Snorkel AI 融资达 3.5 亿美元，但这场押注远不止数据标注

Snorkel AI 以 35 亿美元估值完成 3.5 亿美元融资，使其最新一轮融资成为对一项更大主张的检验。Snorkel AI 的融资公告称，先进模型如今需要经过工程化设计的任务、评估规则和模拟环境，而不只是更多已标注的样本。

这轮 E 轮融资紧随 Snorkel AI 业务的快速转型而来。它曾销售帮助客户创建训练数据的软件，如今则通过数据即服务模式交付完整数据集和强化学习环境。

这一转变使 Snorkel AI 进入了一个以劳动密集型模式为主的市场，与 Scale AI、Mercor、Handshake、Surge AI 和 Turing 等公司展开竞争。竞争不再是谁能招募最多标注员，而是谁能在不牺牲质量、安全性或客户信任的前提下，将稀缺专业知识转化为可重复的训练系统。

Snorkel AI 本轮融资实际支持的是什么

这笔新资金支持的是数据生产业务，而不只是一个得到改进的标注平台。

Snorkel AI 于 2026 年 9 月 22 日宣布 E 轮融资。Insight Partners 和 S32 联合领投，现有投资者 Addition 也大额参投。

投资者阵容还包括 March Capital、Blumberg Capital、Allegis Capital、Frontline、Standard 和 Third Point Ventures。现有支持者包括 Greylock、Lightspeed、GV、Factory、Prosperity7、Walden Catalyst 和 Wells Fargo。

该公司计划扩展其所谓的智能体数据工厂。这一术语指的是一个生产系统，用于创建训练 AI 智能体所需的数据、任务、评估量规和交互式环境。

Snorkel AI 还计划投资于垂直领域 AI 应用、企业部署、研究、安全工作和开放评估基准。其融资公告将这些活动描述为一项整合数据运营的组成部分。

本轮融资对 Snorkel AI 的估值为 35 亿美元，接近其上一轮融资时据报道的 13 亿美元估值的三倍。

此前一轮融资在 E 轮前约 17 个月完成，募资 1 亿美元。估值的提升反映了投资者对 Snorkel AI 不到一年前推出的商业模式的信心。

首席执行官 Alex Ratner 表示，自推出数据即服务产品以来，公司已增长逾十八倍。Snorkel AI 还称，其年化营收运行率已突破 3.75 亿美元。

年化运行率是将近期收入按全年推算得出的数字。它并不代表经审计的年度营收，项目量波动时也可能迅速变化。

这一差异很重要，因为 AI 数据合同可能规模庞大、高度集中，并与短暂的模型开发周期绑定。快速增长的运行率能够体现需求，却不一定意味着经常性收入或可持续利润率。

不过，这一数字有助于解释融资时机。投资者正押注于这样一种可能性：数据工程将在模型、芯片和云基础设施之外，长期成为一个独立且有价值的层级。

Snorkel AI 的原始产品 Snorkel Flow 自动化了监督学习的部分流程。监督学习通过将输入与正确或偏好的输出配对的示例来训练模型。

该公司的创始人通过 Stanford 的研究开发了早期方法。他们的工作采用弱监督，即通过可编程规则创建带噪声的标签，再由统计方法将其组合和优化。

最初的Snorkel 研究针对了一个成本高昂的瓶颈。领域专家可以将知识编码为标注函数，而无需手动审阅每一个训练样本。

这段历史仍在塑造新的战略。Snorkel AI 并未放弃软件自动化，而是将自动化、模型生成数据和人工专业知识打包为完整的训练产品。

因此，本轮融资为从工具到结果的转型提供资金。客户不再需要自行运营数据管线的每一个环节。

这也构成了交易背后的核心张力。完整数据集可以带来更高收入，但也意味着 Snorkel AI 必须对质量、交付、安全性和可衡量的模型改进负责。

为什么先进模型需要的不只是标注答案

随着模型能力提升，训练数据的价值单位正从简单标签转向完整且可评估的任务。

传统数据标注通常要求工作人员给图像分类、比较两个回答，或识别某个物体。这些任务依然有用，但不足以让智能体为更长、更难预测的工作流程做好充分准备。

一个编辑软件代码库的智能体需要访问文件、开发工具、测试和执行反馈。它必须在遵守安全性和性能要求的同时，完成多个相互依赖的步骤。

训练这样的智能体，需要的不只是一个提示词和一个正确答案。开发者还需要受控环境、真实任务，以及能够区分部分进展和可靠结果的评分量规。

评分量规是一种结构化评分指南。它定义了审阅人员或自动评估器应采用的行为、约束条件和成功标准。

Snorkel AI 表示，部分评分量规可长达数页。一个代码生成任务可能涵盖功能准确性、网络安全、资源使用、可维护性，以及对代码库惯例的遵守情况。

制定这些标准需要领域知识。审阅模型行为同样需要理解任务本身和看似合理但错误答案所带来后果的专家。

强化学习又增加了一层复杂性。模型尝试完成任务，接收反馈，并根据由此产生的奖励信号调整其行为。

反馈质量决定模型学到什么。模糊或不一致的评分量规可能会奖励捷径，而非预期能力。

Snorkel AI 表示，它会分析审阅人员之间的分歧，以识别不清晰的标准。如果两名合格评估者对同一回答给出不同评分，可能需要修订的是评分量规本身。

这一过程将评估设计视为一门工程学科。它还在人类判断、软件自动化和模型行为之间建立了反馈循环。

Snorkel AI 还提供虚拟训练环境。这些沙盒会复现智能体在完成真实任务时可能遇到的工具和条件。

编码环境可能包括代码库、终端、依赖项、测试和受限网络访问。金融任务则可能需要结构化文档、计算流程以及有关允许操作的规则。

环境设计很困难，因为系统既要真实，又不能变得不可控。它还必须生成证据，使审阅人员能够判断智能体实际做了什么。

这种需求支撑了 Snorkel AI 的“Data 2.0”论点。该公司用这一说法指代围绕复杂任务、专家判断、评估和迭代研究构建的训练资产。

这一标签由 Snorkel AI 提出，因此不应被误认为是已经确立的行业标准。不过，前沿模型开发中确实可见其背后的转变。

模型开发商越来越需要能够测试推理、工具使用、编码、研究和多步骤执行能力的示例。许多这类示例无法从普通公共文本中收集。

公共网络数据还会带来重复、许可、来源追溯和污染问题。当模型在训练过程中接触到评估材料时，就会发生基准污染，从而使其评分的意义下降。

定制环境提供了另一条路径。它们让开发者能够生成新任务、观察模型行为并调整难度，而不必完全依赖静态互联网资源。

Snorkel AI 的策略将这些环境与合成数据和人类专家结合。合成数据由软件生成或转换，而非直接从人类活动中收集。

合成生成可以扩大覆盖范围，但无法消除验证需求。模型可能复现自身错误、简化困难案例，或创建与真实条件不同的示例。

在人类专家判断仍是自动化系统不可靠之处时，他们能够提供判断。软件则帮助组织他们的知识、发现不一致之处，并将有用模式扩展至更多示例。

这套混合机制正是融资故事的核心。Snorkel AI 押注于，最佳供应商将协调完整训练闭环，而不只是提供劳动力或软件许可证。

真正的竞争是数据系统与劳动力规模之争

Snorkel AI 正在挑战这样一种假设：AI 数据业务必须主要依靠增加更多承包商来扩张。

训练数据市场是通过庞大的分布式劳动力扩张起来的。公司招募承包商为图像标注、比较模型回答、编写提示词并完成专业任务。

当任务容易拆分时，这种模式可以快速扩展。但当每项任务都需要高级技术或专业知识时，难度就会增加。

Mercor、Handshake、Turing、Surge AI、Micro1 和 Scale AI 都在追逐这一机会的不同部分。它们的方法各不相同，但专家招募仍是许多项目的核心。

据报道，Mercor 在 2026 年的年化营收运行率已突破 20 亿美元。其业务将 AI 公司与工程师及其他专业人士连接起来，由后者生成训练示例并评估模型。

Handshake 最初围绕学生和雇主建立网络。之后，它利用这一覆盖范围支持 AI 训练工作，据报道新业务已带来可观的年化毛收入。

这些数字表明需求强劲。它们无法与 Snorkel AI 报告的运行率直接比较，因为不同公司对承包商支出和项目成本的分类可能不同。

这种会计差异十分重要。一个平台可能在向专家支付大部分款项之前，就将客户支出确认为毛收入。

Snorkel AI 表示，向其专家支付的款项计入销货成本，而非从营收中剔除。没有详细财务报表，外部人士无法精确地对这些数字进行标准化比较。

因此，竞争不能被简化为营收排行榜。买方需要比较可用产出、错误率、安全性、任务难度以及模型行为可衡量的改进。

Snorkel AI 的回应是让软件在生产中占据更大比重。其系统有助于生成示例、形式化专家知识、分析审阅人员分歧，并修订评估规则。

人类专业知识仍然重要。Snorkel AI 表示，数万名专家为其强化学习任务作出贡献。

差异在于公司如何定位这些贡献者。专家在软件引导的工厂内工作，而非仅仅作为产品本身。

如果这一设计奏效，Snorkel AI 就能在项目之间复用方法。更好的评分量规分析系统或环境生成器，或许能够改善多个客户项目，而不必让每一笔收入增长都对应等量的人头增长。

不过，专家工作难以完全标准化。网络安全演练、临床推理任务和法律研究作业涉及不同的风险与成功定义。

系统必须在自动化重复工作的同时保留这些差异。过度标准化可能会抹去模型最需要学习的罕见情形。

Scale AI 仍是重要的历史参照。它早期的增长表明，有组织的人类标注可以成为模型开发者的关键基础设施。

Meta 对 Scale AI 的 143 亿美元投资，使该公司估值超过 290 亿美元，并将创始人 Alexandr Wang 招入 Meta 的 AI 团队。Scale AI 交易也引发了关于供应商中立性的疑问。

前沿实验室严密保护其训练方法。与某一家模型开发商关系密切的数据提供商，可能引发关于保密性、优先级和竞争暴露的担忧。

据一篇行业报道，竞争对手称，Meta 投资后需求有所增加。Handshake 首席执行官 Garrett Lord 表示，其公司服务需求在一夜之间增长了三倍。

这种扰动为独立供应商创造了机会。Snorkel AI 可以将自己定位为一家由技术驱动、且不归属于任何一家主导模型实验室的供应商。

但仅凭独立性无法赢得合同。客户仍需要证据证明，Snorkel AI 能以所需速度提供专业人才、安全基础设施、一致的评估以及模型性能提升。

这轮 3.5 亿美元融资为该公司提供了在这些维度展开竞争的资源。但它并未解决哪种运营模式能够带来最强利润率或最优数据的问题。

3.75 亿美元年化收入运行率并不能证明什么

Snorkel AI 报告的增长颇为引人注目，但公开数据仍留下了有关客户集中度、利润率和可复现质量的重大疑问。

18 倍增长的说法来自公司自身。Snorkel AI 尚未公布经审计的结果，以独立确认其报告的 3.75 亿美元年化收入运行率。

该数字也反映的是某个时点，而非完整年度。少数几个异常大型项目可能抬高这一计算结果，却无法保证之后会有类似需求。

客户集中度也是未知数。Snorkel AI 表示，它服务于前沿实验室、超大规模云服务商、专业 AI 公司、企业以及美国政府机构。

该公司尚未公开说明各类客户分别贡献了多少收入，也未披露是否有一两家模型开发商占据当前业务活动的大部分。

在一个保密性很强的市场中，这种不披露可以理解。不过，它仍限制了读者能够从增长率中推断出的结论。

对于估值也应保持同样的克制。35 亿美元的私募估值，记录的是投资者在某一笔融资交易中接受的价格。

它并不代表公开市场价格，也未披露清算优先权、治理权或其他可能影响经济回报的条款。

报告中的估值不到该公司年化收入运行率的十倍。与许多 AI 软件公司相比，这一比率可能显得适中。

但这种比较取决于收入质量。以服务为主的公司通常具有与订阅软件不同的利润率和规模化约束。

Snorkel AI 认为，其技术使这一模式不同于传统外包。这一主张需要通过持续的利润率、客户留存和不断增强的软件杠杆来证明。

数据质量仍是另一个未经验证的领域。Snorkel AI 解释了其系统如何识别审核人员之间的分歧，以及如何完善评估量表。

这些机制在原则上可信，但公开报道几乎没有提供 Snorkel AI 数据集与竞争产品之间的独立比较。

随着任务变得更长、更复杂，挑战也会加剧。一个编程代理可能通过不安全的过程得到正确的最终输出，也可能在通过可见测试的同时，未满足某项隐藏要求。

评估系统本身也可能成为攻击目标。模型有时会学会利用评分过程，而不是完成预期任务。

这种行为通常被称为奖励黑客。它指的是 AI 在违背评估者真实目标的同时，最大化记录在案的奖励。

更好的量表可以降低这一风险，但没有任何量表能够捕捉所有失效模式。环境设计者必须预判捷径、信息泄露、不安全操作和不切实际的假设。

合成数据也带来自身的不确定性。生成的示例可以低成本覆盖罕见情况，但也可能放大模型偏见，或包含细微的逻辑错误。

人工审核可以减少这些问题，但无法彻底消除。审核人员会产生分歧、忽略边缘情形，并在高吞吐量项目中承受时间压力。

工作者条件同样重要。专家数据业务依赖于人，而这些人可能面对不均衡的工作量、有限的上下文，或不断变化的项目要求。

将专家视为可互换投入的平台，可能会失去它最需要的知识。Snorkel AI 必须证明，其软件是在支持专家判断，而不只是加速产出。

安全性带来了相关挑战。训练任务可能暴露私有代码、内部文档、未发布产品或模型开发方法。

客户会将访问控制、数据隔离、保留政策和事件响应与数据集质量一并评估。一次泄露就可能损害公司最敏感客户群体的信任。

企业还面临另一个问题：何时应购买成品数据，何时又应在内部培养评估知识？

外包可以加快初始部署。不过，评估标准往往编码了组织自身的政策、运营实践以及对可接受工作的定义。

因此，公司可能借助外部供应商构建系统，同时保留关键量表和源材料的所有权。一个可搜索知识库可以帮助内部团队保留这些上下文。

对 Snorkel AI 而言，最佳结果并不是让客户完全依赖自己，而是成为将客户专业知识转化为可重复模型训练的可信基础设施。

该公司能否在多个领域做到这一点，仍未有定论。这笔融资提供的是检验这一论点的时间与能力，而非证明检验已经成功。

企业 AI 买家为何应关注

这轮融资表明，评估数据正成为一项战略性采购决策，即使对于从不训练基础模型的公司也是如此。

大多数企业不会从零开始构建前沿模型。但它们仍需要让通用模型适应内部工作流，并判断这些系统能否可靠运行。

这项工作创造了对领域示例、评估量表和受控测试环境的需求。客户支持代理所需的证据不同于编程助手或研究系统。

关键问题并不是模型能否回答通用基准测试，而是它能否在组织约束下完成特定业务流程。

一家银行可能会评估代理对审批规则、数据访问和审计记录的处理。一家软件公司可能会测试代码库导航、安全编码和避免回归的能力。

医疗保健组织可能需要严格的证据边界与升级要求。每一种情形都需要公共基准测试很少提供的任务定义。

Snorkel AI 的转型表明，供应商看到了构建这些资产的巨大市场。该公司正将重点从前沿实验室扩展至垂直行业和企业 AI。

对买家而言，这改变了供应商评估方式。采购团队不应只根据劳动力规模或交付速度评估训练数据提供商。

他们应询问任务如何设计、分歧如何解决，以及供应商如何防止评估泄露。还应询问最终量表和环境的所有权归谁。

可复现性至关重要。买家应能在更换模型、系统提示词、工具或检索来源后重新运行评估。

没有可重复的测试，团队就无法判断一次更新是改善了整个系统，还是仅仅修复了一个可见示例。

可追溯性同样重要。审核人员需要记录，以显示哪些数据、规则和模型版本产生了某项结果。

这些记录有助于工程团队调查回归问题。当代理执行影响客户、员工或受监管流程的工作时，它们也为治理提供支持。

Snorkel AI 的软件背景在这方面可能具有价值。该公司最初是帮助团队管理带有噪声的监督信号，而非运营一个通用劳动力市场。

其较新的模式试图将这一技术基础与托管交付结合起来。这种组合可能吸引那些希望获得成品成果、又不愿放弃方法控制权的买家。

风险在于，数据即服务可能会披着技术外衣变成传统咨询。定制项目可以快速增加收入，却仍难以标准化。

买家应寻找服务之下可复用的基础设施。例如版本化量表、自动任务生成、分歧分析、环境模板和可衡量的质量控制。

他们还应要求成果证据。更多示例并不必然带来更好的模型。

有用的指标取决于应用场景。它可以是任务完成率、错误减少、政策合规、安全表现，或模型缺乏信心时成功升级处理的能力。

成本应相对于这些结果来衡量。一个由专家设计、规模较小的数据集，可能比大量经过宽松审核的示例更有价值。

Snorkel AI 的融资验证了投资者对这一层的兴趣。但这并不意味着每家企业都必须委托开展一项定制的强化学习计划。

一些组织可以先从评估而非训练开始。它们可以定义关键任务、构建测试用例，并在修改任何权重之前比较可用模型。

这一过程能明确额外数据在哪些方面会有帮助，也能防止团队在检索、工作流或政策调整即可解决问题时，为大范围定制付费。

核心启示很务实。数据准备和评估不再是模型决策之后才开始的幕后杂务。

它们正日益决定哪种模型有效、代理是否可信，以及公司在部署后能够以多快速度改进系统。

三个信号将检验 Snorkel AI 的数据工厂

接下来的考验在于，Snorkel AI 能否将异常旺盛的需求转化为持久、可防御的基础设施。

第一个信号是，在最初的数据即服务热潮之后增长能否持续。Snorkel AI 报告的运行率在新模式实施的第一年迅速上升。

更有力的证据将来自续约和扩展。客户必须为了新的任务类型、更困难的环境和持续评估而回归，而不是只进行一次性数据集交付。

重复业务将支持 Snorkel AI 的主张，即数据开发是一个持续进行的研究过程。增长放缓或项目流失则表明，需求更具阶段性。

第二个信号是软件杠杆的证据。收入增长很重要，但毛利率和交付效率将揭示，自动化是否真的将 Snorkel AI 与劳动力市场区分开来。

公司不需要将人类从流程中移除。它需要证明，工具的每一次改进都能在多个项目中提升专家生产力或数据集质量。

产品发布可能提供线索。更好的环境创建、量表分析、自动验证和多模态支持，将强化其“工厂”论点。

如果人员规模和合同工数量迅速增加，而工具能力没有同步提升，Snorkel AI 的竞争力将被削弱。这种模式会使其更像一家专业服务提供商。

第三个信号是对训练成果的独立验证。Snorkel AI 计划支持开放基准测试，并投资于 AI 安全倡议。

公开基准可以证明研究能力，尽管无法披露保密的客户成果。有效的发布应包含清晰的任务构建方式、污染控制措施和可复现的评估方法。

公司还需要可信的案例研究，将其数据与可量化的模型改进联系起来。这些研究应明确基线、失败类别和评估流程。

投资者已经作出了判断。这轮 3.5 亿美元的 E 轮融资，将 Snorkel AI 定位为下一阶段模型开发的核心供应商。

客户则应采用更严格的标准。他们需要了解该供应商是否能提升可靠性、保护敏感信息，并在模型更新过程中保留专家知识。

竞争对手不会停步。Mercor、Handshake、Scale AI、Turing、Surge AI 以及规模较小的专业公司，都在扩展各自的环境和评估能力。

模型实验室也可以将更多此类工作转向内部完成。它们的研究团队能够直接观察模型行为，并围绕专有弱点设计任务。

因此，Snorkel AI 必须占据一个狭窄但有价值的位置。它既要比内部咨询更具可扩展性，也要比人才交易平台拥有更深的技术整合能力。

该公司源自 Stanford，这为其提供了连贯的技术基础。其披露的增长情况表明，客户愿意购买更广泛的服务。

如今，运营层面的证据必须跟上融资叙事。营收质量、客户留存、软件杠杆效应以及独立评估结果，将决定这一模式能否持续。

对于开发者和企业采购方而言，Snorkel AI 的融资轮次提供了一个有益的提醒：审视每个智能体背后的数据与评估系统，而不只是界面中显示的模型名称。

应当追问：任务由谁设计，成功由谁定义，以及失败如何反馈到下一轮训练周期。这些答案将揭示，“Data 2.0”究竟代表持久的基础设施，还是一波昂贵的服务浪潮。