Snorkel AI تجمع 350 مليون دولار في السلسلة E بقيمة تقييم 3.5 مليار دولار لبناء مختبر الحدود لبيانات الذكاء الاصطناعي

أعلنت Snorkel AI عن تمويل بقيمة 350 مليون دولار في السلسلة E بقيمة تقييم 3.5 مليار دولار في 22 سبتمبر 2026، في مقال مدونة الشركة كتبه الشريك المؤسس والرئيس التنفيذي أليكس راتنر. قاد الجولة Insight وS32.

شارك أيضاً Third Point وMarch وBlumberg وAllegis وStandard VC وFrontline، إلى جانب المستثمرين الحاليين Addition وLightspeed وGreylock وGV وP7 وWells Fargo وWalden Catalyst Ventures وFactory.

قال راتنر إن عرض البيانات كخدمة الذي أُطلق قبل ما يقرب من عام، قد نما بأكثر من 18 مرة وتجاوز معدل إيرادات سنوي قدره 375 مليون دولار في أسبوع الإعلان. وأضاف أن Snorkel الآن يتعاون مع مختبرات الحدود، ومزودي الحوسبة الضخمة، وNeolabs، ورواد الذكاء الاصطناعي العمودي، والمؤسسات، والوكالات الحكومية الأمريكية.

التمويل السابق وخلفية الشركة

تأتي السلسلة E بعد السلسلة D التي جمعت 100 مليون دولار من Snorkel بقيمة تقييم 1.3 مليار دولار، وأُعلنت في بيان الشركة بتاريخ 29 مايو 2025. قادت Addition تلك الجولة، بمشاركة Prosperity 7 Ventures، والمستثمرين الحاليين Greylock وLightspeed، ومستثمرين استراتيجيين بما في ذلك BNY وQBE Ventures. ذكر بيان 2025 أن الجولة رفع إجمالي تمويل Snorkel إلى 237 مليون دولار منذ تأسيس الشركة في 2019.

أعلن ذلك البيان، المؤرخ في ريدوود سيتي، كاليفورنيا، عن التوفر العام لـ Snorkel Evaluate وSnorkel Expert Data-as-a-Service، وهما عرضان جديدان على منصة تطوير بيانات الذكاء الاصطناعي الخاصة بالشركة لتقييم وضبط الأنظمة المتخصصة للذكاء الاصطناعي. وأشار إلى أن رأس مال السلسلة D سيدعم توسيع جهود الهندسة والبحث وتسويق الشركة.

البيانات 2.0 ومنصة البيانات الوكيلة

يُؤطر منشور راتنر التمويل الجديد حول ما يسمّيه البيانات 2.0. كتب أن Snorkel بدأت كمشروع بحثي في جامعة ستانفورد قبل نحو عقد من الزمن، استنادًا إلى فرضية أن تقدم الذكاء الاصطناعي سيصبح أكثر تركيزًا على البيانات، وأن تطوير البيانات يجب أن يُدرس كمشكلة بحثية وتقنية بدلاً من مجرد مسألة توظيف وتعهيد جماعي.

يصف المنشور المرحلة الأولى من تطوير بيانات الذكاء الاصطناعي، المسماة البيانات 1.0، بأنها مدفوعة بحجم البيانات الأبسط وتُعد في الأساس مشكلة توظيف ولوجستية، بينما المرحلة الأخيرة، المسماة البيانات 2.0، تُعتمد على جودة البيانات الأكثر تعقيدًا وتُعد أساسًا مشكلة بحثية وتقنية. باستخدام بيانات الترميز كمثال، يوضح أن مجموعات بيانات وبيئات التعلم المعزز الحدودية يجب الآن أن تحاكي مشاكل البرمجيات التي قد يواجهها مهندس كبير لأيام أو أسابيع، وتلتقط إشارات مكافأة دقيقة عبر مخرجات على مستوى المنتج، وتستهدف أوضاع خطأ نموذجية محددة، وتقاوم محاولات النماذج المتقدمة للاختراق أو الغش، وتنجح في اجتياز عدة مئات من فحوصات ضبط الجودة.

لإنتاج تلك البيانات، يصف المنشور منصة داخلية للبيانات الوكيلة حيث يدعم الخبراء البشريون نماذج ووكلاء ذكاء اصطناعي متخصصين، أحيانًا مئات لكل نوع من المهام. يقوم هؤلاء الوكلاء بتوسيع مخططات الخبراء إلى بيئات كاملة وحالات بيانات، ويوجهون الجهود البشرية نحو الأهداف التوزيعية وأوضاع خطأ النموذج، ويقدمون ملاحظات فورية وضبط جودة بعد الإرسال، ويوجهون المكونات الفرعية إلى الخبراء المناسبين للمراجعة. تُستَخدم ملاحظات البشر على نطاق واسع كإشراف ضعيف لقياس وتحسين الوكلاء، وهو حلقة تراكمية يسميها راتنر محرك RSI أي التحسين الذاتي المتكرر للبيانات.

أفاد راتنر أنه في عمل بيانات الترميز، تُسرّع الوكلاء المتخصصون الذين يديرون ضبط الجودة جنبًا إلى جنب مع مراجعة الخبراء البشريين كفاءة ضبط الجودة بأكثر من 50٪ وتُحسّن دقة المراجعة بأكثر من 15 نقطة مقارنةً بالخط الأساسي للمراجعين البشريين الذين يستخدمون نماذج لغة كبيرة جاهزة فقط. وقال إن ملاحظات البشر الموسعة المُطبقة كإشراف ضعيف تُحقق تحسينًا حاليًا في الدقة بأكثر من 2× مقارنةً بالخط الأساسي لنموذج لغة كبير غير متخصص، وأن هذه الأرقام تتحسن باستمرار مع استمرار الحلقة.

المقاييس المفتوحة وخطط البحث

أفادت Snorkel أيضًا بأنها ستوسع بشكل كبير برنامج منح المقاييس المفتوحة، الذي يمول مقاييس الذكاء الاصطناعي المفتوحة والمستقلة. تُشير صفحة البرنامج إلى أن الجهد مدعوم بالتزام بقيمة 3 ملايين دولار لتمويل مجموعات البيانات المفتوحة المصدر، والمقاييس، ومواد التقييم، وأن الطلبات تُراجع بشكل مستمر. تُراجع المقترحات بمشاركة لجنة توجيهية من الباحثين الأكاديميين والصناعيين، وتُفيد الصفحة أن Snorkel لا تُوجه قرارات اللجنة.

تشمل المقاييس المذكورة في الصفحة خط Terminal‑Bench، وOSWorld 2.0 بالتعاون مع مختبر XLANG التابع لجامعة هونغ كونغ، وAgent’s Last Exam مع RDI بجامعة كاليفورنيا بيركلي، وContinual Learning Bench مع SkyLab بجامعة كاليفورنيا بيركلي وUW‑Madison، وSlopCode Bench مع UW‑Madison وDARPA والمؤسسة الوطنية للعلوم، وSenior SWE‑bench مع جامعة ويسكونسن وجامعة برينستون.

إلى جانب المقاييس، صرّح راتنر أن Snorkel تخطط للاستثمار بشكل كبير في دعم نماذج الذكاء الاصطناعي المتخصصة، موضحًا أن الشركة تتوقع أن يشكل جزء متزايد من تطوير بيانات العالم تركيزًا على الذكاء الاصطناعي المتخصص خلال السنوات القليلة المقبلة. وأضاف أن جزءًا كبيرًا من أبحاث وتطوير Snorkel في السنوات القادمة سيتركز على تطوير البيانات والبيئات لتوافق الذكاء الاصطناعي وسلامته.