Financiamento
Snorkel AI arrecada $350 milhões na Série E com avaliação de $3,5 bilhões para criar o Frontier Lab para Dados de IA
Adicione Unite.AI às suas fontes preferidas no Google
Snorkel AI anunciou um financiamento de $350 milhões na Série E, com avaliação de $3,5 bilhões, em 22 de setembro de 2026, em uma postagem no blog da empresa escrita pelo cofundador e CEO Alex Ratner. Insight e S32 lideraram a rodada.
A participação também veio de Third Point, March, Blumberg, Allegis, Standard VC e Frontline, juntamente com os investidores existentes Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures e Factory.
Ratner disse que a oferta de data-as-a-service da empresa, lançada quase um ano antes, cresceu mais de 18 vezes e ultrapassou uma taxa de receita anualizada de $375 milhões na semana do anúncio. Ele afirmou que Snorkel agora faz parceria com laboratórios de fronteira, hyperscalers, neolabs, líderes de IA vertical, empresas e agências governamentais dos EUA.
Financiamento Anterior e Histórico da Empresa
A Série E segue a Série D de $100 milhões da Snorkel, com avaliação de $1,3 bilhão, anunciada em um comunicado da empresa datado de 29 de maio de 2025. A Addition liderou essa rodada, com participação da Prosperity 7 Ventures, dos investidores existentes Greylock e Lightspeed, e de investidores estratégicos, incluindo BNY e QBE Ventures. O comunicado de 2025 informou que a rodada elevou o financiamento total da Snorkel para $237 milhões desde a fundação da empresa em 2019.
Esse comunicado, datado de Redwood City, Califórnia, também anunciou a disponibilidade geral do Snorkel Evaluate e do Snorkel Expert Data-as-a-Service, duas novas ofertas na Plataforma de Desenvolvimento de Dados de IA da empresa para avaliar e ajustar sistemas de IA especializados. Foi informado que o capital da Série D apoiará a expansão das áreas de engenharia, pesquisa e estratégias de mercado da empresa.
Data 2.0 e a Plataforma de Dados Agênica
A postagem de Ratner enquadra o novo financiamento em torno do que ele chama de Data 2.0. Ele escreveu que a Snorkel começou como um projeto de pesquisa em Stanford há cerca de uma década, com a tese de que o progresso da IA se tornaria cada vez mais centrado em dados e que o desenvolvimento de dados deveria ser estudado como um problema de pesquisa e tecnologia, em vez de simplesmente um exercício de contratação e crowdsourcing.
A postagem descreve a primeira etapa do desenvolvimento de dados de IA, rotulada Data 1.0, como impulsionada por volumes de dados mais simples e, em grande parte, um problema de contratação e logística, e a última etapa, rotulada Data 2.0, como impulsionada pela qualidade de dados mais complexos e principalmente um problema de pesquisa e tecnologia. Usando dados de codificação como exemplo, afirma que conjuntos de dados e ambientes de aprendizado por reforço de fronteira agora precisam aproximar problemas de software que um engenheiro sênior poderia enfrentar por dias ou semanas, capturar sinais de recompensa sutis em saídas em escala de produto, focar em modos específicos de erro do modelo, resistir a tentativas de modelos avançados de hackear ou trapacear e passar por várias centenas de verificações de controle de qualidade.
Para produzir esses dados, a postagem descreve uma Plataforma de Dados Agênica interna na qual especialistas humanos são apoiados por modelos e agentes de IA especializados, às vezes centenas por tipo de tarefa. Esses agentes ampliam esboços de especialistas em ambientes completos e instâncias de dados, orientam o esforço humano em direção a metas distributivas e modos de erro do modelo, fornecem feedback em tempo real e controle de qualidade pós‑submissão, e encaminham subcomponentes aos especialistas adequados para revisão. O feedback humano em escala é então usado como supervisão fraca para medir e melhorar os agentes, um ciclo acumulativo que Ratner chama de RSI, ou motor de auto‑melhoria recursiva, para dados.
Ratner informou que, no trabalho com dados de codificação, agentes especializados que realizam controle de qualidade junto à revisão de especialistas humanos atualmente aceleram a eficiência do QC em mais de 50 % e melhoram a precisão da revisão em mais de 15 pontos em comparação com uma linha de base de revisores humanos usando apenas LLMs prontos. Ele afirmou que o feedback humano escalado aplicado como supervisão fraca gera atualmente uma melhoria de precisão superior a 2× em relação a uma linha de base de LLM de fronteira não especializado, e que esses números continuam a melhorar à medida que o ciclo avança.
Benchmarks Abertos e Planos de Pesquisa
A Snorkel também afirmou que expandirá significativamente seu programa Open Benchmarks Grants, que financia benchmarks de IA abertos e independentes. A página do programa indica que a iniciativa conta com um compromisso de $3 milhões para financiar conjuntos de dados de código aberto, benchmarks e artefatos de avaliação, e que as candidaturas são analisadas de forma contínua. As propostas são revisadas com a contribuição de um comitê diretor formado por pesquisadores acadêmicos e da indústria, e a página afirma que a Snorkel não direciona as decisões do comitê.
Os benchmarks listados na página incluem a linha Terminal-Bench, OSWorld 2.0 com o XLANG Lab da University of Hong Kong, Agent’s Last Exam com o RDI da UC Berkeley, Continual Learning Bench com o SkyLab da UC Berkeley e a UW‑Madison, SlopCode Bench com a UW‑Madison, DARPA e a National Science Foundation, e Senior SWE-bench com a University of Wisconsin e a Princeton University.
Além dos benchmarks, Ratner disse que a Snorkel planeja investir fortemente no suporte a modelos de IA especializados, afirmando que a empresa espera que uma parcela cada vez maior do desenvolvimento de dados mundial se concentre em IA especializada nos próximos anos. Ele também declarou que uma parte significativa da pesquisa e desenvolvimento da Snorkel nos próximos anos se focará no desenvolvimento de dados e ambientes para alinhamento e segurança da IA.
