Snorkel AI تجمع 350 مليون دولار في السلسلة E بقيمة تقييم 3.5 مليار دولار لبناء مختبر رائد 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 بلغ أكثر من 18 ضعف حجمه السابق وتجاوز وتيرة إيرادات محسوبة على أساس سنوي قدرها 375 مليون دولار في أسبوع الإعلان. وأضاف أن Snorkel تتعاون الآن مع مختبرات رائدة، ومزودي الحوسبة الضخمة، وNeolabs، ورواد الذكاء الاصطناعي العمودي، والمؤسسات، والوكالات الحكومية الأمريكية.

التمويل السابق وخلفية الشركة

تأتي السلسلة E بعد السلسلة D التي جمعت فيها Snorkel مبلغ 100 مليون دولار 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 رفعت 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، تعتمد على جودة البيانات الأكثر تعقيدًا وتُعد أساسًا مشكلة بحثية وتقنية. باستخدام بيانات البرمجة كمثال، يوضح أن مجموعات بيانات وبيئات التعلم المعزز المتقدمة يجب الآن أن تحاكي مشاكل البرمجيات التي قد يجد مهندس متمرس صعوبة في حلها لأيام أو أسابيع، وتلتقط إشارات مكافأة دقيقة عبر مخرجات على مستوى المنتج، وتستهدف أنماط أخطاء محددة في النموذج، 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 يحظى الخبراء البشريون بدعم 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 المتعلقة بتوزيع البيانات وأنماط أخطاء النموذج، ويقدمون ملاحظات فورية وضبط جودة بعد الإرسال، ويوجهون المكونات الفرعية إلى الخبراء المناسبين للمراجعة. تُستَخدم ملاحظات البشر على نطاق واسع كإشراف ضعيف للتعلم الآلي لقياس وتحسين الوكلاء، وهي حلقة تراكمية يسميها راتنر محرك RSI أي التحسين الذاتي العودي للبيانات.

أفاد راتنر أنه في عمل بيانات البرمجة، يرفع الوكلاء المتخصصون الذين يديرون ضبط الجودة جنبًا إلى جنب مع مراجعة الخبراء البشريين كفاءة ضبط الجودة بنسبة 50٪ أو أكثر ويحسنون دقة المراجعة بمقدار 15 نقطة دقة أو أكثر مقارنةً بالخط الأساسي للمراجعين البشريين الذين يستخدمون نماذج لغة كبيرة جاهزة فقط. وقال إن ملاحظات البشر الموسعة المُطبقة كإشراف ضعيف للتعلم الآلي تُحقق تحسينًا حاليًا في الدقة بمقدار 2× أو أكثر مقارنةً بالخط الأساسي لنموذج لغة كبير متقدم 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 تتركز حصة متزايدة من تطوير البيانات في العالم على الذكاء الاصطناعي المتخصص خلال السنوات القليلة المقبلة. وأضاف أن جزءًا كبيرًا من أبحاث وتطوير Snorkel في السنوات القادمة سيتركز على تطوير البيانات والبيئات لمواءمة الذكاء الاصطناعي وسلامته.