Startup 2 tháng tuổi huy động 1,1 tỷ USD để xây AI mà chính người dùng có thể tự “dạy”

Một startup AI mới xuất hiện công khai vào ngày 10/6/2026. Hai tháng sau, ngày 11/8, công ty này thông báo đã huy động 1,1 tỷ USD.

Đó là River AI, được thành lập bởi Igor Babuschkin — cựu đồng sáng lập xAI, trước đó từng làm việc tại Google DeepMind và OpenAI.

Vòng gọi vốn do General Catalyst và AMP PBC dẫn dắt, với đầu tư chiến lược từ Nvidia và AMD Ventures; Y Combinator và Temasek cũng tham gia. Reuters cho biết River không công bố mức định giá sau vòng vốn.

Con số 1,1 tỷ USD cho một công ty mới xuất hiện trước công chúng khoảng hai tháng đủ gây chú ý ngay cả trong thị trường AI vốn đã quen với những vòng gọi vốn khổng lồ.

Nhưng điều thú vị hơn số tiền là thứ River đang đặt cược.

Phần lớn chatbot hiện nay được xây theo một mô hình quen thuộc: một công ty huấn luyện một model khổng lồ, giữ model trên hạ tầng của mình, còn người dùng gửi prompt tới đó. Bạn có thể viết prompt dài hơn, tạo custom instruction, đưa thêm tài liệu hoặc dùng retrieval để cung cấp context. Nhưng về cơ bản, model cốt lõi vẫn là của nhà cung cấp.

River muốn đảo ngược mô hình đó.

Tầm nhìn của startup là AI mà người dùng hoặc doanh nghiệp có thể trực tiếp định hình thông qua huấn luyện, sở hữu checkpoint của riêng mình và cuối cùng có một agent liên tục học cách làm việc phù hợp với mục tiêu, phong cách và dữ liệu của chủ sở hữu.

Nói đơn giản: thay vì mỗi lần phải giải thích cho AI rằng “hãy làm theo cách tôi thích”, River muốn AI có thể học được cách bạn thích.

Đây chưa phải sản phẩm tiêu dùng hoàn chỉnh. Công cụ River đang cung cấp hiện nay là một API preview dành cho developer và doanh nghiệp, hỗ trợ fine-tuning và reinforcement learning trên các model open-weight. Personalization và continual learning cho agent là lớp tiếp theo mà công ty nói đang phát triển.

Nhưng chính khoảng cách giữa hai mô hình — AI được prompt và AI được người dùng huấn luyện — có thể trở thành một trong những cuộc cạnh tranh quan trọng tiếp theo của ngành AI.

River AI là ai?

River AI được lãnh đạo bởi Igor Babuschkin, một kỹ sư AI có lý lịch gắn với nhiều phòng nghiên cứu lớn.

Theo Reuters, Babuschkin từng làm việc về generative modeling và reinforcement learning tại Google DeepMind, sau đó dẫn dắt công việc huấn luyện quy mô lớn tại OpenAI trước khi trở thành một trong những người đồng sáng lập xAI.

Ngày 10/6/2026, Babuschkin công khai River AI qua một bài viết giới thiệu công ty.

Ông đặt câu hỏi xuất phát điểm khá khác phần lớn startup AI: nếu máy móc có thể thực hiện ngày càng nhiều công việc có giá trị kinh tế, AI nên đóng vai trò gì đối với con người?

Câu trả lời của River là không nhất thiết xây AI để thay thế người dùng, mà xây AI học từ người dùng và làm việc cho người dùng.

Trong bài giới thiệu, Babuschkin cho rằng các agent hiện tại đã có thể làm nhiều nhiệm vụ, nhưng chúng chưa thực sự học từ người sử dụng và người dùng cũng không kiểm soát sâu model đứng phía sau.

River muốn xây lại cả stack để thay đổi điều đó: training, model, product layer và cuối cùng cả hardware để personal AI có thể hoạt động gần chủ sở hữu hơn.

1,1 tỷ USD sau khoảng hai tháng: chính xác chuyện gì đã xảy ra?

Ngày 11/8/2026, River thông báo vòng vốn trị giá 1,1 tỷ USD.

TechCrunch mô tả đây là vòng seed/Series A và gọi River là startup khoảng hai tháng tuổi, tính theo thời điểm công ty xuất hiện khỏi stealth vào tháng 6.

General Catalyst và AMP PBC dẫn dắt vòng đầu tư. Hai nhà sản xuất chip lớn Nvidia và AMD cùng tham gia thông qua đầu tư chiến lược, bên cạnh Y Combinator và Temasek.

Reuters cho biết River từ chối tiết lộ valuation của công ty trong giao dịch này.

Điểm đó quan trọng bởi một vòng gọi vốn 1,1 tỷ USD không đồng nghĩa startup “được định giá 1,1 tỷ USD”. Funding và valuation là hai con số khác nhau. Với River, số vốn được xác nhận công khai là 1,1 tỷ USD; mức định giá chính thức chưa được công ty công bố.

Cũng cần hiểu đúng chữ “hai tháng”. River công khai ra mắt ngày 10/6 và công bố vòng vốn ngày 11/8, tức khoảng hai tháng giữa hai cột mốc công khai. Điều đó không nhất thiết có nghĩa mọi hoạt động thành lập, tuyển đội ngũ hay đàm phán đầu tư đều chỉ bắt đầu trong khoảng thời gian ấy.

Dù vậy, quy mô vòng vốn ở giai đoạn cực sớm vẫn là điều đặc biệt.

River không bắt đầu bằng một chatbot mới

Nếu một startup vừa gọi 1,1 tỷ USD, phản xạ tự nhiên là nghĩ họ đang xây một foundation model khổng lồ để cạnh tranh trực tiếp với OpenAI, Anthropic hay Google.

River hiện đi theo hướng khác.

Sản phẩm công khai đầu tiên của công ty là River API — một lớp hạ tầng cho phép developer huấn luyện và phục vụ các model open-weight.

Theo tài liệu chính thức, API preview hỗ trợ LoRA-based fine-tuning và reinforcement learning trên nhiều model, từ quy mô hàng chục tỷ đến hàng trăm tỷ tham số, với một số kiến trúc mixture-of-experts có tổng số tham số rất lớn.

Người dùng không phải tự dựng cluster GPU, tự quản lý distributed training hay tự viết toàn bộ pipeline hạ tầng. River đóng gói quá trình này thành API.

Điểm bán hàng cốt lõi của công ty được tóm gọn bằng một câu trên trang sản phẩm:

đừng chỉ prompt model — hãy train nó.

Prompting và training khác nhau ở đâu?

Giả sử bạn có một AI viết email.

Với prompting, mỗi lần sử dụng bạn có thể đưa vào một chỉ dẫn:

“Viết ngắn. Không dùng câu sáo rỗng. Luôn đưa quyết định chính lên đầu. Nếu có ba lựa chọn, hãy đề xuất một lựa chọn thay vì chỉ liệt kê.”

AI sẽ cố làm theo trong phiên làm việc đó.

Nhưng trọng số bên trong model không thay đổi. Model không trở thành một phiên bản mới chỉ vì bạn đã viết prompt.

Nếu prompt biến mất, phần hành vi tùy chỉnh cũng biến mất hoặc phải được đưa lại bằng một cơ chế khác như system instruction, memory hay context.

Training đi sâu hơn.

Ta đưa vào các ví dụ, dữ liệu hoặc tín hiệu reward rồi cập nhật một phần trọng số của model. Kết quả là hành vi mới được mã hóa vào model hoặc adapter gắn với model.

Thay vì nói với AI “hãy viết giống tôi” ở mỗi lần gọi, ta có thể huấn luyện một model từ nhiều ví dụ để nó tự học phong cách đó.

Khác biệt này tưởng nhỏ nhưng có ý nghĩa kiến trúc lớn.

Prompt là instruction tại thời điểm inference.

Training là thay đổi chính mô hình tạo ra inference.

LoRA giúp việc “dạy lại” model trở nên thực tế hơn

Một vấn đề của fine-tuning truyền thống là model AI hiện đại rất lớn.

Nếu phải cập nhật toàn bộ hàng chục hoặc hàng trăm tỷ parameter mỗi khi muốn tạo một phiên bản tùy chỉnh, chi phí tính toán và lưu trữ sẽ rất cao.

LoRA — Low-Rank Adaptation — giải quyết vấn đề bằng cách giữ phần lớn weight của base model cố định và huấn luyện thêm những ma trận nhỏ hơn biểu diễn phần điều chỉnh.

Kết quả là một base model có thể phục vụ nhiều phiên bản chuyên biệt mà không cần sao chép toàn bộ weight cho từng khách hàng.

River cho biết API của họ triển khai LoRA trên các weight matrix của model, bao gồm cả expert trong kiến trúc mixture-of-experts.

Về mặt sản phẩm, ý nghĩa quan trọng hơn thuật toán là: tạo một AI riêng không nhất thiết phải đồng nghĩa huấn luyện một foundation model từ đầu.

Doanh nghiệp có thể bắt đầu từ một model open-weight mạnh, sau đó chỉ huấn luyện phần cần thiết cho nghiệp vụ của mình.

Reinforcement learning cho phép “dạy bằng kết quả” thay vì chỉ đưa ví dụ

Fine-tuning bằng dữ liệu mẫu phù hợp khi chúng ta biết rõ câu trả lời đúng nên trông như thế nào.

Nhưng nhiều nhiệm vụ agent khó hơn.

Ví dụ, bạn muốn AI viết code sao cho test pass, tối ưu một lịch làm việc, giải bài toán toán học hoặc thực hiện workflow nhiều bước.

Trong những trường hợp này, thay vì cung cấp một đáp án mẫu cho từng prompt, ta có thể đưa cho AI một reward function.

Model thử nhiều cách.

Cách nào cho kết quả tốt nhận reward cao.

Cách nào sai nhận reward thấp.

Qua nhiều vòng, policy được cập nhật để tăng xác suất tạo ra những hành vi đạt reward tốt hơn.

River API hiện cho phép developer xây các vòng reinforcement learning kiểu này.

Tài liệu sản phẩm đưa ra ví dụ huấn luyện model giải toán: hệ thống tạo nhiều candidate answer, chấm điểm dựa trên đáp án đúng, sau đó dùng tín hiệu đó để cập nhật model.

Đây là nghĩa kỹ thuật gần nhất của ý tưởng “người dùng dạy AI”: người dùng định nghĩa điều gì được xem là tốt, rồi model thay đổi dựa trên tín hiệu đó.

Nhưng người bình thường chưa thể chỉ nói “tôi thích cách này” rồi model tự train ngay

Đây là điểm cần tách giữa vision và sản phẩm hiện tại.

River muốn đi tới một personal AI liên tục học từ chủ sở hữu. Nhưng API hiện tại vẫn là công cụ kỹ thuật.

Developer phải chuẩn bị dữ liệu, thiết kế reward, viết code gọi training API và đánh giá model sau khi cập nhật.

Nó chưa giống việc một người dùng phổ thông mở ứng dụng, sửa AI ba lần và thấy model tự huấn luyện lại ngay trong nền.

River nói lớp tiếp theo đang xây trên training API là personalization và continual learning cho agents.

Nếu công ty thực hiện được điều đó ở mức sản phẩm tiêu dùng, giao diện “training” có thể trở nên rất khác.

Người dùng không nhất thiết thấy learning rate, LoRA rank hay optimizer.

Họ có thể chỉ:

• sửa một kết quả AI làm sai;
• chọn giữa hai phương án;
• nói “lần sau luôn làm như vậy”;
• đánh dấu một nguồn là đáng tin;
• cho phép agent quan sát cách họ hoàn thành một workflow;
• chấm một nhiệm vụ thành công hoặc thất bại.

Phần mềm phía sau biến các hành vi đó thành training signal.

Nếu làm tốt, AI sẽ giống một nhân viên mới dần học cách làm việc với một người cụ thể hơn là một chatbot bị reset về hành vi chung sau mỗi phiên.

Memory chưa phải learning

AI hiện nay đã có nhiều dạng memory.

Một assistant có thể lưu rằng bạn là lập trình viên, bạn thích câu trả lời ngắn hoặc dự án hiện tại dùng PostgreSQL.

Nhưng memory và training là hai cơ chế khác nhau.

Memory lưu thông tin rồi đưa thông tin đó vào context khi cần.

Training thay đổi cách model xử lý thông tin bằng cách cập nhật weight hoặc adapter.

Hai cơ chế có thể bổ sung cho nhau.

Không cần train model để nhớ ngày sinh của một người — database làm việc đó tốt hơn.

Nhưng nếu một agent phải học cách đánh giá một pull request theo tiêu chuẩn riêng của công ty, hoặc học chiến lược xử lý hàng nghìn tình huống support, việc mã hóa một phần hành vi qua training có thể hiệu quả hơn nhồi toàn bộ lịch sử vào prompt.

Personal AI trưởng thành nhiều khả năng sẽ sử dụng cả hai:

• memory cho sự kiện và kiến thức thay đổi;
• training cho kỹ năng, phong cách và policy ổn định hơn.

Tại sao River cho rằng prompting sẽ không đủ cho agent?

Prompting cực kỳ hữu ích vì nó rẻ và tức thời.

Nhưng khi agent phải thực hiện nhiệm vụ dài, nhược điểm bắt đầu lộ ra.

Prompt càng dài, lượng token xử lý ở mỗi lần gọi càng lớn.

Instruction có thể xung đột.

Model vẫn có hành vi mặc định của base model.

Những kỹ năng rất chuyên biệt có thể không xuất hiện chỉ nhờ giải thích bằng chữ.

Và quan trọng nhất, prompt không làm model tích lũy năng lực mới theo nghĩa cập nhật weight.

River đặt cược rằng khi AI agent chuyển từ “trả lời một câu” sang “làm việc nhiều giờ”, người dùng sẽ muốn agent học dần thay vì liên tục bị quản lý bằng prompt.

Đây là một giả thuyết hợp lý nhưng chưa được chứng minh ở quy mô đại chúng.

Prompting vẫn có lợi thế lớn về tốc độ, tính linh hoạt và khả năng đảo ngược. Training tốn thời gian hơn, cần dữ liệu và có nguy cơ làm model học sai.

Khả năng cao tương lai không phải “training thay prompting”, mà là hai lớp phối hợp với nhau.

Doanh nghiệp có thể là khách hàng đầu tiên hợp lý hơn người tiêu dùng

Ý tưởng “AI của riêng bạn” nghe rất cá nhân, nhưng thị trường dễ triển khai trước có thể là doanh nghiệp.

Một công ty có hàng triệu ticket support, codebase riêng, quy trình đánh giá nội bộ và dữ liệu vận hành lịch sử.

Họ có đủ dữ liệu để xác định hành vi tốt là gì.

Họ cũng có động cơ mạnh để không phụ thuộc hoàn toàn vào một API đóng của bên thứ ba.

River đang đặt cược rằng doanh nghiệp sẽ ngày càng dùng hỗn hợp model open-weight, sau đó fine-tune hoặc reinforcement-learn chúng trên dữ liệu riêng.

Reuters dẫn River cho biết API có thể thực hiện một số reinforcement-learning run phức tạp trong khoảng 15–20 phút mà không yêu cầu khách hàng có đội infrastructure riêng; công ty cũng tuyên bố chi phí có thể thấp hơn từ hai đến bốn lần so với một số lựa chọn closed-source.

Đây là tuyên bố của River và hiệu quả thực tế sẽ phụ thuộc model, workload, dữ liệu và phương pháp so sánh.

Nhưng nó cho thấy sản phẩm đầu tiên của công ty thực chất nằm ở thị trường AI training infrastructure, không chỉ personal assistant.

Open-weight là phần không thể thiếu trong tầm nhìn của River

Nếu người dùng muốn sở hữu AI của mình, họ phải sở hữu hoặc ít nhất có quyền kiểm soát weight đã được tùy chỉnh.

Điều đó khó thực hiện với những model chỉ được cung cấp qua API đóng.

River vì thế xây sản phẩm quanh open-weight model.

Trang API hiện liệt kê nhiều model thuộc các họ Qwen, Kimi và GLM, với kích thước và context khác nhau.

Sau training, River nói checkpoint được tạo ra thuộc về khách hàng và có thể tiếp tục được lưu, phiên bản hóa hoặc phục vụ như endpoint.

Đây là khác biệt chiến lược quan trọng.

Trong mô hình cloud AI phổ biến, doanh nghiệp gửi dữ liệu vào một intelligence layer mà hãng khác sở hữu.

Trong mô hình River muốn thúc đẩy, doanh nghiệp bắt đầu với open model, tạo phiên bản riêng và kiểm soát artefact sau training.

Ở mức cực đoan, AI có thể trở thành một loại tài sản doanh nghiệp giống codebase hoặc database.

“Sở hữu AI” có thể thay đổi lock-in của ngành cloud

Nếu một công ty dành hai năm huấn luyện agent trên dữ liệu nội bộ, phần intelligence tích lũy đó sẽ trở nên cực kỳ giá trị.

Nếu toàn bộ hành vi chỉ tồn tại trong một nền tảng đóng, việc đổi nhà cung cấp có thể rất khó.

Open-weight + checkpoint tùy chỉnh tạo một khả năng khác: model có thể được chuyển sang hạ tầng khác nếu định dạng và license cho phép.

Đó là lý do chữ “own” xuất hiện dày đặc trong cách River mô tả sản phẩm.

Công ty không chỉ bán training nhanh hơn.

Họ đang bán một triết lý về quyền sở hữu intelligence.

Nếu triết lý đó được doanh nghiệp chấp nhận, thị trường AI có thể phân tách thành hai lớp lớn:

• AI được thuê dưới dạng dịch vụ từ model provider;
• AI được xây và sở hữu như một tài sản nội bộ.

Rất có thể nhiều doanh nghiệp sẽ dùng cả hai tùy nhiệm vụ.

Tại sao Nvidia và AMD cùng đầu tư?

Sự xuất hiện đồng thời của Nvidia và AMD Ventures trong vòng gọi vốn là một chi tiết đáng chú ý.

River muốn làm cho việc huấn luyện nhiều model tùy chỉnh trở nên phổ biến hơn.

Nếu điều đó xảy ra, nhu cầu compute không chỉ nằm ở một số ít lần pretraining foundation model khổng lồ.

Nó lan xuống hàng triệu job nhỏ hơn:

• fine-tune cho từng doanh nghiệp;
• reinforcement learning cho từng agent;
• continual learning;
• evaluation;
• inference của nhiều model cá nhân hóa.

Đó là một thị trường hấp dẫn cho nhà cung cấp accelerator.

River còn nói xa hơn về phần cứng cá nhân giúp AI chạy gần người dùng, dù công ty chưa công bố một sản phẩm hardware tiêu dùng cụ thể.

Nếu inference và một phần personalization dịch chuyển khỏi datacenter tập trung sang workstation, PC hoặc thiết bị edge, chuỗi phần cứng AI cũng có thể mở rộng theo hướng mới.

AI “học từ bạn” đặt ra một vấn đề khó hơn: học cái gì và quên cái gì?

Continual learning nghe lý tưởng cho tới khi model học nhầm.

Giả sử một ngày người dùng sửa AI theo một cách chỉ phù hợp với một trường hợp đặc biệt.

Model có nên biến sửa đổi đó thành quy tắc chung?

Nếu người dùng đổi ý sau sáu tháng thì sao?

Nếu model học từ hành vi của người dùng nhưng hành vi đó mâu thuẫn với instruction an toàn?

Nếu nhiều người cùng dùng một agent doanh nghiệp nhưng thích các cách làm khác nhau?

Những câu hỏi này biến personalization thành bài toán khó hơn recommendation system.

AI không chỉ cần học.

Nó cần biết:

• tín hiệu nào đủ đáng tin để học;
• một preference áp dụng ở phạm vi nào;
• khi nào phải hỏi lại;
• cách rollback một training update;
• cách tách preference của người dùng khỏi constraint của tổ chức;
• cách tránh catastrophic forgetting khi học kỹ năng mới.

Do đó, “AI tự học từ bạn” không chỉ là bài toán infrastructure. Nó còn là một bài toán product design và AI safety.

Alignment cá nhân không thể thay thế toàn bộ safety

River đưa ra một luận điểm mạnh: AI biết rõ người dùng, hiểu mục tiêu của họ và được xây để phục vụ họ sẽ có mức alignment tự nhiên cao hơn.

Ý tưởng này có sức hấp dẫn rõ ràng.

Một agent làm việc cho bạn nên hiểu bạn muốn tối ưu điều gì, thay vì chỉ tuân theo preference trung bình của hàng triệu người.

Nhưng personalization không tự động giải quyết toàn bộ bài toán safety.

Người dùng có thể yêu cầu hành động gây hại.

Dữ liệu training có thể chứa bias.

Một doanh nghiệp có thể vô tình huấn luyện agent theo metric sai.

Agent có quyền truy cập tài khoản thật có thể gây hậu quả lớn nếu học sai chiến lược.

Vì vậy một hệ thống personal AI trưởng thành nhiều khả năng cần ít nhất ba lớp:

• khả năng học preference cá nhân;
• policy và constraint ở cấp tổ chức hoặc nền tảng;
• cơ chế xác nhận của con người cho hành động có rủi ro cao.

“AI thuộc về bạn” không thể đơn giản đồng nghĩa “AI làm bất cứ điều gì bạn dạy”.

Private AI cũng không tự động có nghĩa dữ liệu luôn ở trong nhà

Một điểm khác cần phân biệt là quyền sở hữu model và vị trí dữ liệu.

River nói tầm nhìn dài hạn bao gồm phần cứng để personal AI có thể sống gần người dùng hơn.

Nhưng API training hiện tại là một dịch vụ hạ tầng.

Việc dùng open-weight model hoặc sở hữu checkpoint không tự động nghĩa mọi dữ liệu đều được xử lý trên thiết bị cá nhân.

Doanh nghiệp cần đọc kỹ kiến trúc triển khai, retention policy, security control và yêu cầu compliance trước khi đưa dữ liệu nhạy cảm vào bất kỳ training platform nào.

Trong tương lai, local inference và private training có thể trở thành một phần của sản phẩm. Nhưng đó vẫn là hướng phát triển, không nên nhầm với tính năng đã phổ biến hôm nay.

Tại sao một công ty chưa có consumer product lại huy động được 1,1 tỷ USD?

Không có một lý do duy nhất, nhưng có thể thấy vài yếu tố.

Đội ngũ sáng lập có pedigree rất mạnh. Babuschkin đã làm việc ở DeepMind, OpenAI và đồng sáng lập xAI — ba trải nghiệm hiếm trong thị trường AI.

Training infrastructure là thị trường đắt đỏ. Nếu River thực sự muốn xây một stack từ training tới hardware, chi phí GPU, hệ thống phân tán, networking và nhân sự nghiên cứu có thể rất lớn.

Open-weight AI đang trở thành một lớp cạnh tranh riêng. Các doanh nghiệp không còn chỉ chọn “model nào tốt nhất”, mà còn chọn mức kiểm soát, chi phí, khả năng fine-tune và khả năng tránh vendor lock-in.

Investors đang đặt cược trước khi thị trường được định hình. Khi một ngành có thể tạo ra platform mới, nhà đầu tư thường ưu tiên quyền tham gia sớm hơn việc chờ doanh thu ổn định.

Nhưng một vòng vốn lớn cũng tăng kỳ vọng.

River giờ không chỉ phải chứng minh API training hoạt động.

Công ty phải chứng minh rằng personal trainable AI là một category đủ lớn để biện minh cho số vốn khổng lồ đó.

1,1 tỷ USD không phải bằng chứng sản phẩm đã thắng

Trong AI, funding thường bị nhầm với validation kỹ thuật.

Hai thứ không giống nhau.

Một startup có thể gọi vốn rất lớn vì đội ngũ mạnh, thị trường hấp dẫn và nhà đầu tư cạnh tranh để tham gia.

Điều đó không chứng minh:

• training API tốt hơn mọi đối thủ;
• personal AI sẽ được người dùng chấp nhận;
• continual learning có thể hoạt động ổn định;
• chi phí dài hạn sẽ thấp;
• startup sẽ xây được hardware thành công;
• hay model tự huấn luyện sẽ an toàn hơn model hiện tại.

River mới đang ở giai đoạn rất sớm.

Sản phẩm API còn mang nhãn preview. Personalization layer chưa phải consumer assistant hoàn chỉnh. Hardware vẫn chủ yếu nằm trong tầm nhìn được mô tả.

Do đó câu chuyện đáng chú ý không phải “startup 2 tháng đã thắng ngành AI”.

Nó là việc thị trường sẵn sàng đặt 1,1 tỷ USD vào một giả thuyết về thế hệ AI sau chatbot.

Thế hệ đầu: AI được huấn luyện một lần rồi phục vụ hàng triệu người

Foundation model hiện đại chủ yếu được xây theo logic tập trung.

Một công ty thu thập dữ liệu, pretrain model, post-train để tạo hành vi mong muốn rồi phát hành cho tất cả người dùng.

Mỗi người có thể thêm prompt và context, nhưng intelligence nền tảng là chung.

Mô hình này có lợi thế kinh tế rất lớn: một lần đầu tư training tạo ra một model phục vụ quy mô khổng lồ.

Nhưng nó cũng khiến model phải trở thành “người trung bình”.

Nó biết một ít về rất nhiều lĩnh vực nhưng không sống đủ lâu với một cá nhân để hiểu toàn bộ workflow, preference và lịch sử quyết định của họ.

Thế hệ hai: một base model, hàng triệu phiên bản tiến hóa khác nhau?

Tầm nhìn River gợi ra một kiến trúc khác.

Ban đầu nhiều người có thể sử dụng cùng một base model open-weight.

Sau đó mỗi doanh nghiệp hoặc cá nhân tạo adapter và checkpoint riêng.

Một model học cách viết code theo conventions của công ty A.

Một model khác học policy support của công ty B.

Một personal agent học cách chủ nhân lên lịch, ưu tiên email và đánh giá lựa chọn.

Sau một năm, các AI bắt đầu từ cùng một base model có thể trở nên rất khác nhau.

Đó là sự chuyển đổi từ mass-produced intelligence sang personalized intelligence.

Điều này giống cách phần mềm đã đi từ cài đặt sang dữ liệu cá nhân

Hai chiếc điện thoại cùng model ban đầu gần như giống nhau.

Sau vài năm sử dụng, chúng hoàn toàn khác.

Ứng dụng khác nhau.

Ảnh khác nhau.

Lịch sử khác nhau.

Contact khác nhau.

Preference khác nhau.

Nhưng phần lớn AI hiện nay chưa đạt mức cá nhân hóa tương tự ở chính năng lực cốt lõi.

Hai người mở cùng chatbot vẫn đang nói với gần như cùng một intelligence engine.

River đang đặt cược rằng AI cũng sẽ trải qua quá trình giống smartphone: thiết bị hoặc model ban đầu giống nhau, nhưng sau nhiều năm sử dụng nó trở thành một hệ thống rất riêng của từng người.

AI cá nhân lâu năm có thể trở thành tài sản khó thay thế

Nếu một agent liên tục học trong năm năm, nó có thể tích lũy một thứ giá trị hơn chat history.

Nó có thể có:

• adapter đã học phong cách làm việc;
• reward model phản ánh preference;
• workflow do người dùng hiệu chỉnh;
• memory dài hạn;
• quy tắc truy cập dữ liệu;
• lịch sử feedback;
• mô hình về các mục tiêu dài hạn.

Đến lúc đó, đổi AI có thể giống đổi một nhân viên trợ lý đã làm việc với bạn nhiều năm hơn là đổi một ứng dụng chat.

Điều này tạo cả cơ hội lẫn nguy cơ lock-in mới.

Nếu người dùng thực sự sở hữu checkpoint và dữ liệu học, họ có thể mang “trí tuệ cá nhân hóa” sang hạ tầng khác.

Nếu không, một nhà cung cấp personal AI thậm chí có thể tạo lock-in mạnh hơn cloud chatbot hiện tại.

Khả năng export model, adapter, memory và preference vì thế có thể trở thành vấn đề cạnh tranh quan trọng.

“Dạy AI” cũng sẽ tạo ra một kỹ năng mới cho con người

Trong vài năm qua, nhiều người học prompt engineering.

Nếu AI chuyển sang trainable agent, một kỹ năng khác có thể xuất hiện: teaching AI.

Không phải viết code machine learning, mà biết cách tạo feedback tốt.

Người quản lý có thể dạy agent bằng cách review quyết định.

Kỹ sư senior có thể dạy coding agent qua pull request.

Bác sĩ có thể giúp hệ thống học cách ưu tiên thông tin bằng các lựa chọn đã xác minh.

Nhân viên support có thể sửa agent khi nó xử lý ticket không đúng policy.

Trong mô hình đó, con người không phải viết mọi rule.

Họ cung cấp ví dụ, đánh giá và constraint, còn hệ thống tổng quát hóa.

Đây gần với cách một người đào tạo đồng nghiệp mới hơn cách lập trình phần mềm truyền thống.

Nhưng dạy AI sai có thể nguy hiểm hơn prompt sai

Một prompt sai thường chỉ gây ra một output sai.

Một training signal sai có thể thay đổi hàng nghìn output tương lai.

Điều này làm cho trainable AI cần những công cụ vốn quen thuộc với software engineering:

• versioning model;
• evaluation suite trước và sau update;
• rollback;
• canary deployment;
• audit log của training data;
• phân quyền ai được phép update model.

Nói cách khác, khi AI có thể học liên tục, model training trở thành một hoạt động production, không còn chỉ là việc của phòng nghiên cứu.

River đang đặt cược vào một tương lai mà AI không còn là sản phẩm hoàn thiện khi bạn mua nó

Smartphone xuất xưởng với phần mềm đã hoàn chỉnh tương đối.

Ô tô xuất xưởng với một tập chức năng đã biết.

AI cá nhân có thể khác.

Ngày đầu tiên bạn dùng nó có thể là phiên bản tệ nhất của chính nó.

Nó chưa biết bạn thích gì.

Nó chưa hiểu workflow.

Nó chưa biết khi nào nên tự hành động và khi nào phải hỏi.

Sau sáu tháng feedback, nó tốt hơn.

Sau ba năm, nó mang một lượng kiến thức hành vi mà không thể có trong model gốc.

Trong thế giới đó, sản phẩm AI không chỉ được “cập nhật” bởi nhà sản xuất.

Nó được đồng phát triển bởi chính người sử dụng.

Liệu River có xây được tương lai đó?

Hiện còn quá sớm để biết.

Công ty có đội ngũ sáng lập đáng chú ý, nguồn vốn rất lớn và một API training đang hoạt động. Nhưng tham vọng cuối cùng — AI cá nhân, liên tục học, được người dùng kiểm soát và có thể hoạt động trên phần cứng gần họ — lớn hơn nhiều sản phẩm hiện tại.

River phải giải quyết đồng thời infrastructure, machine learning, product UX, economics, privacy và safety.

Trong khi đó, các phòng lab lớn cũng không đứng yên. Memory, customization, fine-tuning, local models và agent personalization đều đang trở thành những hướng cạnh tranh chung của ngành.

Vì vậy lợi thế của River sẽ không chỉ đến từ việc nói “AI của bạn”.

Nó phải khiến việc sở hữu và dạy AI trở nên dễ đến mức người dùng thực sự muốn làm điều đó.

Từ “hãy làm điều này” sang “hãy học cách tôi làm”

Suốt làn sóng generative AI đầu tiên, mối quan hệ giữa người và model dựa trên câu lệnh.

Con người yêu cầu.

AI trả lời.

Nếu AI sai, con người viết prompt khác.

River đang đặt cược rằng giao diện đó chỉ là giai đoạn đầu.

Một agent thực sự hữu ích sẽ không đợi chúng ta mô tả lại toàn bộ preference trong mỗi cuộc trò chuyện. Nó phải quan sát feedback, học từ kết quả và dần hình thành một cách làm việc riêng cho chủ sở hữu.

Nếu điều đó xảy ra, sự thay đổi lớn nhất của AI có thể không nằm ở benchmark reasoning hay số nghìn tỷ parameter.

Nó nằm ở một chuyển đổi nhỏ trong câu chúng ta nói với máy.

Hôm nay: “Hãy làm việc này cho tôi.”

Tương lai mà River đang đặt cược: “Hãy học cách tôi muốn việc này được làm.”

Và việc một startup mới xuất hiện công khai khoảng hai tháng đã huy động được 1,1 tỷ USD cho thấy giới đầu tư đang sẵn sàng đặt một khoản cược cực lớn vào sự khác biệt giữa hai câu đó.

Nguồn tham khảo

• Reuters, “XAI co-founder's startup River AI raises $1.1 billion to expand custom AI tools”, 11/8/2026.
• River AI, “Introducing River AI”, 10/6/2026.
• River AI, API v0.1 preview — LoRA fine-tuning và reinforcement learning.
• TechCrunch, “General Catalyst leads $1.1B round into 2-month-old River AI”, 11/8/2026.
• Hu E. J. và cộng sự, “LoRA: Low-Rank Adaptation of Large Language Models”, 2021.