoro effettivamente eseguito, senza sostenere il costo della capacità inattiva. In uno degli esempi proposti da River, l’adattamento LoRA di Qwen3.6 da 35 miliardi di parametri su problemi matematici costa meno di 1.000 dollari. Il prodotto del training è un insieme di pesi che il cliente può conservare, versionare e distribuire.
La personalizzazione va oltre la memoria del chatbot
Molti chatbot vengono personalizzati aggiungendo al prompt preferenze, documenti recuperati da un archivio e ricordi delle conversazioni precedenti. Il modello sottostante resta uguale per tutti e il rapporto con l’utente dipende dal servizio che conserva quel contesto.
River propone di modificare i pesi e mantenere il checkpoint del modello specializzato. È la differenza tra configurare un servizio in affitto e possedere un artefatto software che può continuare a essere migliorato. Sopra l’API, la società sta sviluppando agenti basati su personalizzazione e apprendimento continuo, capaci di assimilare stile, priorità e modalità di lavoro mentre vengono utilizzati.
Un agente personale, nella visione di River, deve poter affrontare attività lunghe senza richiedere una supervisione continua: conosce lo stile, le preferenze e gli obiettivi dell’utente e lavora come se fosse seguito passo dopo passo. La società collega questa capacità al tema dell’allineamento. Un sistema costruito intorno alla persona che deve servire dovrebbe impararne progressivamente le priorità e agire nel suo interesse. Il cliente non conserva soltanto la cronologia delle interazioni, ma anche il modello specializzato prodotto dall’addestramento.
“Non possiamo limitarci a costruire un’app: vogliamo ricostruire da zero l’intero stack dell’AI”, spiega Babuschkin nel video. Lo stack combina infrastruttura di training, modelli adattabili, interfacce e hardware locale. L’assistente non riceverebbe soltanto alcune preferenze iniziali: imparerebbe progressivamente dalla persona per la quale lavora.
Il progetto nasce anche da una domanda sul ruolo delle persone mentre i principali laboratori cercano di automatizzare una quota crescente del lavoro. Babuschkin presenta l’AI personale come un amplificatore delle capacità umane, non come un sostituto: un sistema che conosce obiettivi e valori dell’utente abbastanza bene da lavorare nel suo interesse. L’allineamento non verrebbe applicato una volta sola a un modello aziendale destinato all’intera popolazione, ma costruito intorno al singolo utilizzatore.
Babuschkin richiama la propria esperienza di gemello: crescere accanto a qualcuno che impara con te e conosce i tuoi interessi diventa la metafora dell’assistente che River vuole realizzare. La relazione continuativa richiede però che memoria e apprendimento non siano dispersi tra servizi differenti o trattenuti dal fornitore del chatbot.
Un server personale per tenere l’AI vicino ai dati
In un’intervista al New York Times viene raccontato il progetto di un nuovo tipo di server per abitazioni e imprese, sul quale eseguire modelli aperti senza passare continuamente dalle macchine di River o di un altro fornitore. L’assistente potrebbe funzionare su più dispositivi, come un’evoluzione di Siri, e cambiare comportamento anche attraverso pochi comandi vocali.
“Speriamo che in futuro l’AI venga addestrata a vantaggio dell’individuo, invece di essere qualcosa di centralizzato e controllato da una grande azienda”, afferma Babuschkin nell’intervista. Dati privati, memoria e capacità apprese rimarrebbero sulla macchina dell’utente, insieme alle regole che determinano il comportamento del sistema.
La quantità di informazioni personali condivise con assistenti di questo tipo potrebbe diventare enorme. Spostare il sistema sull’hardware dell’utente non serve quindi soltanto a ridurre la latenza: cambia chi custodisce i dati, chi decide le regole e chi può modificare il comportamento dell’AI. Babuschkin descrive un sistema che chiunque possa controllare e modellare secondo le proprie necessità.
L’architettura iniziale è ibrida. Il cloud concentra le GPU necessarie per adattare modelli molto grandi, mentre il checkpoint rende trasferibile il lavoro svolto. Modelli più compatti e hardware dedicato potranno spostare inferenza e aggiornamenti successivi vicino alla fonte dei dati, riducendo latenza, dipendenza dalla rete e informazioni inviate a servizi esterni.
Una filiera americana per i modelli aperti
Il progetto ha anche una dimensione industriale. Negli Stati Uniti, Meta e xAI hanno distribuito modelli con pesi accessibili, ma il settore è stato spinto soprattutto da aziende cinesi capaci di avvicinarsi alle prestazioni dei principali sistemi proprietari. General Catalyst considera questa distanza un problema per l’ecosistema tecnologico americano.
Hemant Taneja, amministratore delegato di General Catalyst, considera Babuschkin una delle poche persone capaci di costruire un progetto competitivo con l’ecosistema cinese dei modelli aperti e presenta River come una possibile risposta americana.
River collega la disponibilità dei modelli alla possibilità di addestrarli, trasferirli ed eseguirli su infrastrutture controllate dall’utilizzatore. Per aziende e sviluppatori, la disponibilità dei pesi acquista valore quando è accompagnata dagli strumenti necessari per trasformare un modello generalista in un sistema specializzato e conservarne il risultato.
Dal modello generalista all’AI dell’organizzazione
I modelli generalisti sanno svolgere molti compiti, ma non conoscono processi, eccezioni e criteri di qualità di una singola azienda. Inserire ogni volta queste informazioni nel prompt aumenta lunghezza, costo e complessità senza modificare il comportamento di base.
Per Marc Bhargava, managing director di General Catalyst, esiste una distanza tra ciò che l’AI può fare e ciò che la maggior parte delle aziende riesce a ottenere. River cerca di colmarla permettendo alle organizzazioni di addestrare modelli sui propri dati e adattarli al modo in cui lavorano, senza costruire internamente tutta l’infrastruttura necessaria.
“L’AI dovrebbe sembrare al servizio della persona che la usa, non del laboratorio che l’ha addestrata”, afferma Babuschkin nell’annuncio del finanziamento. River parte dall’addestramento accessibile agli sviluppatori e lo collega ad agenti capaci di imparare nel tempo e a computer personali. L’AI locale diventa così il luogo in cui conservare non solo i dati, ma anche l’intelligenza costruita a partire da quei dati.
