Ferramentas da empresa ajudam os clientes a criar modelos de inteligência artificial personalizados com base em seus próprios dados 0.5x 1x 1.25x 1.5x 2x 00:00 00:00 A startup River AI, fundada por Igor Babuschkin, cofundador da xAI, anunciou nesta terça-feira (11) que levantou US$ 1,1 bilhão, com o objetivo de expandir ferramentas que ajudam os clientes a criar modelos de IA personalizados com base em seus próprios dados. A rodada de financiamento foi liderada pela General Catalyst e pela AMP PBC, com investimento estratégico da Nvidia e da AMD Ventures. Entre os demais investidores estavam a Y Combinator e a Temasek. A River AI afirmou que aposta que a IA corporativa passará de empresas que utilizam modelos de uso geral de grandes laboratórios para a personalização e o uso de seus próprios modelos, utilizando modelos de peso aberto. A empresa acrescentou que sua API (interface de programação de aplicação) permite que as empresas realizem sessões complexas de treinamento por reforço em 15 a 20 minutos, sem a necessidade de uma equipe de infraestrutura, e que é de duas a quatro vezes mais econômica do que alternativas de código fechado. “A IA deve ser aberta, de acesso livre e acessível. Deve parecer que está trabalhando para a pessoa que a utiliza, não para o laboratório que a treinou”, disse o presidente-executivo Igor Babuschkin. Anteriormente, Babuschkin trabalhou com modelagem generativa e aprendizado por reforço no Google DeepMind e liderou treinamentos em grande escala na OpenAI antes de cofundar a xAI. A River AI se recusou a comentar sobre o valor estimado da empresa a partir desse financiamento. — Foto: John Adams/Unsplash
River AI, startup do cofundador da xAI, levanta US$ 1,1 bi para expandir ferramentas de IA
Ferramentas da empresa ajudam os clientes a criar modelos de inteligência artificial personalizados com base em seus próprios dados
River AI levanta US$ 1,1 bi para API de training RL customizado em 15-20 min, 2-4x mais barato que proprietárias. Trend: IA corporativa migra para modelos custom open-weight, reduzindo dependência de foundation models; impacta governance e infraestrutura.










