Snorkel AI huy động 350 triệu USD vòng Series E với định giá 3,5 tỷ USD để xây dựng Phòng thí nghiệm Frontier cho Dữ liệu AI

Snorkel AI công bố vòng tài trợ Series E trị giá 350 triệu USD với định giá 3,5 tỷ USD vào ngày 22 tháng 9, 2026, trong một bài đăng blog công ty do đồng sáng lập và CEO Alex Ratner viết. Insight và S32 là những nhà dẫn đầu vòng gọi vốn này.

Các nhà đầu tư tham gia cũng bao gồm Third Point, March, Blumberg, Allegis, Standard VC và Frontline, cùng với các nhà đầu tư hiện có là Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures và Factory.

Ratner cho biết dịch vụ dữ liệu-as-a-service của công ty, được ra mắt gần một năm trước, đã tăng hơn 18 lần và vượt mức doanh thu hàng năm 375 triệu USD trong tuần công bố. Ông nói Snorkel hiện đang hợp tác với các phòng thí nghiệm frontier, các nhà cung cấp hạ tầng quy mô lớn, các neolab, các nhà lãnh đạo AI theo ngành, các doanh nghiệp và các cơ quan chính phủ Hoa Kỳ.

Vốn Đầu Tư Trước Đó và Lý Lịch Công Ty

Vòng Series E tiếp nối Series D trị giá 100 triệu USD của Snorkel với định giá 1,3 tỷ USD, được công bố trong một thông cáo công ty ngày 29 tháng 5, 2025. Addition là nhà dẫn đầu vòng này, với sự tham gia của Prosperity 7 Ventures, các nhà đầu tư hiện có Greylock và Lightspeed, và các nhà đầu tư chiến lược bao gồm BNY và QBE Ventures. Thông cáo năm 2025 cho biết vòng gọi vốn này đã đưa tổng số vốn huy động của Snorkel lên 237 triệu USD kể từ khi thành lập vào năm 2019.

Thông cáo đó, có địa chỉ Redwood City, California, cũng công bố việc ra mắt chung cho Snorkel Evaluate và Snorkel Expert Data-as-a-Service, hai sản phẩm mới trên Nền tảng Phát triển Dữ liệu AI của công ty để đánh giá và tinh chỉnh các hệ thống AI chuyên biệt. Nó cho biết vốn Series D sẽ hỗ trợ mở rộng các nỗ lực về kỹ thuật, nghiên cứu và tiếp cận thị trường của công ty.

Dữ liệu 2.0 và Nền tảng Dữ liệu Agentic

Bài viết của Ratner đặt khung cho vòng tài trợ mới dựa trên khái niệm mà ông gọi là Data 2.0. Snorkel bắt đầu như một dự án nghiên cứu tại Stanford khoảng một thập kỷ trước, ông viết, dựa trên luận điểm rằng tiến bộ AI sẽ ngày càng tập trung vào dữ liệu và việc phát triển dữ liệu nên được nghiên cứu như một vấn đề nghiên cứu và công nghệ thay vì chỉ là một hoạt động nhân sự và huy động cộng đồng.

Bài viết mô tả giai đoạn đầu của phát triển dữ liệu AI, được gọi là Data 1.0, được thúc đẩy bởi khối lượng dữ liệu đơn giản và chủ yếu là một vấn đề về nhân sự và hậu cần, và giai đoạn cuối, được gọi là Data 2.0, được thúc đẩy bởi chất lượng của dữ liệu phức tạp hơn và chủ yếu là một vấn đề nghiên cứu và công nghệ. Sử dụng dữ liệu lập trình làm ví dụ, nó cho biết các bộ dữ liệu và môi trường học tăng cường frontier hiện phải mô phỏng các vấn đề phần mềm mà một kỹ sư cao cấp có thể gặp khó khăn trong nhiều ngày hoặc tuần, nắm bắt các tín hiệu phần thưởng tinh tế trên các đầu ra quy mô sản phẩm, nhắm vào các chế độ lỗi cụ thể của mô hình, chống lại các nỗ lực của các mô hình tiên tiến để hack hoặc gian lận, và vượt qua hàng trăm kiểm tra kiểm soát chất lượng.

Để tạo ra dữ liệu đó, bài viết mô tả một Nền tảng Dữ liệu Agentic nội bộ trong đó các chuyên gia con người được hỗ trợ bởi các mô hình AI chuyên biệt và các tác nhân, đôi khi hàng trăm cho mỗi loại nhiệm vụ. Những tác nhân này mở rộng các bản phác thảo của chuyên gia thành môi trường và các mẫu dữ liệu đầy đủ, hướng nỗ lực của con người tới các mục tiêu phân phối và các chế độ lỗi của mô hình, cung cấp phản hồi trực tiếp và kiểm soát chất lượng sau khi nộp, và chuyển các thành phần phụ tới các chuyên gia phù hợp để xem xét. Phản hồi của con người ở quy mô lớn sau đó được sử dụng như một giám sát yếu để đo lường và cải thiện các tác nhân, một vòng lặp tích lũy mà Ratner gọi là RSI, hay động cơ tự cải tiến đệ quy, cho dữ liệu.

Ratner báo cáo rằng trong công việc dữ liệu lập trình, các tác nhân chuyên biệt thực hiện kiểm soát chất lượng song song với việc đánh giá của chuyên gia con người hiện đang tăng tốc độ hiệu quả QC hơn 50% và cải thiện độ chính xác đánh giá hơn 15 điểm so với mức cơ sở của các nhà đánh giá con người chỉ sử dụng các mô hình ngôn ngữ lớn (LLM) có sẵn. Ông cho biết phản hồi mở rộng của con người được áp dụng như giám sát yếu sau đó mang lại cải thiện độ chính xác hiện tại hơn 2 lần so với mức cơ sở LLM frontier không chuyên biệt, và các con số như vậy liên tục được cải thiện khi vòng lặp tiếp tục chạy.

Tiêu chuẩn Mở và Kế hoạch Nghiên cứu

Snorkel cũng cho biết sẽ mở rộng đáng kể chương trình Trợ cấp Tiêu chuẩn Mở, chương trình tài trợ các tiêu chuẩn AI mở và độc lập. trang của chương trình cho biết nỗ lực này được hỗ trợ bởi cam kết 3 triệu USD để tài trợ các bộ dữ liệu mã nguồn mở, tiêu chuẩn và các tài liệu đánh giá, và các đơn đăng ký được xem xét liên tục. Các đề xuất được xem xét với sự góp ý từ ủy ban chỉ đạo gồm các nhà nghiên cứu học thuật và công nghiệp, và trang này cho biết Snorkel không điều khiển quyết định của ủy ban.

Các tiêu chuẩn được liệt kê trên trang bao gồm dòng Terminal‑Bench, OSWorld 2.0 với XLANG Lab của Đại học Hong Kong, Agent’s Last Exam với RDI của UC Berkeley, Continual Learning Bench với SkyLab của UC Berkeley và UW‑Madison, SlopCode Bench với UW‑Madison, DARPA và Quỹ Khoa học Quốc gia, và Senior SWE‑bench với Đại học Wisconsin và Princeton University.

Ngoài các tiêu chuẩn, Ratner cho biết Snorkel dự định đầu tư mạnh mẽ vào việc hỗ trợ các mô hình AI chuyên biệt, viết rằng công ty dự đoán một phần ngày càng lớn của việc phát triển dữ liệu trên toàn thế giới sẽ tập trung vào AI chuyên biệt trong vài năm tới. Ông cũng cho biết một phần đáng kể trong nghiên cứu và phát triển của Snorkel trong những năm tới sẽ tập trung vào phát triển dữ liệu và môi trường cho việc căn chỉnh và an toàn AI.