Snorkel AI kerää 350 miljoonaa dollaria Series E -kierroksessa 3,5 miljardia dollaria arvostuksella rakentaakseen Frontier Lab -laboratorion AI-datalle

Snorkel AI ilmoitti 350 miljoonan dollarin Series E -rahoituksen 3,5 miljardia dollaria arvostuksella 22. syyskuuta 2026 yrityksen blogikirjoituksessa, jonka on kirjoittanut perustaja ja toimitusjohtaja Alex Ratner. Insight ja S32 johtivat kierrosta.

Osallistujina olivat myös Third Point, March, Blumberg, Allegis, Standard VC ja Frontline, sekä olemassa olevat sijoittajat Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures ja Factory.

Ratner kertoi, että yrityksen data‑as‑a‑service -tarjonta, joka lanseerattiin lähes vuosi sitten, oli kasvanut yli 18‑kertaiseksi ja ylitti 375 miljoonan dollarin vuositason liikevaihtokynnyksen ilmoituksen viikolla. Hän sanoi, että Snorkel tekee nyt yhteistyötä frontier‑laboratorioiden, hyperskaalareiden, neolabien, pystysuuntaisten AI‑johtajien, yritysten ja Yhdysvaltain hallituksen virastojen kanssa.

Aikaisemmat rahoituskierrokset ja yrityksen tausta

Series E seuraa Snorkelin 100 miljoonan dollarin Series D -kierrosta 1,3 miljardia dollaria arvostuksella, joka ilmoitettiin yrityksen tiedotteessa 29. toukokuuta 2025. Addition johti kyseistä kierrosta, mukana olivat Prosperity 7 Ventures, olemassa olevat sijoittajat Greylock ja Lightspeed sekä strategiset sijoittajat, joihin kuului BNY ja QBE Ventures. Vuoden 2025 tiedotteessa kerrottiin, että kierros nosti Snorkelin kokonaisrahoituksen 237 miljoonaan dollariin yrityksen perustamisesta vuonna 2019 lähtien.

Kyseinen tiedote, jonka toimipaikka on Redwood City, Kalifornia, ilmoitti myös Snorkel Evaluate – ja Snorkel Expert Data‑as‑a‑Service -tuotteiden yleisen saatavuuden, kaksi uutta tarjontaa yrityksen AI‑Data‑kehitysalustalla erikoistuneiden AI‑järjestelmien arviointiin ja hienosäätöön. Siinä todettiin, että Series D -rahoitus tukee yrityksen insinööri‑, tutkimus‑ ja markkinoille‑tulostus‑toimintojen laajentamista.

Data 2.0 ja Agentic‑dataplatformi

Ratnerin julkaisu asettaa uuden rahoituksen kehyksiin, joita hän kutsuu Data 2.0:ksi. Snorkel aloitti tutkimushankkeena Stanfordin yliopistossa noin kymmenen vuotta sitten, hän kirjoitti, väittäen että AI‑kehitys muuttuu yhä enemmän data‑keskitteiseksi ja että datakehitystä tulisi tarkastella tutkimus‑ ja teknologiakysymyksenä eikä pelkästään henkilöstö‑ ja joukkorahoitustehtävänä.

Julkaisu kuvaa AI‑datan kehityksen ensimmäistä vaihetta, nimeltään Data 1.0, jonka ohjaavat suurten määrien yksinkertaisempi data ja joka on pitkälti henkilöstö‑ ja logistiikkakysymys, sekä viimeistä vaihetta, nimeltään Data 2.0, jonka ohjaavat monimutkaisemman datan laatu ja joka on pääasiassa tutkimus‑ ja teknologiakysymys. Käyttäen koodidataa esimerkkinä, siinä todetaan, että frontier‑vahvistusoppimisen datasetit ja ympäristöt täytyy nyt jäljitellä ohjelmistojen ongelmia, joihin kokenut insinööri voi kamppailla päiviä tai viikkoja, tallentaa hienovaraisia palkkiosignaaleja tuote‑mittakaavan tuotoksissa, kohdistaa tiettyihin mallin virhetiloihin, vastustaa kehittyneiden mallien yrityksiä hakkeroida tai huijata, sekä läpäistä useita satoja laadunvalvontatarkastuksia.

Tuottaakseen kyseistä dataa, julkaisu kuvaa sisäistä Agentic‑dataplatformia, jossa ihmisen asiantuntijoita tukevat erikoistuneet AI‑mallit ja -agentit, joskus satoja per tehtävätyyppi. Nämä agentit laajentavat asiantuntijoiden luonnokset täysiksi ympäristöiksi ja datakohteiksi, ohjaavat ihmistyötä kohti jakaumatavoitteita ja mallin virhetiloja, tarjoavat reaaliaikaista palautetta ja jälkikäteen tapahtuvaa laadunvalvontaa, sekä reitittävät alikomponentit oikeille asiantuntijoille tarkistettavaksi. Laajamittaista ihmispalautetta käytetään sitten heikkona valvontana mittaamaan ja parantamaan agenteja, mikä on Ratnerin kutsuma RSI‑ tai rekursiivinen itseparannus‑moottori datalle.

Ratner raportoi, että koodidatatyössä erikoistuneet agentit, jotka suorittavat laadunvalvontaa ihmisen asiantuntijaarvioinnin rinnalla, nopeuttavat QC‑tehokkuutta yli 50 % ja parantavat arviointitarkkuutta yli 15 pistettä verrattuna perusmalliin, jossa ihmisen arvioijat käyttävät vain tavallisia LLM‑malleja. Hän totesi, että skaalattu ihmispalaute heikkona valvontana tuottaa tällä hetkellä yli kaksinkertaisen tarkkuusparannuksen verrattuna erikoistumattomaan frontier‑LLM‑perusmalliin, ja että tällaiset luvut paranevat jatkuvasti silmukan edetessä.

Avoimet vertailuarvioinnit ja tutkimussuunnitelmat

Snorkel ilmoitti myös aikovansa merkittävästi laajentaa Open Benchmarks Grants -ohjelmaansa, joka rahoittaa avoimia, riippumattomia AI‑vertailuarviointeja. ohjelman sivu kertoo, että hanketta tukee 3 miljoonan dollarin sitoumus rahoittaa avoimen lähdekoodin datasetit, vertailuarvioinnit ja arviointitaineistot, ja että hakemuksia käsitellään jatkuvasti. Ehdotuksia tarkastelee akateemisten ja teollisuuden tutkijoiden ohjauskomitea, ja sivu toteaa, että Snorkel ei ohjaa komitean päätöksiä.

Sivulla luetellut vertailuarvioinnit sisältävät Terminal‑Bench -sarjan, OSWorld 2.0 University of Hong Kongin XLANG‑laboratorion kanssa, Agent’s Last Exam UC Berkeleyn RDI:n kanssa, Continual Learning Bench UC Berkeleyn SkyLabin ja UW‑Madisonin kanssa, SlopCode Bench UW‑Madisonin, DARPA:n ja National Science Foundationin kanssa, sekä Senior SWE‑bench University of Wisconsinin ja Princeton Universityn kanssa.

Vertailuarviointien lisäksi Ratner kertoi, että Snorkel aikoo investoida voimakkaasti erikoistuneiden AI‑mallien tukemiseen, kirjoittaen että yritys odottaa yhä suuremman osan maailman datakehityksestä keskittyvän erikoistuneeseen AI:hin seuraavien vuosien aikana. Hän lisäsi, että merkittävä osa Snorkelin tulevasta tutkimus‑ ja kehitystyöstä keskittyy datan ja ympäristön kehittämiseen AI‑sovittamisen ja -turvallisuuden puolesta.