Snorkel AI привлекает $350 млн в раунде Series E при оценке $3,5 млрд для создания передовой исследовательской лаборатории для данных ИИ

Snorkel AI объявила о привлечении $350 млн в раунде Series E при оценке $3,5 млрд 22 сентября 2026 года в сообщении в блоге компании, написанном соучредителем и генеральным директором Алексом Ратнером. Insight и S32 возглавили раунд.

Участие также приняли Third Point, March, Blumberg, Allegis, Standard VC и Frontline, наряду с существующими инвесторами Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures и Factory.

Ратнер заявил, что предложение компании в формате data-as-a-service, запущенное почти год назад, выросло более чем в 18 раз и на неделе объявления превысило $375 млн по текущему темпу выручки в пересчёте на год. Он сказал, что Snorkel теперь сотрудничает с frontier labs, гипермасштабными провайдерами, неолабами, лидерами вертикального ИИ, предприятиями и правительственными агентствами США.

Предыдущее финансирование и история компании

Раунд Series E следует за Series D Snorkel на $100 млн при оценке $1,3 млрд, объявленным в пресс‑релизе компании от 29 мая 2025 года. Addition возглавил этот раунд, при участии Prosperity 7 Ventures, существующих инвесторов Greylock и Lightspeed, а также стратегических инвесторов, включая BNY и QBE Ventures. В релизе 2025 года сообщалось, что раунд довёл общую сумму финансирования Snorkel до $237 млн с момента основания компании в 2019 году.

В том релизе, с указанным местом выпуска Redwood City, Калифорния, также было объявлено об общей доступности Snorkel Evaluate и Snorkel Expert Data-as-a-Service, двух новых предложений на платформе AI Data Development Platform компании для оценки и настройки специализированных ИИ‑систем. Было сказано, что капитал Series D будет поддерживать расширение инженерных, исследовательских и коммерческих усилий компании.

Data 2.0 и платформа Agentic Data

В посте Ратнера новое финансирование представлено в контексте того, что он называет Data 2.0. Он написал, что Snorkel начался как исследовательский проект в Стэнфорде примерно десять лет назад, исходя из гипотезы, что прогресс ИИ будет всё более ориентирован на данные, и что разработку данных следует рассматривать как исследовательскую и технологическую задачу, а не просто задачу кадрового обеспечения и краудсорсинга.

В посте первый этап разработки ИИ‑данных, названный Data 1.0, описывается как основанный на объёмах более простых данных и в основном являющийся проблемой кадрового обеспечения и логистики, а последний этап, названный Data 2.0, определяется качеством более сложных данных и рассматривается в первую очередь как исследовательская и технологическая задача. На примере данных программирования говорится, что наборы данных и среды для обучения с подкреплением на переднем крае теперь должны моделировать программные задачи, с которыми старший инженер может бороться днями или неделями, фиксировать тонкие сигналы вознаграждения для результатов продуктового масштаба, нацеливаться на конкретные типы ошибок моделей, противостоять попыткам продвинутых моделей взломать или обмануть систему и проходить несколько сотен проверок качества.

Для создания этих данных пост описывает внутреннюю платформу Agentic Data Platform, в которой эксперты-люди поддерживаются специализированными ИИ‑моделями и агентами, иногда их сотни на тип задачи. Эти агенты расширяют наброски экспертов в полные среды и экземпляры данных, направляют человеческие усилия к целевым распределениям данных и типам ошибок моделей, предоставляют обратную связь в реальном времени и контроль качества после подачи, а также направляют подкомпоненты к нужным экспертам для проверки. Масштабная человеческая обратная связь затем используется как слабый контроль при обучении (weak supervision) для измерения и улучшения агентов, образуя усиливающийся цикл, который Ратнер называет движком рекурсивного самосовершенствования (RSI) для данных.

Ратнер сообщил, что в работе с данными программирования специализированные агенты, осуществляющие контроль качества совместно с экспертной проверкой людьми, в настоящее время повышают эффективность QC на 50 % или больше и улучшают точность проверки на 15 пунктов точности или больше по сравнению с базовым уровнем человеческих рецензентов, использующих только готовые LLM. Он отметил, что масштабированная человеческая обратная связь, применяемая как слабый контроль при обучении (weak supervision), обеспечивает текущее повышение точности в 2 раза или больше по сравнению с базовым уровнем неспециализированной передовой LLM, и что такие показатели постоянно улучшаются по мере работы цикла.

Открытые бенчмарки и планы исследований

Snorkel также заявила, что существенно расширит свою программу Open Benchmarks Grants, финансирующую открытые независимые бенчмарки ИИ. На странице программы указано, что инициатива поддерживается обязательством в $3 млн на финансирование открытых наборов данных, бенчмарков и артефактов оценки, а заявки рассматриваются непрерывно. Предложения оцениваются с участием руководящего комитета академических и отраслевых исследователей, и на странице говорится, что Snorkel не управляет решениями комитета.

В списке бенчмарков на странице указаны линейка Terminal‑Bench, OSWorld 2.0 совместно с XLANG Lab Университета Гонконга, Agent’s Last Exam с RDI Калифорнийского университета в Беркли, Continual Learning Bench с SkyLab Калифорнийского университета в Беркли и UW‑Madison, SlopCode Bench с UW‑Madison, DARPA и Национальным научным фондом, а также Senior SWE‑bench совместно с Университетом Висконсина и Принстонским университетом.

Помимо бенчмарков, Ратнер заявил, что Snorkel планирует активно инвестировать в поддержку специализированных ИИ‑моделей, отмечая, что компания ожидает, что в ближайшие несколько лет всё большая доля мирового развития данных будет сосредоточена на специализированном ИИ. Он также отметил, что значительная часть исследований и разработок Snorkel в предстоящие годы будет направлена на разработку данных и сред для согласования ИИ и обеспечения его безопасности.