Snorkel AI συγκεντρώνει $350 εκατομμύρια Series E με αποτίμηση $3,5 δισεκατομμύρια για τη δημιουργία του Frontier Lab για δεδομένα AI

Η Snorkel AI ανακοίνωσε χρηματοδότηση Series E ύψους $350 εκατομμυρίων με αποτίμηση $3,5 δισεκατομμυρίων στις 22 Σεπτεμβρίου 2026, σε μια ανάρτηση εταιρικού blog γραμμένη από τον συνιδρυτή και διευθύνοντα σύμβουλο Alex Ratner. Η Insight και η S32 ηγήθηκαν της γύρας.

Συμμετείχαν επίσης οι Third Point, March, Blumberg, Allegis, Standard VC και Frontline, μαζί με τους υπάρχοντες επενδυτές Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures και Factory.

Ο Ratner δήλωσε ότι η προσφορά δεδομένων ως υπηρεσία της εταιρείας, που λανσαρίστηκε σχεδόν ένα χρόνο νωρίτερα, είχε αυξηθεί πάνω από 18x και ξεπέρασε ένα ετήσιο ρυθμό εσόδων $375 εκατομμυρίων την εβδομάδα της ανακοίνωσης. Δήλωσε ότι Snorkel τώρα συνεργάζεται με frontier labs, hyperscalers, neolabs, κορυφαίους παίκτες AI, επιχειρήσεις και αμερικανικές κυβερνητικές υπηρεσίες.

Προηγούμενη Χρηματοδότηση και Ιστορικό Εταιρείας

Η Series E ακολουθεί τη Series D των $100 εκατομμυρίων της Snorkel με αποτίμηση $1,3 δισεκατομμυρίων, που ανακοινώθηκε σε μια ανακοίνωση εταιρείας με ημερομηνία 29 Μαΐου 2025. Η Addition ηγήθηκε αυτής της γύρας, με συμμετοχή των Prosperity 7 Ventures, των υπαρχόντων επενδυτών Greylock και Lightspeed, και στρατηγικών επενδυτών όπως BNY και QBE Ventures. Η ανακοίνωση του 2025 ανέφερε ότι η γύρα έφερε τη συνολική χρηματοδότηση της Snorkel στα $237 εκατομμύρια από την ίδρυσή της το 2019.

Η ανακοίνωση, με ημερομηνία Redwood City, Καλιφόρνια, ανακοίνωσε επίσης τη γενική διαθεσιμότητα των Snorkel Evaluate και Snorkel Expert Data-as-a-Service, δύο νέων προσφορών στην Πλατφόρμα Ανάπτυξης Δεδομένων AI της εταιρείας για αξιολόγηση και βελτιστοποίηση εξειδικευμένων συστημάτων AI. Δήλωσε ότι το κεφάλαιο της Series D θα υποστηρίξει την επέκταση των μηχανικών, ερευνητικών και εμπορικών προσπαθειών της εταιρείας.

Data 2.0 και η Πλατφόρμα Agentic Data

Η ανάρτηση του Ratner τοποθετεί τη νέα χρηματοδότηση γύρω από αυτό που αποκαλεί Data 2.0. Η Snorkel ξεκίνησε ως ερευνητικό έργο στο Stanford περίπου πριν από μια δεκαετία, έγραψε, με τη θέση ότι η πρόοδος της AI θα γίνει όλο και πιο κεντρική στα δεδομένα και ότι η ανάπτυξη δεδομένων πρέπει να μελετάται ως πρόβλημα έρευνας και τεχνολογίας αντί για απλή άσκηση στελέχωσης και crowdsourcing.

Η ανάρτηση περιγράφει το πρώτο στάδιο της ανάπτυξης δεδομένων AI, που ονομάζεται Data 1.0, ως καθοδηγούμενο από μεγάλους όγκους απλούστερων δεδομένων και κυρίως πρόβλημα στελέχωσης και λογιστικής, και το τελευταίο στάδιο, που ονομάζεται Data 2.0, ως καθοδηγούμενο από την ποιότητα πιο σύνθετων δεδομένων και κυρίως πρόβλημα έρευνας και τεχνολογίας. Χρησιμοποιώντας δεδομένα κώδικα ως παράδειγμα, αναφέρει ότι τα σύνολα δεδομένων και τα περιβάλλοντα reinforcement‑learning στην αιχμή πρέπει τώρα να προσεγγίζουν προβλήματα λογισμικού που ένας ανώτερος μηχανικός μπορεί να αντιμετωπίσει για ημέρες ή εβδομάδες, να καταγράφουν λεπτές σημάδια ανταμοιβής σε παραγωγές κλίμακας προϊόντος, να στοχεύουν σε συγκεκριμένες μορφές σφαλμάτων μοντέλου, να αντιστέκονται σε προσπάθειες προχωρημένων μοντέλων να παραβιάσουν ή να εξαπατήσουν, και να περάσουν αρκετές εκατοντάδες ελέγχους ποιοτικού ελέγχου.

Για την παραγωγή αυτών των δεδομένων, η ανάρτηση περιγράφει μια εσωτερική Πλατφόρμα Agentic Data στην οποία οι ανθρώπινοι ειδικοί υποστηρίζονται από εξειδικευμένα μοντέλα AI και πράκτορες, μερικές φορές εκατοντάδες ανά τύπο εργασίας. Αυτοί οι πράκτορες επεκτείνουν τα σκίτσα των ειδικών σε πλήρη περιβάλλοντα και παραδείγματα δεδομένων, κατευθύνουν την ανθρώπινη προσπάθεια προς διανομικές στόχους και μορφές σφαλμάτων μοντέλου, παρέχουν άμεση ανατροφοδότηση και έλεγχο ποιότητας μετά την υποβολή, και δρομολογούν υποσυστήματα στους κατάλληλους ειδικούς για αξιολόγηση. Η ανατροφοδότηση ανθρώπων σε μεγάλη κλίμακα χρησιμοποιείται στη συνέχεια ως αδύναμη επίβλεψη για τη μέτρηση και βελτίωση των πρακτόρων, ένας συνδυαστικός βρόχος που ο Ratner ονομάζει RSI, ή μηχανή επαναληπτικής αυτοβελτίωσης, για τα δεδομένα.

Ο Ratner ανέφερε ότι στην εργασία με δεδομένα κώδικα, εξειδικευμένοι πράκτορες που εκτελούν έλεγχο ποιότητας παράλληλα με την ανθρώπινη αξιολόγηση ειδικών αυξάνουν την αποδοτικότητα του QC κατά 50%+ και βελτιώνουν την ακρίβεια της αξιολόγησης κατά 15+ μονάδες ακρίβειας σε σύγκριση με μια βάση ανθρώπινων αξιολογητών που χρησιμοποιούν μόνο έτοιμα LLMs. Δήλωσε ότι η κλιμακωμένη ανθρώπινη ανατροφοδότηση ως αδύναμη επίβλεψη προσφέρει τρέχουσα βελτίωση ακρίβειας κατά 2x+ σε σχέση με μια μη εξειδικευμένη βάση frontier LLM, και ότι τέτοια νούμερα βελτιώνονται συνεχώς καθώς ο βρόχος λειτουργεί.

Ανοιχτά Benchmarks και Σχέδια Έρευνας

Η Snorkel δήλωσε επίσης ότι θα επεκτείνει σημαντικά το πρόγραμμα Open Benchmarks Grants, το οποίο χρηματοδοτεί ανοιχτά, ανεξάρτητα AI benchmarks. Η σελίδα του προγράμματος αναφέρει ότι η πρωτοβουλία υποστηρίζεται από δέσμευση $3 εκατομμυρίων για τη χρηματοδότηση ανοιχτού κώδικα συνόλων δεδομένων, benchmarks και αντικειμένων αξιολόγησης, και ότι οι αιτήσεις εξετάζονται συνεχώς. Οι προτάσεις αξιολογούνται με τη συμβολή μιας επιτροπής καθοδήγησης ακαδημαϊκών και βιομηχανικών ερευνητών, και η σελίδα δηλώνει ότι η Snorkel δεν καθοδηγεί τις αποφάσεις της επιτροπής.

Τα benchmarks που αναφέρονται στη σελίδα περιλαμβάνουν τη σειρά Terminal‑Bench, το OSWorld 2.0 με το XLANG Lab του University of Hong Kong, το Agent’s Last Exam με το RDI του UC Berkeley, το Continual Learning Bench με το SkyLab του UC Berkeley και το UW‑Madison, το SlopCode Bench με το UW‑Madison, το DARPA και το National Science Foundation, καθώς και το Senior SWE‑bench με το University of Wisconsin και το Princeton University.

Πέρα από τα benchmarks, ο Ratner δήλωσε ότι η Snorkel σχεδιάζει να επενδύσει σημαντικά στην υποστήριξη εξειδικευμένων μοντέλων AI, γράφοντας ότι η εταιρεία αναμένει ότι ένα όλο και μεγαλύτερο μερίδιο της παγκόσμιας ανάπτυξης δεδομένων θα εστιάσει σε εξειδικευμένη AI τα επόμενα χρόνια. Επίσης, ανέφερε ότι ένα σημαντικό τμήμα της έρευνας και ανάπτυξης της Snorkel τα επόμενα χρόνια θα επικεντρωθεί στην ανάπτυξη δεδομένων και περιβάλλοντος για την εναρμόνιση και την ασφάλεια της AI.