Snorkel AI pozyskuje 350 mln USD w serii E przy wycenie 3,5 mld USD, aby zbudować Frontier Lab dla danych AI

Snorkel AI ogłosiło finansowanie serii E w wysokości 350 mln USD przy wycenie 3,5 mld USD w dniu 22 września 2026 r., w poście na blogu firmy napisanym przez współzałożyciela i CEO Alexa Ratnera. Insight i S32 poprowadziły rundę.

Udział wzięły również Third Point, March, Blumberg, Allegis, Standard VC i Frontline, obok istniejących inwestorów: Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures oraz Factory.

Ratner powiedział, że oferta firmy w modelu data-as-a-service, uruchomiona prawie rok temu, wzrosła ponad 18‑krotnie i przekroczyła roczną stopę przychodów na poziomie 375 mln USD w tygodniu po ogłoszeniu. Dodał, że Snorkel obecnie współpracuje z frontier labs, hyperscalers, neolabs, liderami AI w poszczególnych branżach, przedsiębiorstwami oraz agencjami rządu USA.

Poprzednie finansowanie i tło firmy

Seria E następuje po serii D Snorkela w wysokości 100 mln USD przy wycenie 1,3 mld USD, ogłoszonej w komunikacie firmy z dnia 29 maja 2025 r. Addition poprowadziło tę rundę, z udziałem Prosperity 7 Ventures, istniejących inwestorów Greylock i Lightspeed oraz inwestorów strategicznych, w tym BNY i QBE Ventures. Komunikat z 2025 r. stwierdził, że runda podniosła łączny kapitał Snorkela do 237 mln USD od założenia firmy w 2019 roku.

Ten komunikat, datowany w Redwood City w Kalifornii, ogłosił również ogólną dostępność Snorkel Evaluate i Snorkel Expert Data-as-a-Service, dwóch nowych rozwiązań na platformie AI Data Development Platform firmy, służących do oceny i dostrajania wyspecjalizowanych systemów AI. Stwierdzono, że kapitał z serii D wesprze rozwój inżynierii, badań oraz działań go‑to‑market firmy.

Data 2.0 i platforma Agentic Data

Post Ratnera przedstawia nowe finansowanie w kontekście tego, co nazywa Data 2.0. Snorkel rozpoczął się jako projekt badawczy na Stanfordzie około dekady temu, napisał, opierając się na tezie, że postęp AI będzie coraz bardziej skoncentrowany na danych oraz że rozwój danych powinien być traktowany jako problem badawczy i technologiczny, a nie jedynie jako zadanie związane z personelem i crowdsourcingiem.

Post opisuje pierwszą milę rozwoju danych AI, oznaczoną jako Data 1.0, napędzaną dużą ilością prostszych danych i w dużej mierze będącą problemem związanym z personelem i logistyką, oraz ostatnią milę, oznaczoną jako Data 2.0, napędzaną jakością bardziej złożonych danych i głównie będącą problemem badawczym i technologicznym. Korzystając jako przykład z danych kodowania, stwierdza, że zestawy danych i środowiska uczenia ze wzmocnieniem na granicy muszą teraz przybliżać problemy programistyczne, z którymi starszy inżynier może zmagać się przez dni lub tygodnie, uchwycić subtelne sygnały nagrody w wynikach na skalę produktów, celować w konkretne tryby błędów modeli, przeciwstawiać się próbom zaawansowanych modeli do hakowania lub oszukiwania oraz przejść kilkaset kontroli jakości.

Aby wyprodukować te dane, post opisuje wewnętrzną platformę Agentic Data, w której eksperci ludzcy są wspierani przez wyspecjalizowane modele i agenty AI, czasem setki na typ zadania. Agenci ci rozwijają szkice ekspertów w pełne środowiska i instancje danych, kierują ludzkie wysiłki w stronę celów dystrybucyjnych i trybów błędów modeli, zapewniają bieżącą informację zwrotną oraz kontrolę jakości po zgłoszeniu, a także kierują podkomponenty do odpowiednich ekspertów w celu przeglądu. Skalowana opinia ludzka jest następnie wykorzystywana jako słaba nadzór do pomiaru i ulepszania agentów, tworząc pętlę, którą Ratner nazywa silnikiem RSI (rekursywnego samodoskonalenia) dla danych.

Ratner poinformował, że w pracy nad danymi kodowania, wyspecjalizowane agenty prowadzące kontrolę jakości równolegle z recenzją ekspertów ludzkich obecnie przyspieszają efektywność QC o ponad 50 % i poprawiają dokładność recenzji o ponad 15 punktów w porównaniu z bazą ludzkich recenzentów korzystających wyłącznie z gotowych modeli LLM. Stwierdził, że skalowana opinia ludzka stosowana jako słaby nadzór przynosi obecnie ponad dwukrotną poprawę dokładności w stosunku do bazowego, niespecjalizowanego modelu LLM, a takie wyniki stale rosną w miarę działania pętli.

Otwarte benchmarki i plany badawcze

Snorkel poinformował również, że znacząco rozszerzy program Open Benchmarks Grants, który finansuje otwarte, niezależne benchmarki AI. strona programu podaje, że inicjatywa jest wspierana zobowiązaniem w wysokości 3 mln USD na finansowanie otwarto‑źródłowych zestawów danych, benchmarków i artefaktów ewaluacyjnych, a wnioski są oceniane na bieżąco. Propozycje są rozpatrywane przy udziale komitetu sterującego składającego się z badaczy akademickich i przemysłowych, a strona zaznacza, że Snorkel nie kieruje decyzjami tego komitetu.

Benchmarki wymienione na stronie obejmują serię Terminal‑Bench, OSWorld 2.0 we współpracy z XLANG Lab Uniwersytetu Hongkongu, Agent’s Last Exam z RDI Uniwersytetu Kalifornijskiego w Berkeley, Continual Learning Bench z SkyLab Uniwersytetu Kalifornijskiego w Berkeley oraz UW‑Madison, SlopCode Bench z UW‑Madison, DARPA i National Science Foundation oraz Senior SWE‑bench z University of Wisconsin i Princeton University.

Poza benchmarkami, Ratner powiedział, że Snorkel planuje intensywnie inwestować w wsparcie wyspecjalizowanych modeli AI, pisząc, że firma spodziewa się, że coraz większa część światowego rozwoju danych będzie koncentrować się na wyspecjalizowanej AI w ciągu najbliższych kilku lat. Dodał również, że znacząca część badań i rozwoju Snorkela w nadchodzących latach będzie skupiona na rozwoju danych i środowisk dla zgodności i bezpieczeństwa AI.