Snorkel AI ระดมทุน Series E $350 ล้าน ที่มูลค่าบริษัท $3.5 พันล้าน เพื่อสร้าง Frontier Lab สำหรับข้อมูล AI

Snorkel AI ประกาศการระดมทุน Series E มูลค่า $350 ล้าน ที่มูลค่าบริษัท $3.5 พันล้านเมื่อวันที่ 22 กันยายน 2026 ใน โพสต์บล็อกของบริษัท ที่เขียนโดยผู้ร่วมก่อตั้งและซีอีโอ Alex Ratner. Insight และ S32 นำรอบการระดมทุน

ผู้เข้าร่วมยังรวมถึง Third Point, March, Blumberg, Allegis, Standard VC, และ Frontline พร้อมกับนักลงทุนเดิม ได้แก่ Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures, และ Factory.

Ratner กล่าวว่าบริการข้อมูลในรูปแบบบริการ (data-as-a-service) ของบริษัท ซึ่งเปิดตัวเมื่อเกือบหนึ่งปีที่ผ่านมา ได้เติบโตกว่า 18 เท่าและทะลุระดับรายได้เมื่อคิดเป็นอัตรารายปี $375 ล้านในสัปดาห์ของการประกาศ. เขากล่าวว่า Snorkel ปัจจุบันเป็นพันธมิตรกับ frontier labs, hyperscalers, neolabs, vertical AI leaders, enterprises, และหน่วยงานรัฐบาลสหรัฐฯ.

การระดมทุนก่อนหน้าและข้อมูลพื้นฐานของบริษัท

Series E ตามมาจาก Series D มูลค่า $100 ล้าน ของ Snorkel ที่มีมูลค่าบริษัท $1.3 พันล้าน ซึ่งประกาศใน ข่าวประชาสัมพันธ์ของบริษัท ลงวันที่ 29 พฤษภาคม 2025. Addition นำรอบนั้น พร้อมกับการเข้าร่วมจาก Prosperity 7 Ventures, นักลงทุนเดิม Greylock และ Lightspeed, และนักลงทุนเชิงกลยุทธ์รวมถึง BNY และ QBE Ventures. ข่าวประชาสัมพันธ์ในปี 2025 ระบุว่ารอบนี้ทำให้เงินทุนรวมของ Snorkel สูงถึง $237 ล้าน ตั้งแต่ก่อตั้งในปี 2019.

ข่าวประกาศนั้น ซึ่งระบุที่ Redwood City, California ยังได้ประกาศการเปิดให้ใช้งานทั่วไปของ Snorkel Evaluate และ Snorkel Expert Data-as-a-Service ซึ่งเป็นสองข้อเสนอใหม่บนแพลตฟอร์ม AI Data Development ของบริษัทสำหรับการประเมินและปรับแต่งระบบ AI เฉพาะทาง. รายงานระบุว่าเงินทุนจาก Series D จะสนับสนุนการขยายงานด้านวิศวกรรม, การวิจัย, และการตลาดของบริษัท.

Data 2.0 และแพลตฟอร์มข้อมูลแบบ Agentic

โพสต์ของ Ratner นำเสนอการระดมทุนใหม่โดยอ้างอิงสิ่งที่เขาเรียกว่า Data 2.0. Snorkel เริ่มต้นเป็นโครงการวิจัยที่ Stanford ประมาณหนึ่งทศวรรษที่แล้ว, เขาเขียนว่าโครงการนี้ตั้งอยู่บนแนวคิดว่าการพัฒนา AI จะยิ่งมุ่งเน้นที่ข้อมูลมากขึ้นและการพัฒนาข้อมูลควรได้รับการศึกษาเป็นปัญหาการวิจัยและเทคโนโลยี มากกว่าการมองว่าเป็นเพียงการจัดหาพนักงานและการทำ crowdsourcing.

โพสต์อธิบายขั้นตอนแรกของการพัฒนาข้อมูล AI ซึ่งเรียกว่า Data 1.0 ว่าได้รับแรงผลักดันจากปริมาณข้อมูลที่ง่ายกว่าและส่วนใหญ่เป็นปัญหาด้านการจัดหาพนักงานและโลจิสติกส์, ส่วนขั้นสุดท้ายที่เรียกว่า Data 2.0 ได้รับแรงผลักดันจากคุณภาพของข้อมูลที่ซับซ้อนมากขึ้นและโดยหลักเป็นปัญหาการวิจัยและเทคโนโลยี. โดยใช้ข้อมูลการเขียนโค้ดเป็นตัวอย่าง, ระบุว่าชุดข้อมูลและสภาพแวดล้อม reinforcement‑learning แนวหน้าในปัจจุบันต้องจำลองปัญหาซอฟต์แวร์ที่วิศวกรระดับสูงอาจต้องเผชิญเป็นเวลาหลายวันหรือหลายสัปดาห์, จับสัญญาณรางวัลที่ละเอียดอ่อนในผลลัพธ์ระดับผลิตภัณฑ์, มุ่งเป้าไปที่รูปแบบข้อผิดพลาดของโมเดลเฉพาะ, ต่อต้านความพยายามของโมเดลขั้นสูงที่จะแฮกหรือโกง, และผ่านการตรวจสอบคุณภาพหลายร้อยรายการ.

เพื่อผลิตข้อมูลดังกล่าว, โพสต์อธิบายแพลตฟอร์ม Agentic Data ภายในที่ผู้เชี่ยวชาญมนุษย์ได้รับการสนับสนุนจากโมเดล AI เฉพาะทางและเอเจนต์, บางครั้งมีหลายร้อยตัวต่อประเภทงาน. เอเจนต์เหล่านั้นขยายแบบร่างของผู้เชี่ยวชาญเป็นสภาพแวดล้อมและอินสแตนซ์ข้อมูลเต็มรูปแบบ, ชี้นำความพยายามของมนุษย์ไปสู่เป้าหมายการแจกแจงและรูปแบบข้อผิดพลาดของโมเดล, ให้ข้อเสนอแนะแบบเรียลไทม์และการควบคุมคุณภาพหลังการส่ง, และส่งส่วนย่อยไปยังผู้เชี่ยวชาญที่เหมาะสมเพื่อการตรวจสอบ. ข้อเสนอแนะจากมนุษย์ในระดับใหญ่จึงถูกใช้เป็นการเรียนรู้แบบกำกับอย่างอ่อนเพื่อวัดและปรับปรุงเอเจนต์, วงจรสะสมที่ Ratner เรียกว่า RSI หรือเครื่องยนต์การปรับปรุงตนเองแบบวนซ้ำสำหรับข้อมูล.

Ratner รายงานว่าในงานข้อมูลการเขียนโค้ด, เอเจนต์เฉพาะทางที่ดำเนินการควบคุมคุณภาพร่วมกับการตรวจสอบของผู้เชี่ยวชาญมนุษย์ในปัจจุบันเพิ่มประสิทธิภาพ QC ได้ 50% ขึ้นไป และปรับปรุงความแม่นยำของการตรวจสอบเพิ่มขึ้น 15 จุดขึ้นไปเมื่อเทียบกับระดับอ้างอิงของผู้ตรวจสอบมนุษย์ที่ใช้เพียง LLM สำเร็จรูป. เขากล่าวว่าข้อเสนอแนะจากมนุษย์ที่ขยายขนาดและใช้เป็นการเรียนรู้แบบกำกับอย่างอ่อนทำให้ความแม่นยำเป็นอย่างน้อย 2 เท่าของระดับอ้างอิงจาก LLM ระดับแนวหน้าที่ไม่ได้ปรับให้เฉพาะทาง, และตัวเลขเหล่านี้จะพัฒนาอย่างต่อเนื่องเมื่อวงจรทำงาน.

Open Benchmarks และแผนการวิจัย

Snorkel ยังระบุว่าจะขยายโปรแกรม Open Benchmarks Grants อย่างมีนัยสำคัญ ซึ่งให้ทุนสำหรับเบนช์มาร์ค AI ที่เปิดและเป็นอิสระ. หน้าของโครงการ ระบุว่าความพยายามนี้ได้รับการสนับสนุนจากคำมั่นที่จะให้เงิน $3 ล้านเพื่อสนับสนุนชุดข้อมูลโอเพ่นซอร์ส, เบนช์มาร์ค, และชิ้นงานสำหรับการประเมิน, และการสมัครจะได้รับการตรวจสอบอย่างต่อเนื่อง. ข้อเสนอจะได้รับการตรวจสอบโดยรับข้อมูลประกอบจากคณะกรรมการกำกับดูแลที่ประกอบด้วยนักวิจัยจากสถาบันการศึกษาและอุตสาหกรรม, และหน้าดังกล่าวระบุว่า Snorkel ไม่ได้กำหนดทิศทางการตัดสินใจของคณะกรรมการ.

เบนช์มาร์คที่ระบุในหน้ามีรวมถึงสาย Terminal‑Bench, OSWorld 2.0 ร่วมกับ XLANG Lab ของ University of Hong Kong, Agent’s Last Exam ร่วมกับ RDI ของ UC Berkeley, Continual Learning Bench ร่วมกับ SkyLab ของ UC Berkeley และ UW‑Madison, SlopCode Bench ร่วมกับ UW‑Madison, DARPA, และ National Science Foundation, และ Senior SWE‑bench ร่วมกับ University of Wisconsin และ Princeton University.

นอกเหนือจากเบนช์มาร์ค, Ratner กล่าวว่า Snorkel มีแผนจะลงทุนอย่างหนักในการสนับสนุนโมเดล AI เฉพาะทาง, โดยเขียนว่าบริษัทคาดว่าส่วนแบ่งที่เพิ่มขึ้นของการพัฒนาข้อมูลทั่วโลกจะมุ่งเน้นไปที่ AI เฉพาะทางในหลายปีข้างหน้า. เขายังระบุว่าส่วนสำคัญของการวิจัยและพัฒนาในปีต่อ ๆ ไปของ Snorkel จะมุ่งเน้นไปที่การพัฒนาข้อมูลและสภาพแวดล้อมเพื่อการปรับแนว AI และความปลอดภัย.