Snorkel AI získala 350 milionů dolarů v sérii E při ocenění 3,5 miliardy dolarů za účelem vybudování Frontier Lab pro AI data

Snorkel AI oznámila financování série E ve výši 350 milionů dolarů při ocenění 3,5 miliardy dolarů dne 22. září 2026 v příspěvku na firemním blogu, který napsal spoluzakladatel a CEO Alex Ratner. Insight a S32 vedly kolo.

Účast také zaujaly Third Point, March, Blumberg, Allegis, Standard VC a Frontline, spolu s dosavadními investory Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures a Factory.

Ratner uvedl, že nabídka společnosti data-as-a-service, spuštěná téměř před rokem, vzrostla více než 18‑krát a v týdnu po oznámení překročila roční obrat ve výši 375 milionů dolarů. Dále řekl, že Snorkel nyní spolupracuje s frontier laboratořemi, hyperskálery, neolaby, lídry vertikální AI, podniky a vládními agenturami USA.

Předchozí financování a historie společnosti

Série E navazuje na sérii D Snorkelu ve výši 100 milionů dolarů při ocenění 1,3 miliardy dolarů, oznámenou v firemní tiskové zprávě ze dne 29. května 2025. Addition vedla toto kolo, přičemž se podíleli Prosperity 7 Ventures, dosavadní investoři Greylock a Lightspeed a strategičtí investoři včetně BNY a QBE Ventures. Ve zprávě z roku 2025 se uvádí, že kolo zvýšilo celkové financování Snorkelu na 237 milionů dolarů od založení společnosti v roce 2019.

Tato zpráva, datovaná v Redwood City v Kalifornii, také oznámila obecnou dostupnost Snorkel Evaluate a Snorkel Expert Data-as-a-Service, dvou nových nabídek na platformě AI Data Development Platform společnosti pro hodnocení a ladění specializovaných AI systémů. Uvedlo se, že kapitál ze série D podpoří rozšíření inženýrských, výzkumných a go‑to‑market aktivit společnosti.

Data 2.0 a Agentická datová platforma

Ratnerův příspěvek rámcuje nové financování kolem toho, co nazývá Data 2.0. Snorkel začal jako výzkumný projekt na Stanfordu přibližně před deseti lety, napsal, na základě teze, že pokrok v AI se bude čím dál více soustředit na data a že vývoj dat by měl být zkoumán jako výzkumný a technologický problém, nikoli jen jako otázka personálního zajištění a crowdsourcingu.

Příspěvek popisuje první fázi vývoje AI dat, označenou Data 1.0, jako řízenou objemem jednodušších dat a převážně jako problém personálního a logistického charakteru, a poslední fázi, označenou Data 2.0, jako řízenou kvalitou složitějších dat a především jako výzkumný a technologický problém. Na příkladu kódovacích dat uvádí, že dataset a prostředí pro reinforcement learning na hranici musí nyní aproximovat softwarové problémy, se kterými by seniorní inženýr mohl zápasit dny či týdny, zachytit nuancované odměnové signály v rámci výstupů produktové škály, zaměřit se na konkrétní chybové režimy modelu, odolávat pokusům pokročilých modelů o hackování či podvádění a projít několika stovkami kontrol kvality.

Pro tvorbu těchto dat příspěvek popisuje interní Agentickou datovou platformu, ve které jsou lidské odborníky podporováni specializovanými AI modely a agenty, někdy stovkami na typ úkolu. Tito agenti rozšiřují náčrty odborníků na kompletní prostředí a datové instance, nasměrují lidské úsilí k distribučním cílům a chybovým režimům modelu, poskytují živou zpětnou vazbu a kontrolu kvality po odeslání a směrují podkomponenty ke správným odborníkům k revizi. Lidská zpětná vazba ve velkém měřítku je pak použita jako slabé dozorování k měření a zlepšování agentů, což je kumulativní smyčka, kterou Ratner nazývá RSI, nebo motor rekurzivního samozlepšování, pro data.

Ratner uvedl, že při práci s kódovacími daty specializovaní agenti provádějící kontrolu kvality vedle lidské odborné revize v současnosti zvyšují účinnost QC o více než 50 % a zlepšují přesnost revize o více než 15 bodů oproti výchozímu stavu lidských recenzentů používajících pouze standardní LLM. Dodal, že škálovaná lidská zpětná vazba aplikovaná jako slabé dozorování pak přináší současné zlepšení přesnosti o více než 2‑násobek oproti nespecializovanému frontier LLM, a že takové ukazatele se neustále zlepšují s průběhem smyčky.

Otevřené benchmarky a výzkumné plány

Snorkel také uvedl, že významně rozšíří svůj program Open Benchmarks Grants, který financuje otevřené, nezávislé AI benchmarky. stránka programu uvádí, že iniciativa je podpořena závazkem ve výši 3 miliony dolarů na financování open‑source datasetů, benchmarků a evaluačních artefaktů, a že žádosti jsou posuzovány průběžně. Návrhy jsou hodnoceny s přispěním řídícího výboru akademických a průmyslových výzkumníků a stránka uvádí, že Snorkel neovlivňuje rozhodnutí výboru.

Benchmarky uvedené na stránce zahrnují řadu Terminal‑Bench, OSWorld 2.0 s XLANG Lab na University of Hong Kong, Agent’s Last Exam s RDI na UC Berkeley, Continual Learning Bench s SkyLab na UC Berkeley a UW‑Madison, SlopCode Bench s UW‑Madison, DARPA a National Science Foundation a Senior SWE‑bench s University of Wisconsin a Princeton University.

Mimo benchmarky řekl Ratner, že Snorkel plánuje výrazně investovat do podpory specializovaných AI modelů, a uvádí, že společnost očekává, že podíl vývoje dat ve světě se v nadcházejících několika letech bude čím dál více soustředit na specializovanou AI. Dále uvedl, že významná část výzkumu a vývoje Snorkelu v nadcházejících letech se zaměří na vývoj dat a prostředí pro sladění a bezpečnost AI.