AI 뉴스 SVIL 리버 AI River AI 이고르 바부슈킨 제너럴 카탈리스트 파인튜닝 오픈웨이트

창업 두 달 만에 1조 5천억을 받았습니다 — xAI 공동창업자의 리버 AI와 '내 모델을 갖는다'는 발상

SVIL - Singularity Visual Intelligence Lab 2026. 08. 14 16 min read

회사를 만든 지 두 달 됐습니다. 제품은 아직 세상에 제대로 나오지도 않았어요. 그런데 투자자들이 11억 달러, 우리 돈으로 1조 5천억 원 넘는 금액을 넣었습니다. xAI 공동창업자 이고르 바부슈킨이 만든 리버 AI(River AI) 이야기입니다.

두 달 된 회사에 1조 5천억이 들어왔습니다

리버 AI는 8월 11일 11억 달러 규모의 투자 유치를 발표했습니다. 시드와 시리즈 A를 합친 라운드예요.

회사가 스텔스(비공개) 상태에서 나온 건 불과 두 달 전인 6월입니다. 창업 두 달 만에 조 단위 자금이 들어간 셈이에요.

칠흑 한가운데 놓인 작은 어두운 정육면체에서 사방으로 곧게 뻗어 나가는 수많은 청록빛 선들 — 한 회사로 자본이 몰려들었다가 다시 퍼져 나가는 모습을 표현한 개념 이미지

이고르 바부슈킨이 누구인가

이 라운드를 이해하려면 창업자 이력을 봐야 합니다. 바부슈킨은 구글 딥마인드와 오픈AI를 거쳐 xAI를 공동창업한 인물이에요.

현재 프런티어 AI를 만드는 주요 조직 세 곳을 모두 안에서 겪은 사람입니다. 이런 이력은 시장에서 매우 드물고, 그래서 제품보다 사람에 먼저 돈이 붙습니다.

누가 돈을 넣었나

라운드를 이끈 건 제너럴 카탈리스트와 AMP PBC입니다. 여기에 전략적 투자자로 엔비디아와 AMD 벤처스가 붙었어요. 와이 콤비네이터와 싱가포르 국부펀드 테마섹도 참여했습니다.

엔비디아와 AMD가 나란히 들어간 점이 눈에 띕니다. 두 회사는 GPU 시장의 경쟁자인데, 같은 스타트업에 함께 베팅했어요.

넓게 펼쳐진 청록빛 빛의 판 한가운데에 놓인 어두운 정육면체 하나 — 인프라 위에 얹힌 하나의 모델을 표현한 개념 이미지

리버 AI는 뭘 만들려고 하나

회사가 내건 목표는 "오픈 AI 스택"입니다. 여기서 '오픈'은 오픈AI라는 회사 이름이 아니라 개방형이라는 뜻이에요. 이름이 겹쳐서 헷갈리기 쉬운 지점입니다.

핵심 문장은 이겁니다. "AI를 처음부터 다시 만든다 — 모델을 학습시키는 방식부터."

구체적으로 어떤 제품인가

리버의 플랫폼은 개발자가 자기 모델을 직접 학습·튜닝·서빙할 수 있게 해 줍니다. 전담 인프라 팀도, 비싼 하드웨어도 없이요.

API를 통해 공개 가중치 프런티어 모델에 대한 LoRA 파인튜닝과 강화학습을 제공하고, 토큰 단위 과금과 즉시 배포를 붙였습니다.

넓고 고르게 늘어선 똑같은 어두운 정육면체들 가운데 앞쪽의 한 개만 훨씬 강하게 청록빛으로 빛나는 모습 — 범용 모델들 사이에서 개인화된 하나를 표현한 개념 이미지

LoRA 파인튜닝이 뭔가요

모델 전체를 다시 학습시키려면 어마어마한 비용이 듭니다. LoRA는 원본 모델은 그대로 두고 작은 보조 부품만 학습시켜 끼워 넣는 방식이에요.

자동차로 치면 엔진을 새로 만드는 대신 튜닝 칩 하나를 꽂는 것에 가깝습니다. 비용은 수백 분의 일로 줄고, 결과물은 내 데이터에 맞게 움직여요.

왜 이게 어려운 일인가

말은 간단한데 실제로 서비스로 만들기는 어렵습니다. 리버가 직접 언급한 난제가 셋이에요. 빠른 가중치 전송, 샘플링과 학습의 일관성, 탄력적 컴퓨트 할당입니다.

쉽게 풀면 이렇습니다. 학습한 결과를 서빙 서버에 빨리 옮기는 문제, 학습 때와 실제 사용 때의 동작을 어긋나지 않게 맞추는 문제, 그리고 쓰는 만큼만 GPU를 붙였다 뗐다 하는 문제예요. 셋 다 전담 인프라 팀이 매달리는 영역입니다.

어두운 직육면체들이 높이 쌓인 더미의 이음매마다 청록빛이 가득 차 있는 모습 — 여러 층으로 쌓인 인프라 스택을 표현한 개념 이미지

'풀스택'이라는 말이 여기서는 진짜입니다

리버는 스스로를 풀스택 AI 회사라고 부릅니다. 그런데 여기서 말하는 범위가 꽤 넓어요. 하드웨어까지 포함합니다.

회사가 밝힌 세 축은 이렇습니다. ① 개인 AI가 사용자 가까이에 머물 수 있게 하는 새 하드웨어, ② 누구나 파인튜닝할 수 있는 학습 인프라, ③ 개인화와 지속 학습을 중심에 둔 제품.

"개인 AI"라는 표현이 뜻하는 것

리버가 반복해서 쓰는 단어가 개인 AI(personal AI)입니다. 지금의 AI는 거대한 모델 하나를 수억 명이 나눠 쓰는 구조예요. 모두가 같은 모델에게 말을 겁니다.

리버가 그리는 그림은 반대입니다. 사람마다, 조직마다 자기 모델을 갖는 구조. 그리고 그 모델이 쓰면서 계속 나아지는 것이죠.

커다란 어두운 정육면체 하나가 세 갈래의 청록빛 선으로 갈라져 바깥으로 뻗어 나가는 모습 — 하드웨어·학습 인프라·제품 세 축으로 나뉜 전략을 표현한 개념 이미지

'지속 학습'이 핵심 개념입니다

지금 우리가 쓰는 챗봇은 대화가 끝나면 배운 걸 잊습니다. 대화 기록을 저장하는 기능은 있지만, 모델 자체가 바뀌지는 않아요.

지속 학습(continual learning)은 쓰면 쓸수록 모델 자체가 나에게 맞춰지는 방향입니다. 이게 되면 "내가 좋아하는 문체" 같은 걸 매번 설명하지 않아도 돼요. 다만 기술적으로는 아직 미해결 과제가 많습니다.

소유권이라는 단어를 왜 강조하나

리버의 발표문에서 반복적으로 등장하는 단어가 소유(ownership)입니다. "AI의 소유권을 그것을 쓰는 사람과 조직의 손에 직접 넘긴다"는 표현이에요.

지금 구조에서는 아무리 많은 돈을 내도 그 모델은 내 것이 아닙니다. 제공사가 모델을 바꾸면 어제까지 잘 돌던 서비스가 오늘 다르게 동작해요. 모델이 내 것이면 이 일이 안 일어납니다.

훨씬 큰 매끈한 어두운 덩어리의 움푹 팬 홈에 작은 어두운 정육면체가 꼭 맞게 끼워지고 그 이음매를 청록빛이 채운 모습 — 기존 모델에 작은 보조 부품을 끼워 넣는 LoRA 방식을 표현한 개념 이미지

엔비디아와 AMD가 동시에 들어간 이유

앞서 언급한 이 대목을 조금 더 보겠습니다. 경쟁사인 두 회사가 같은 스타트업에 들어간 건 우연이 아니에요.

리버의 사업 모델은 파인튜닝과 서빙을 대중화하는 것입니다. 성공하면 GPU 수요가 늘어납니다. 지금 소수 대형 연구소만 하던 학습을 수많은 회사가 하게 되니까요. 칩 회사 입장에서는 시장을 넓히는 베팅이에요.

제너럴 카탈리스트의 베팅 방식

리드 투자자인 제너럴 카탈리스트는 최근 몇 년간 AI 인프라 쪽에 공격적으로 들어가 왔습니다. AMP PBC와 공동 리드를 잡은 구조도 눈에 띄어요.

이 규모의 시드·시리즈 A는 "제품을 검증한 뒤 투자한다"는 전통적 방식이 아닙니다. 사람과 방향에 미리 자리를 잡아 두는, 이른바 선점형 투자예요.

수많은 작은 청록빛 입자들이 한가운데의 단단한 정육면체 하나로 조밀하게 모여드는 모습 — 여러 투자자의 자본이 한 회사로 집중되는 상황을 표현한 개념 이미지

지금 AI 시장의 두 갈래

이 뉴스를 넓게 보면 시장이 갈라지는 지점이 보입니다. 한쪽은 모델을 계속 키우는 길이에요. 오픈AI, 앤스로픽, 구글이 여기 있습니다. 더 크고 더 똑똑한 하나를 만드는 방향입니다.

다른 한쪽은 모델을 나눠 주는 길입니다. 공개 가중치 모델을 기반으로 각자가 자기 모델을 갖게 하는 방향이에요. 리버는 여기에 섰습니다.

왜 지금 이 방향이 가능해졌나

이 길이 몇 년 전에는 성립하지 않았습니다. 공개 가중치 모델의 성능이 상용 모델과 너무 벌어져 있었거든요.

그런데 최근 공개 가중치 모델이 프런티어 급에 근접했습니다. 앞서 다룬 딥시크 V4 계열이나 여러 중국·서구 오픈 모델들이 그 예예요. 기반이 쓸 만해지자 그 위에 얹는 도구가 사업이 됩니다.

칠흑 속에 멀찍이 떨어져 떠 있는 작고 눈부신 청록빛 정육면체와 크지만 어두운 정육면체 — 작은 신생 회사와 거대한 기존 연구소의 대비를 표현한 개념 이미지

실제 사례 — 어떤 회사에 필요한가

구체적으로 그려 보겠습니다. 고객 문의 답변을 자동화하려는 중소기업이 있다고 해요. 범용 챗봇을 쓰면 그 회사만의 제품명, 정책, 말투를 매번 프롬프트에 넣어야 합니다.

지난 3년치 상담 기록으로 파인튜닝하면 그 지식이 모델 안에 들어갑니다. 프롬프트가 짧아지고, 비용이 줄고, 답변이 일관돼요. 지금까지 이건 인프라 엔지니어가 있어야 가능했습니다. 리버는 그 문턱을 없애겠다는 겁니다.

매끈하고 아무 무늬 없는 어두운 구체를 좁은 청록빛 띠들이 단단히 감싸고 있는 모습 — 원본 모델을 감싸는 얇은 학습 층을 표현한 개념 이미지

저시력 사용자 관점에서 본 개인화

SVIL이 늘 보는 각도를 얹겠습니다. 개인화된 모델은 접근성 도구로서 의미가 큽니다.

저시력 사용자마다 필요한 설명 방식이 다릅니다. 어떤 분은 화면 구조를 먼저 알아야 하고, 어떤 분은 결론부터 필요해요. 범용 모델에게는 매번 설명해야 하는 요구사항이지만, 내 모델이라면 한 번 학습시키면 끝입니다. 접근성 설정이 프롬프트가 아니라 모델의 성질이 되는 거예요.

냉정하게 볼 지점 — 아직 제품이 없습니다

기대만 적으면 안 되겠죠. 분명히 해 둘 게 있습니다. 리버 AI는 아직 널리 검증된 제품을 내놓지 않았습니다.

지금 있는 건 API와 방향성, 그리고 사람입니다. 파인튜닝 플랫폼 자체는 이미 여러 회사가 하고 있고, 클라우드 사업자들도 비슷한 기능을 제공해요. 리버가 그들과 무엇이 다른지는 제품이 나와 봐야 판정됩니다.

칠흑을 가로지르던 넓은 청록빛 광선이 여러 갈래의 가느다란 띠로 갈라지는 모습 — 하나의 거대 모델에서 여러 개인 모델로 나뉘는 흐름을 표현한 개념 이미지

하드웨어까지 한다는 것의 무게

또 하나 냉정하게 볼 대목은 하드웨어입니다. "개인 AI가 사용자 가까이 머물 수 있는 새 하드웨어"라는 건 기기를 만들겠다는 뜻이에요.

소프트웨어 회사가 하드웨어에 손대면 난도가 크게 올라갑니다. 설계, 생산, 유통, 재고, 인증이 전부 새로 붙어요. 11억 달러라는 규모는 그래서 필요했을 수도 있지만, 그만큼 실패 지점도 늘어납니다.

경쟁자는 이미 여럿입니다

파인튜닝을 쉽게 만들어 주는 서비스는 새 아이디어가 아닙니다. 대형 클라우드 사업자들이 이미 관리형 파인튜닝을 제공하고, 여러 스타트업이 같은 문제를 풀고 있어요.

그래서 리버가 이기려면 "쉽다"만으로는 부족합니다. 앞서 말한 세 난제 — 가중치 전송 속도, 학습·서빙 일관성, 탄력적 컴퓨트 — 에서 눈에 띄는 격차를 만들어야 해요. 그게 안 되면 자본만 많은 후발주자가 됩니다.

넓고 매끈한 어두운 면을 왼쪽 아래에서 오른쪽 위로 가로지르는 가느다란 청록빛 선 — 신생 회사가 그리는 성장 경로를 표현한 개념 이미지

안전 관점에서 생기는 물음

개인화와 소유가 늘어나면 안전장치는 분산됩니다. 지금은 소수 제공사가 중앙에서 유해 출력을 걸러 내는데, 각자가 자기 모델을 튜닝하면 그 층이 얇아져요.

파인튜닝이 기존 안전장치를 약화시킬 수 있다는 건 이미 여러 연구에서 지적된 문제입니다. 개방과 소유를 내건 회사일수록 이 부분을 어떻게 다루는지가 신뢰를 가릅니다. 현재까지 리버가 이에 대해 구체적으로 밝힌 내용은 많지 않습니다.

언제쯤 써 볼 수 있나

회사는 API를 공개해 둔 상태이고, 이번 자금으로 개발을 가속하겠다고 밝혔습니다. 다만 구체적인 일반 공개 일정이나 하드웨어 출시 시점은 발표되지 않았어요.

지금 단계에서 할 수 있는 건 지켜보는 것입니다. 당장 업무에 도입할 대상은 아니고, 개인화 파인튜닝을 검토 중이라면 선택지 목록에 이름을 하나 더 올려 두는 정도가 적당합니다.

이 뉴스를 무엇으로 봐야 하나

정리하면 이렇습니다. 리버 AI 라운드는 기술 뉴스라기보다 시장 신호에 가깝습니다. 제품이 검증되지 않은 회사에 조 단위가 들어갔다는 건, 투자자들이 "개인화·소유"라는 방향에 자리를 잡아 두고 있다는 뜻이에요.

맞을 수도 틀릴 수도 있습니다. 다만 이 방향에 이 정도 돈이 붙기 시작했다는 사실 자체가 앞으로 1~2년의 흐름을 짐작하게 합니다.

칠흑 속에 크기가 서로 다른 매끈한 어두운 정육면체 세 개가 각각 하나의 가느다란 청록빛 선을 두른 채 떨어져 떠 있는 모습 — 규모가 제각각인 개인·조직별 모델들을 표현한 개념 이미지

핵심 정리

무엇: 리버 AI가 시드+시리즈 A로 11억 달러 유치(2026년 8월 11일 발표)
누가: xAI 공동창업자 이고르 바부슈킨 창업, 6월 스텔스 해제 — 창업 두 달
투자자: 제너럴 카탈리스트·AMP PBC 리드, 엔비디아·AMD 벤처스·와이 콤비네이터·테마섹 참여
목표: 개방형 AI 스택 — 누구나 자기 모델을 학습·튜닝·서빙
기술: 공개 가중치 모델에 대한 LoRA 파인튜닝과 강화학습, 토큰 단위 과금, 즉시 배포
범위: 소프트웨어에 그치지 않고 하드웨어·지속 학습까지
한계: 검증된 제품은 아직 없음, 경쟁 영역도 이미 붐빔

모델을 빌려 쓸 것인가, 가질 것인가

이 뉴스가 던지는 질문은 결국 하나로 모입니다. AI를 빌려 쓸 것인가, 가질 것인가.

지금까지 우리는 전부 빌려 쓰는 쪽이었습니다. 편하고 빠르니까요. 하지만 빌린 도구는 주인이 바꾸면 같이 바뀝니다. 리버 AI에 들어간 11억 달러는 "그게 불편한 사람이 앞으로 많아질 것"이라는 쪽에 걸린 돈이에요. 그 판단이 맞는지는 몇 년 뒤에 드러날 겁니다.

넓고 어두운 개구부에서 눈부신 청록빛 정육면체 하나가 곧게 위로 솟아오르는 모습 — 스텔스에서 나와 급부상한 신생 회사를 표현한 개념 이미지

참고하실 만한 것

이 글이 도움이 되셨다면 SVIL 블로그를 구독해 주세요. AI 뉴스를 큰 글씨와 쉬운 설명으로 매일 정리해 올리고 있습니다.

혹시 회사에서 AI 도입을 검토 중이시라면, 이번 뉴스를 계기로 한 가지만 점검해 보시길 권해요. "우리 데이터로 모델을 다듬을 필요가 있는 일인가, 아니면 범용 모델로 충분한 일인가." 이 구분이 서면 도구 선택이 훨씬 쉬워집니다. 대부분의 업무는 후자로 충분하고, 진짜 차별화가 필요한 소수의 업무만 전자예요.

출처

협업문의 : kuroicode@gmail.com
블로그 : https://blog.svil.dev/
홈페이지 : https://kuroicode-beep.github.io/svil-homepage/