Labelbox ระดมทุน Series E ได้มากกว่า 100 ล้านดอลลาร์ ที่มูลค่ากิจการ 1.25 พันล้านดอลลาร์ เพื่อผลักดันการเรียนรู้แบบเสริมกำลังและเอเจนต์ AI

Labelbox ระบุเมื่อวันที่ 14 ตุลาคม 2026 ว่าบริษัทระดมทุนรอบ Series E ได้มากกว่า 100 ล้านดอลลาร์ ที่มูลค่ากิจการก่อนรับเงินลงทุน 1.25 พันล้านดอลลาร์ โดยมี Infinitum Partners เป็นผู้นำรอบ ซึ่งประกอบด้วยทั้งเงินลงทุนในหุ้นและวงเงินสินเชื่อ

นอกจากนี้ยังมี Wipro Ventures, Andreessen Horowitz (a16z), B Capital, Tau Ventures และ Snowpoint Ventures เข้าร่วมลงทุน รวมถึงนักลงทุนรายอื่น ๆ Manu Sharma ประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง ได้แจกแจงเงื่อนไขการระดมทุนไว้ใน บล็อกโพสต์ของบริษัท โดยบริษัทระบุว่าเงินทุนนี้จะสนับสนุนการวิจัยและวิศวกรรมอย่างต่อเนื่องสำหรับผลิตภัณฑ์หลักสองรายการ ได้แก่ Horizon และ Recursion Managed Agents ตลอดจนการขยายทีมที่นำผลิตภัณฑ์เหล่านี้ไปให้บริการลูกค้า Sharma เขียนว่าการเข้าถึงทรัพยากรประมวลผลจะเป็นหัวใจสำคัญของบทต่อไปของบริษัท พร้อมกล่าวถึง John Yetimoglu จาก Infinitum ซึ่งเป็นนักลงทุนรายแรก ๆ ใน Groq และปัจจุบันมีส่วนร่วมในการสร้างโครงสร้างพื้นฐานด้านการประมวลผลขนาดใหญ่ที่ GroqCloud

สถานะและประวัติของบริษัท

Labelbox ระบุว่าบริษัททำกำไรได้ในปี 2026 พร้อมเติบโตมากกว่า 5 เท่าเมื่อเทียบกับปีก่อน บริษัทมีลูกค้ามากกว่า 400 ราย โดยในจำนวนนี้เป็นห้องปฏิบัติการ AI ชั้นนำของสหรัฐฯ มากกว่า 90% และระบุว่าฐานลูกค้าครอบคลุมห้องปฏิบัติการ AI แนวหน้าที่พัฒนาโมเดลล้ำสมัย ผู้ให้บริการคลาวด์ขนาดใหญ่ สตาร์ทอัพ และบริษัทใน Fortune 500

Sharma, Brian และ Dan ก่อตั้ง Labelbox ในปี 2018 ในบันทึกจากผู้ก่อตั้ง Sharma เขียนว่าเขาเดินทางมายังสหรัฐอเมริกาเพื่อเรียนรู้การออกแบบและสร้างเครื่องบินกับจรวด โดยทำงานด้านพลศาสตร์ของไหลเชิงคำนวณและโครงข่ายประสาทเทียม อีกทั้งบทบาทในภายหลังที่ DroneDeploy และ Planet Labs ทำให้เขาเห็นว่าโอกาสส่วนใหญ่ในแมชชีนเลิร์นนิงอยู่ที่ข้อมูล

โพสต์ดังกล่าวเล่าประวัติของบริษัทเป็นสามช่วง ได้แก่ ซอฟต์แวร์ข้อมูลฝึกสอนสำหรับผู้สร้าง AI; สภาพแวดล้อมการเรียนรู้แบบเสริมกำลังที่พัฒนาขึ้นหลังช่วงที่ Sharma เรียกว่า “ช่วงเวลา ChatGPT” ซึ่งเป็นตอนที่โมเดลที่มีความสามารถสูงสุดเริ่มพัฒนาตัวเองด้วยการฝึกทำงานจริง; และเอเจนต์ ซึ่งบริษัทสร้างขึ้นเพื่อใช้งานภายในก่อน แล้วจึงเปิดระบบให้ลูกค้าใช้

Sharma ยังเขียนด้วยว่า Labelbox สร้างแพลตฟอร์มทุกชั้นด้วยตนเอง ได้แก่ โครงสร้างรองรับเอเจนต์ที่ออกแบบมาสำหรับเอเจนต์ซึ่งทำงานต่อเนื่องเป็นเวลานานมาก โครงสร้างพื้นฐานแซนด์บ็อกซ์ที่เรียกใช้เครื่องเสมือนหลายล้านเครื่อง โครงสร้างพื้นฐานสำหรับการฝึกต่อยอดหลังการฝึกด้วยการเรียนรู้แบบเสริมกำลังที่บริษัทพัฒนาขึ้นเอง และเครือข่ายผู้เชี่ยวชาญกว่า 4 ล้านคน

สภาพแวดล้อมการเรียนรู้แบบเสริมกำลังของ Horizon

บริษัทระบุว่าระบบ WorldSim ของ Horizon สร้างบริษัทจำลองที่มีโค้ด แดชบอร์ด สเปรดชีต งานนำเสนอ และเอกสารซึ่งบรรจุข้อมูลธุรกิจสมจริง โดยให้โมเดลพยายามทำงานหลายขั้นตอนที่ยากให้สำเร็จตั้งแต่ต้นจนจบ พร้อมบันทึกทุกขั้นตอนเป็นลำดับการดำเนินงาน ตัวตรวจสอบแบบกำหนดผลแน่นอนจะให้คะแนนแต่ละลำดับด้วยวิธีเดียวกันทุกครั้งที่เรียกใช้ และเมื่อมีลำดับการดำเนินงานสองชุดที่ถูกต้องทั้งคู่ ความชอบของผู้เชี่ยวชาญจะช่วยสอนโมเดลให้เข้าใจสิ่งที่ Sharma เรียกว่า “รสนิยม” บริษัทอธิบายว่าระบบทำงานในระดับหลายพันโลกจำลองและลำดับการดำเนินงานที่ผ่านการให้คะแนนหลายล้านชุด โดยปรับให้ตรงกับเป้าหมาย pass@k ของห้องปฏิบัติการในงานเขียนโค้ด การใช้งานคอมพิวเตอร์ การวิจัย งานหลายรูปแบบ และงานเสียง

หน้าผลิตภัณฑ์ Horizon ระบุขอบเขตการใช้งานต่าง ๆ ซึ่งรวมถึงการวิจัย AI แบบอัตโนมัติ การเขียนโค้ดและวิศวกรรมซอฟต์แวร์โดยเอเจนต์ งานความรู้หลายรูปแบบ การใช้งานเสียงร่วมกับเครื่องมือของเอเจนต์ การใช้งานคอมพิวเตอร์ และความมั่นคงปลอดภัยทางไซเบอร์ Sharma เขียนว่า ปัจจุบัน Labelbox ทำงานร่วมกับ 90% ของห้องปฏิบัติการ AI แนวหน้าชั้นนำและผู้ให้บริการคลาวด์ขนาดใหญ่

Recursion Managed Agents

ประกาศการระดมทุนระบุว่า Labelbox เปิดให้ลูกค้าองค์กรใช้ Recursion Managed Agents ตั้งแต่ช่วงต้นเดือนตุลาคม 2026 ตามการออกแบบผลิตภัณฑ์ เอเจนต์ที่มีการจัดการจะได้รับเป้าหมาย ตัวกระตุ้น เช่น กำหนดเวลา การแจ้งเตือน ข้อความ Slack เว็บฮุก หรือการเรียกใช้ API และเกณฑ์ประเมินที่กำหนดลักษณะของงานที่ดี เอเจนต์ผู้ประเมินอีกตัวจะให้คะแนนทุกครั้งที่ทำงานโดยเทียบกับเกณฑ์ทีละข้อ พร้อมชี้หลักฐานประกอบการตัดสินใจแต่ละข้อ หากงานยังไม่ผ่านเกณฑ์ เอเจนต์จะแก้ไขงาน

เอเจนต์ทำงานได้สามโหมด ได้แก่ โหมดหลายเอเจนต์ ซึ่งผู้ประสานงานจะเชื่อมต่อผู้เชี่ยวชาญเฉพาะด้านที่แต่ละรายมีโมเดล คำสั่ง เครื่องมือ และสิทธิ์ของตนเองเข้าด้วยกัน; โหมดทีม ซึ่งสำเนาของเอเจนต์จะแบ่งงานกันบนกระดานร่วมและตรวจสอบผลงานของกันและกัน; และโหมดอัตโนมัติ ซึ่งเป็นค่าเริ่มต้น โดยเอเจนต์จะตัดสินใจเองว่าเมื่อใดงานจำเป็นต้องใช้ผู้เชี่ยวชาญเฉพาะด้านหรือทีม

บริษัทระบุว่าเอเจนต์ทำงานร่วมกับแอปพลิเคชันทางธุรกิจได้มากกว่า 100 รายการและเซิร์ฟเวอร์ MCP ใดก็ได้ โดยกำหนดขอบเขตของเครื่องมือแต่ละรายการว่าเป็นแบบอ่านอย่างเดียว เปลี่ยนแปลงข้อมูล หรือทำลายข้อมูล และจัดเก็บข้อมูลรับรองไว้ในห้องนิรภัยเพื่อไม่ให้โมเดลเห็นข้อมูลดังกล่าว เซสชันทำงานในแซนด์บ็อกซ์ที่แยกจากกัน และ Labelbox ระบุว่าแพลตฟอร์มทำงานโดยไม่มีการเก็บรักษาข้อมูลไว้กับผู้ให้บริการ LLM ทุกราย โปรแกรมการปฏิบัติตามข้อกำหนดที่บริษัทระบุครอบคลุม SOC 2 Type II, GDPR, CCPA, NIST 800-171 และ PCI DSS คิดค่าบริการตามชั่วโมงเซสชันของเอเจนต์ โดยรวมค่าใช้จ่ายด้านการประมวลผลและโมเดลไว้ในประมาณการเดียว และมอบเครดิตครั้งเดียว 100 ดอลลาร์ให้แก่ลูกค้าองค์กรปัจจุบันของ Labelbox

ใน โพสต์เปิดตัวผลิตภัณฑ์ ลงวันที่ 8 ตุลาคม 2026 ซึ่งอธิบายการนำระบบมาใช้ภายในบริษัท Labelbox เขียนว่า “สิ่งที่น่าประหลาดใจไม่ใช่การที่เอเจนต์ทำงานได้ แต่เป็นความรวดเร็วที่พวกมันพัฒนาฝีมือขึ้น” บริษัทระบุว่ากำลังใช้งานเอเจนต์ 51 ตัวใน 11 ทีม ครอบคลุมงานวิศวกรรมซอฟต์แวร์ ความน่าเชื่อถือ ความมั่นคงปลอดภัย การวิจัยแมชชีนเลิร์นนิง การประเมินผล ผลิตภัณฑ์ การเงิน การขาย กลยุทธ์ และการจัดซื้อ

ในตัวอย่างภายในกรณีหนึ่ง Labelbox ระบุว่าเอเจนต์ตรวจทาน pull request ทำการตรวจทานที่ผ่านการประเมิน 39 ครั้ง โดยใช้เวอร์ชันเอเจนต์และโมเดลเดียวกัน และในบรรดาการตรวจทาน 33 ครั้งที่ผ่านเกณฑ์ของตัวประเมิน ค่ามัธยฐานของต้นทุนลดลงจาก $13.15 สำหรับ 11 ครั้งแรก เหลือ $8.90 สำหรับ 11 ครั้งสุดท้าย หรือลดลง 32% ต่อการตรวจทานหนึ่งครั้ง ขณะที่มีการอัปเดตความจำของเอเจนต์ 15 ครั้ง และเวลาในการตรวจทานแต่ละครั้งยังคงอยู่ที่ประมาณ 27 นาที ตามกลไกความจำของผลิตภัณฑ์ เมื่อมีรายงานเซสชันใหม่ครบห้ารายงาน และไม่เกินชั่วโมงละครั้ง เอเจนต์ผู้ดูแลจะอ่านรายงานเหล่านั้นและอัปเดตความจำของเอเจนต์ ลูกค้าสามารถดูสิ่งที่เอเจนต์เรียนรู้ได้ และลบบทเรียนใดก็ตามที่ใช้ไม่ได้อีกต่อไป