سرمایه‌گذاری ۱.۱ میلیارد دلاری River AI برای جایگزینی مهندسی پرامپت با عامل‌های

تصور کنید به‌جای جنگیدن با کلمات برای گرفتن یک جواب دقیق از هوش مصنوعی، دستیاری داشته باشید که دقیقاً می‌داند شما چه می‌خواهید چون او را خودتان آموزش داده‌اید. این وعدهٔ اصلی River AI است که حالا با بودجه‌ای خیره‌کننده وارد میدان شده است.

طبق اعلام شرکت، ۱.۱ میلیارد دلار سرمایه در مجموع راندهای Seed و Series A جذب شده تا پارادایم هوش مصنوعی از «جایگزینی انسان» به «دستیاری شخصی» تغییر کند. این جذب سرمایه که در ۱۱ اوت ۲۰۲۶ به رهبری General Catalyst و AMP PBC انجام شد، شرکت‌های بزرگی چون Nvidia، AMD Ventures و Y Combinator را نیز در کنار خود دارد.

بیشتر آزمایشگاه‌های فعلی بر ساخت مدل‌های عظیم و عمومی تمرکز دارند که کاربر با مهندسی پرامپت (Prompt Engineering) — شبیه به کسی که می‌داند چطور از یک مشاور باتجربه بهترین جواب را بگیرد — آن‌ها را هدایت می‌کند. اما ایگور بابوشکین (Igor Babuschkin)، بنیان‌گذار River AI و عضو سابق DeepMind و OpenAI، معتقد است این روش نقص دارد؛ زیرا کاربران مالک مدل نیستند و نمی‌توانند آن را به‌طور واقعی بهبود ببخشند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، کنترل روی لایه‌های زیرین مدل، کلید حاکمیت داده‌هاست. بابوشکین قصد دارد کل پشتهٔ فناوری — از آموزش و مدل‌ها تا سخت‌افزار — را بازسازی کند تا عامل‌هایی شبیه به «فرشتگان نگهبان» بسازد. این عامل‌ها (Agents) به‌جای حضور در ابرهای دوردست، روی سخت‌افزارهای نزدیک به کاربر مستقر می‌شوند تا حریم خصوصی و شخصی‌سازی عمیق‌تری فراهم کنند. این رویکرد یادگیری محلی، شباهت زیادی به تلاش‌های آزمایشگاه Prentis برای توسعه عامل‌های کنترل سیستم‌عامل دارد که هدفشان تغییر استانداردهای تعامل کاربر با ماشین است.

River AI برای تحقق این هدف، یک API تحت عنوان «نئوکلاود» (Neocloud) ارائه داده است که توسعه‌دهندگان را از شر پرامپت‌نویسی‌های طولانی خلاص می‌کند. این سامانه از دو مکانیزم اصلی بهره می‌برد:

• یادگیری تقویتی (Reinforcement Learning): اجرای فرآیندهای آموزشی پیچیده که طبق ادعای شرکت، تنها در ۱۵ تا ۲۰ دقیقه تکمیل می‌شوند.
• لورا (LoRA): روشی برای تنظیم دقیق (Fine-tuning) — مثل وقتی به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — مدل‌های باز به شکلی بهینه.

به گزارش این شرکت، رویکرد نئوکلاود به سازمان‌ها اجازه می‌دهد بدون داشتن تیم زیرساختی متخصص، عملیات یادگیری تقویتی را اجرا کنند و هزینه‌های خود را در مقایسه با جایگزین‌های بسته، ۲ تا ۴ برابر کاهش دهند.

این تحول در حالی رخ می‌دهد که سازمان‌ها به‌شدت به دنبال کنترل سرنوشت مدل‌های خود از طریق ترکیب مدل‌های اختصاصی و وزن‌های باز (Open Weights) — یعنی مدل‌هایی که «دستور پخت» آن‌ها علناً منتشر شده — هستند. برای کاربر عادی، این یعنی گذار از «اجاره کردن» هوش یک مدل به «مالکیت» یک عامل آموزش‌دیده.

این چشم‌انداز با موج گسترده‌تر هوش مصنوعی محلی هم‌سو است؛ روندی که در ظهور OpenClaw و همکاری‌های Nvidia با سازندگانی چون Dell و Microsoft برای عرضه سخت‌افزارهای AI-Ready دیده می‌شود. در همین راستا، رقابت بر سر سخت‌افزارهای بهینه شده شدت یافته است، به‌طوری که شرکت Etched با تمرکز بر سخت‌افزار تخصصی استنتاج در حال به چالش کشیدن سلطه انویدیاست.

گام بعدی شما

• اگر توسعه‌دهنده هستید، قابلیت‌های API نئوکلاود را برای کاهش هزینه‌های استنتاج بررسی کنید.
• روی مدل‌های محلی و وزن‌های باز سرمایه‌گذاری کنید تا وابستگی به APIهای ابری کاهش یابد.
• تفاوت بین خروجی‌های حاصل از مهندسی پرامپت و مدل‌های تنظیم‌شده با LoRA را در پروژه‌های کوچک تست کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.