Snorkel AI ridică $350 milioane în seria E la o evaluare de $3,5 miliarde pentru a construi Frontier Lab pentru date AI

Snorkel AI a anunțat o finanțare de $350 milioane în seria E la o evaluare de $3,5 miliarde pe 22 septembrie 2026, într-un post pe blogul companiei scris de co-fondatorul și CEO-ul Alex Ratner. Insight și S32 au condus runda.

Participarea a venit și din partea Third Point, March, Blumberg, Allegis, Standard VC și Frontline, alături de investitorii existenți Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures și Factory.

Ratner a declarat că oferta companiei de date-ca-serviciu, lansată cu aproape un an în urmă, a crescut cu peste 18x și a depășit un nivel de venit anualizat de $375 milioane în săptămâna anunțului. El a spus că Snorkel colaborează acum cu laboratoare frontier, hyperscaleri, neolabs, lideri AI verticali, întreprinderi și agenții guvernamentale din SUA.

Finanțare anterioară și contextul companiei

Seria E urmează seria D de $100 milioane a Snorkel, la o evaluare de $1,3 miliarde, anunțată într-un comunicare de presă a companiei datată 29 mai 2025. Addition a condus acea rundă, cu participarea de la Prosperity 7 Ventures, investitorii existenți Greylock și Lightspeed și investitori strategici, inclusiv BNY și QBE Ventures. Comunicatul din 2025 a precizat că runda a adus finanțarea totală a Snorkel la $237 milioane de la înființarea companiei în 2019.

Acest comunicat, cu data Redwood City, California, a anunțat, de asemenea, disponibilitatea generală a Snorkel Evaluate și Snorkel Expert Data-as-a-Service, două noi oferte pe Platforma de dezvoltare a datelor AI a companiei pentru evaluarea și ajustarea sistemelor AI specializate. Se preciza că capitalul din seria D va susține extinderea ingineriei, cercetării și eforturilor de go-to-market ale companiei.

Data 2.0 și Platforma de Date Agentice

Postarea lui Ratner încadrează noua finanțare în jurul a ceea ce el numește Data 2.0. Snorkel a început ca un proiect de cercetare la Stanford cu aproximativ un deceniu în urmă, a scris el, bazându-se pe teza că progresul AI va deveni din ce în ce mai centrat pe date și că dezvoltarea datelor ar trebui studiată ca o problemă de cercetare și tehnologie, nu doar ca un exercițiu de recrutare și crowdsourcing.

Postarea descrie prima etapă a dezvoltării datelor AI, denumită Data 1.0, ca fiind determinată de volume mari de date simple și în mare parte o problemă de recrutare și logistică, și ultima etapă, denumită Data 2.0, ca fiind determinată de calitatea datelor mai complexe și în principal o problemă de cercetare și tehnologie. Folosind datele de programare ca exemplu, se afirmă că seturile de date și mediile de învățare prin consolidare de frontieră trebuie acum să aproximeze probleme software cu care un inginer senior s-ar putea lupta zile sau săptămâni, să capteze semnale de recompensă nuanțate pe rezultate la scară de produs, să vizeze moduri specifice de eroare ale modelului, să reziste încercărilor modelelor avansate de a trișa sau de a hackui, și să treacă prin câteva sute de verificări de control al calității.

Pentru a produce acele date, postarea descrie o Platformă Internă de Date Agentice în care experții umani sunt susținuți de modele AI specializate și agenți, uneori sute pe tip de sarcină. Acei agenți extind schițele experților în medii complete și instanțe de date, ghidează efortul uman către ținte distribuționale și moduri de eroare ale modelului, furnizează feedback în timp real și control de calitate post-trimitere și direcționează subcomponentele către experții potriviți pentru revizuire. Feedback-ul uman la scară este apoi utilizat ca supraveghere slabă pentru a măsura și îmbunătăți agenții, un ciclu compus pe care Ratner îl numește RSI, sau motor de auto-îmbunătățire recursivă, pentru date.

Ratner a raportat că în munca cu date de programare, agenții specializați care rulează controlul calității alături de revizia experților umani accelerează în prezent eficiența QC cu peste 50% și îmbunătățesc acuratețea reviziei cu peste 15 puncte comparativ cu un punct de referință al recenzorilor umani care folosesc doar LLM-uri standard. El a spus că feedback-ul uman scalat aplicat ca supraveghere slabă generează o îmbunătățire a acurateței de peste 2x față de un punct de referință LLM de frontieră nespecializat și că astfel de cifre se îmbunătățesc continuu pe măsură ce ciclul rulează.

Benchmarks deschise și planuri de cercetare

Snorkel a mai declarat că va extinde semnificativ programul său Open Benchmarks Grants, care finanțează benchmark-uri AI deschise și independente. pagina programului afirmă că efortul este susținut de un angajament de $3 milioane pentru a finanța seturi de date open-source, benchmark-uri și artefacte de evaluare, și că aplicațiile sunt revizuite în mod continuu. Propunerile sunt evaluate cu contribuția unui comitet director format din cercetători academici și din industrie, iar pagina precizează că Snorkel nu influențează deciziile comitetului.

Benchmark-urile enumerate pe pagină includ linia Terminal-Bench, OSWorld 2.0 cu XLANG Lab al Universității din Hong Kong, Agent’s Last Exam cu RDI al UC Berkeley, Continual Learning Bench cu SkyLab al UC Berkeley și UW-Madison, SlopCode Bench cu UW-Madison, DARPA și National Science Foundation, și Senior SWE-bench cu Universitatea din Wisconsin și Princeton University.

Dincolo de benchmark-uri, Ratner a declarat că Snorkel intenționează să investească masiv în sprijinul modelelor AI specializate, scriind că compania anticipează că o parte tot mai mare a dezvoltării datelor la nivel mondial se va concentra pe AI specializat în următorii câțiva ani. El a mai spus că o proporție semnificativă a cercetării și dezvoltării Snorkel în anii următori se va axa pe dezvoltarea de date și medii pentru alinierea și siguranța AI.