Snorkel AI 融资达 3.5 亿美元，数据工厂押注获 35 亿美元估值

Snorkel AI 在 E 轮融资中筹得 3.5 亿美元，使这家初创公司的估值升至 35 亿美元。这笔融资为一项明确的押注赋予了异常高的价格：下一项制约先进 AI 发展的因素，将是其训练任务、评估环境和专家反馈的质量。

这轮融资于 9 月 22 日宣布，由 Insight Partners 和 S32 共同领投。此前，Snorkel 曾完成一轮 1 亿美元的 D 轮融资，当时估值为 13 亿美元。因此，在不到一年半的时间里，该公司的估值增长了近三倍。

这笔融资并不只是对数据标注的又一次认可。Snorkel 已从销售自动化软件，转向交付成品数据集和强化学习环境。这一转变使其与 Mercor、Handshake、Turing 和 Micro1 等专家劳动力提供商展开竞争，而整个行业也正围绕 Scale AI 与 Meta 更紧密的关系重组。

Snorkel AI 融资紧随其 18 倍增长声明

本轮融资奖励的是成为数据供应商的 Snorkel，而不只是销售数据标注软件的公司。

Snorkel 表示，其年化营收运行率已达到 3.75 亿美元。该公司还称，其新推出的数据即服务业务在过去一年增长了逾十八倍。

年化运行率是将近期营收按全年进行推算。这并不意味着 Snorkel 已按照标准年度会计口径确认了 3.75 亿美元收入。不过，这一数字仍可作为衡量管理层和投资者所称需求水平的有用指标。

这份融资公告称，公司将扩展其“智能体数据工厂”。Snorkel 用这一术语指代一个结合专业人员、软件和专用 AI 模型的生产系统。

公司计划提升产能、进入更多行业，并将业务扩展至更多数据类型。它特别点名医疗保健、法律和软件工程，认为这些领域适合开展周期更长、复杂度更高的项目。

新投资者包括 March Capital、Blumberg Capital、Allegis Capital、Frontline、Standard 和 Third Point Ventures。现有投资方 Addition、Greylock、Lightspeed、GV、Factory、Prosperity7、Walden Catalyst 和 Wells Fargo 也参与了本轮融资。

35 亿美元的 Snorkel AI 估值之所以重要，是因为它反映出客户看似愿意购买的东西正在迅速变化。Snorkel 最初的产品帮助技术团队自动化创建标注数据；其较新的服务则负责产出最终训练材料。

这一差异改变了客户关系和经济模式。软件客户自行操作工具，而数据即服务客户则期待获得可直接使用的数据集、基准测试、评分标准或模拟环境。

Snorkel 于 2025 年 9 月正式推出这项新服务。其根源则可追溯至联合创始人兼 CEO Alex Ratner 在 Stanford 主导的研究。

这家初创公司早期的核心理念是弱监督。这种技术让专家将启发式规则编码为标注函数，而非逐一手动分配每个标签。统计模型随后会估计哪些标注来源可靠，并协调它们之间的分歧。

这项研究旨在降低构建传统训练集的成本。Snorkel 的新目标已超越了原有工作流。该公司如今希望生产用于训练和评估高级推理系统的任务与环境。

这一变化解释了为何本轮融资规模大于常规扩张投资。Snorkel 正更深入地参与客户的模型开发流程，同时也对这些流程产出成果的质量承担更多责任。

这也构成 Snorkel AI 融资故事背后的核心张力。投资者将该公司视为可规模化的技术供应商来估值；但其产出仍依赖昂贵的专家、严谨的评估以及针对客户的研究。

为什么 AI 训练数据成了新的瓶颈

更强大的模型并未消除人工数据工作；它们让最有价值的工作变得更困难、也更专业化。

早期的数据标注业务可以将项目拆分成大量简单任务。工作人员可能对图像进行分类、标记物体，或判断一条简短回复是否符合某个类别。

推理模型需要另一类材料：复杂问题、详细评分规则、真实的工具访问权限，以及成功完成多步骤工作的示例。普通众包人员无法可靠地设计一项法律研究练习，或评判一次高级软件调试任务。

Snorkel 将这一转变称为“Data 2.0”。这一术语带有公司品牌色彩，但其背后的变化已在整个市场显现。前沿实验室日益寻求能够创建和评估高难度任务的专家，而非仅为显而易见的示例打标签的人。

强化学习环境是一种受控场景，模型在其中尝试完成任务，并获得有关自身表现的信号。对于 AI 编程智能体而言，这类环境可能包含代码仓库、开发工具、测试以及评分系统。

构建这样的环境不仅是收集答案。设计者必须界定任务、预判失败模式、确立有效结果，并防止模型利用评估中的薄弱环节。

评分标准带来了另一层高要求。薄弱的评分标准可能奖励表面合理、却暗藏错误的回复；也可能因为预期答案过于狭窄，而惩罚正确的方法。

Snorkel 认为，AI 系统应帮助专家创建这些材料。其模型可以生成候选任务、识别缺口并支持质量检查。之后，人类专家审阅这些工作，并提供自动化所缺乏的判断。

这种混合机制使 Snorkel AI 的数据即服务模式区别于直接的专家市场。专家市场主要负责撮合客户与劳动者；Snorkel 则称，它正在围绕专家建立一套可重复的生产系统。

Ratner 将这种方式描述为一个循环。专用模型加速专家产出，而人工监督则提供用于改进这些模型的数据。如果这个循环奏效，Snorkel 就能在不以相同速度增加劳动力的情况下提升产量。

公司的数据研究论述称，其客户包括前沿实验室、云服务提供商、专业 AI 公司、企业以及美国政府机构。Snorkel 尚未公开披露最新营收数字背后的客户身份。

其技术历史为这一论点提供了一定依据。最初的弱监督研究在一项受控用户研究中发现，领域专家构建模型的速度快了 2.8 倍。该研究还涵盖了涉及医疗和政府场景的合作项目。

这些较早的结果并不能验证公司当前的智能体数据工厂。现代推理任务与原始研究所考察的分类问题有显著不同。不过，它们表明 Snorkel 试图将专家判断编码进软件的努力，早于当前这一轮投资周期。

需求上升的另一个原因是，模型开发者无法无限期依赖随手可得的互联网文本。公开材料质量参差不齐、重复较多，而且往往无法很好匹配专业任务。敏感的企业工作流甚至可能根本不会出现在网上。

法律智能体必须学习专业人士如何审查权威资料、处理相互矛盾的证据并论证结论。医疗保健系统需要经过审慎治理、能够反映临床背景的材料。编程智能体则需要可执行的任务，其成功与否应当能够测试，而非猜测。

这些要求使数据开发成为一个研究问题。它们也让供应商对模型表现拥有更大影响力。设计评估的提供商可以塑造客户衡量什么，并最终影响模型学会优化什么。

对于企业买家而言，这使数据来源和工作流背景变得更重要。已经在构建AI 知识库的组织也面临类似问题：有用的 AI 输出依赖经过治理且相关的信息，而不是单纯的文档数量。

Snorkel 押注，模型实验室将在更大规模上得出同样结论。原始材料很充足，但可靠的任务和判断依然稀缺。

真正的竞争是软件赋能的数据生产与专家劳动力之争

Snorkel 的主要竞争对手并非某一家公司，而是目前正生产行业大部分专家数据的劳动密集型方法。

Mercor、Handshake、Turing 和 Micro1 通过连接 AI 开发者与熟练劳动者实现了扩张。它们的网络可以为模型训练项目招募工程师、科学家、律师及其他专业人士。

这种方式具有直接优势。客户可以请具备专业知识的人创建示例、审阅答案或完成真实工作。由此产生的数据反映了通用模型目前仍难以稳定复制的技能。

它也带来结构性成本。提供商必须向实际从事工作的专家支付报酬。随着收入增长，劳动力支出也可能同步上升。

根据报道中的数据经济学，专家市场提供商可能会将其营收总额的大约 60% 至 70% 支付给专家。因此，它们广受引用的年化数字，可能远高于在支付这些报酬后实际留存的收入。

Snorkel 对其数字的呈现方式不同。它销售完成的数据集和环境，然后将专家报酬计入销售成本。这使其 3.75 亿美元运行率更接近供应商收入，而非劳动力市场的总交易额。

这一区别很重要，但并不能决定竞争胜负。销售成本仍会影响毛利率、现金使用和运营复杂度。将专家报酬放到不同会计科目中，并不会让这些支出消失。

Snorkel 的论点依赖于软件杠杆。如果其模型和工作流能帮助一名专家产出显著更多经过验证的数据，公司就有可能在增长过程中保持更强的利润率。

这正是支撑 35 亿美元 Snorkel AI 估值的机制。投资者不仅预期训练数据支出会增加，也预期 Snorkel 的生产流程能够比传统人力配置模式更高效地获取这部分支出。

效率并非决定胜者的唯一因素。客户还关心保密性、交付速度、领域覆盖范围，以及交付的数据是否能改善某个特定模型。

劳动力平台可以迅速在众多领域集结人员。Snorkel 的方法则需要开发支持这些专家的专用系统。其方法可能更具防御性，但为新领域进行配置也可能需要更长时间。

市场不太可能最终由一家通用供应商主导。前沿实验室往往同时使用多家供应商，因为其项目在模态、敏感性和所需专业能力方面各不相同。一家公司可能会针对某项评估使用一个市场平台，而针对另一项评估使用技术驱动的数据工厂。

因此，Snorkel 必须证明其软件能为每一项合作带来可衡量的价值。仅仅生成更多候选任务还不够。这些任务必须覆盖有意义的能力、能够抵御投机取巧，并产生可靠的训练信号。

该公司还需要获得合格人才。对于涉及模糊法律问题、临床权衡、安全或高级工程的任务，即使由 AI 生成初稿，仍需要人类判断。稀缺的专业能力可能会限制软件主导型和市场平台型供应商的发展。

这使 Snorkel 的定位比“自动化取代标注员”更加微妙。它真正的主张是：专家应监督制造数据的机器，而不是手动创建每一项数据。

如果客户接受这一模式，Snorkel 可以成为 AI 开发的基础设施。如果他们不接受，Snorkel 则可能沦为一家拥有精密内部工具的高成本服务公司。

Scale AI 与 Meta 的交易为中立供应商打开窗口

Snorkel 的扩张发生在行业认识到数据供应商的所有权可能成为竞争担忧之后。

Meta 于 2025 年对 Scale AI 的投资扰乱了训练数据市场中既有的合作关系。Scale 曾服务于多家大型模型开发商，而 Meta 与这些客户中的许多公司直接竞争。

这种组合引发了对中立性的质疑。模型实验室会严密保护其训练方法、评估重点和薄弱环节。供应商只要看到客户所请求的任务，就可能获得敏感洞见。

交易完成后，据报道 OpenAI 和 Google 开始减少与 Scale 的合作。竞争对手表示，它们突然收到了大量客户咨询。Scale 则坚称，其保护客户信息的承诺并未改变。

这场供应商中立性争议表明，训练数据并非一种商品化投入。实验室提出的问题，可能暴露其模型在哪些方面失效，以及其下一步计划构建什么。

Snorkel 可以从这一窗口获益，而不必直接取代 Scale。它可以将自身定位为一家独立合作伙伴，其激励机制不会偏向某个竞争性的前沿实验室。

然而，中立性是一项需要运营措施支撑的承诺。客户会审视访问控制、员工政策、数据保留、模型训练实践以及合同保护措施。庞大的投资者名单无法回答这些问题。

这笔融资让 Snorkel 拥有更大能力去争取被替换或新近分散化的需求。它可以招募专家、开发专用环境，并支持那些较小供应商可能难以承接的大型项目。

Scale 仍然是拥有既有客户关系和丰富运营经验的重要竞争对手。它与 Meta 的紧密关系令部分买家担忧，但也能带来资本、技术资源和一位重要的核心客户。

与此同时，市场平台型供应商也有自己的中立性论点。它们可以主张，其核心职责是招募人才，而非将专有模型应用于客户数据。这种定位可能吸引希望更严格控制方法论的实验室。

因此，Snorkel 必须建立两种信任。它既需要保护客户的机密信息，也必须证明其自动化不会降低数据质量。

随着系统自主性不断增强，第二个问题变得更难处理。AI 模型可以生成数千项看似多样、却重复相同隐藏假设的任务。它也可能生成因知晓预期答案而受到污染的评估。

当产量扩大时，人类审查者可能会遗漏这些模式。质量保证必须检验数据工厂本身，而不只是抽查其产出样本。

这一担忧对于强化学习尤为重要。设计不当的奖励机制可能教会模型满足测量指标，却无法完成预期任务。模型会在基准测试上表现更好，但在实践中仍不可靠。

Snorkel 表示，其流程将人类卓越能力与研究和技术相结合。投资者也呼应这一定位，将该公司的方法描述为研究级。上述说法解释了投资逻辑，但仍属于利益相关方的主张。

独立证据需要证明，客户获得了更好的模型、更可靠的评估，或更低的总体开发成本。营收增长证明客户正在付费，但本身并不能证明每个交付环境都能提升模型质量。

企业买家应重视这种区别。一项基准测试可能看起来严谨、产生精确分数，却依然无法代表真实工作。买家应询问任务如何生成、由谁验证，以及哪些失败案例被排除在外。

Snorkel 的融资有助于它通过更多研究和基础设施来回答这些问题，但也提高了预期。一家估值 35 亿美元的公司，必须将方法论优势转化为可重复实现的客户成果。

3.75 亿美元年化营收未能说明什么

最大的不确定性在于，Snorkel 能否在将研究密集型项目转化为可扩展业务的同时，保持质量和利润率。

年化营收数字来自 Snorkel。该公司尚未披露经审计的年度营收、毛利率、客户集中度、合同期限或经营亏损。

对于私募融资公告而言，这些缺失很常见。但它们仍限制了外界能从十八倍增长这一说法中推断出的结论。

当营收来自大型项目时，年化营收运行率可能迅速变化。如果少数前沿实验室占当前业务的重要份额，合同延迟可能会对预测产生实质影响。

客户集中度在这一市场尤其重要。只有数量有限的公司在开展前沿规模的模型项目。它们拥有技术专长、强大的采购能力，也有充分动机使用多家供应商。

Snorkel AI 的估值也假定当前需求会持续。AI 实验室正积极投入后训练和评估，但其方法仍在变化。一种新的训练技术可能改变人类创建数据、合成数据和自动验证数据之间的平衡。

合成数据是由模型生成、而非直接从人类或现实世界收集的示例。它可以迅速扩大供应，但当模型反复从机器生成材料中学习时，错误和偏见也可能不断传播。

Snorkel 的人类与智能体协作流程旨在管理这种风险。该公司表示，专家仍参与创建和监督复杂工作。尚不清楚的是，在商业规模下，每项产出究竟需要多少人工审查。

答案决定了经济效益。严格审查可以保护质量，却会限制利润率扩张；轻度审查可以提升吞吐量，却会增加出现细微缺陷的可能性。

该公司的产品与服务组合也带来另一个问题。标准化软件通常提供可预测的部署方式和更强的边际利润。定制数据集和环境可以带来高营收，但每位客户都可能需要不同的研究。

Snorkel 表示，其技术使这些定制项目具备可重复性。投资者实质上是在押注，共享生产系统的重要性将超过各个项目之间的差异。

这一命题应在领域层面接受检验。加快编码任务创建的工作流程，未必能顺利迁移到医学领域。法律解释和医疗决策同样涉及不确定性，且并不总能被简化为可执行测试。

受监管客户还提出了更多要求。他们需要溯源、访问控制、文档化审查，以及生成数据出现错误时明确的责任归属。满足这些要求可以深化客户关系，但也会增加成本。

竞争将从两个方向向该业务施压。专家市场平台可以投资建设自己的自动化能力。模型实验室也可以建立内部数据工厂，尤其是在任务会暴露战略信息的情况下。

大型客户可能会外包产能，同时保留最敏感的评估。这将使供应商获得可观营收，却较少接触最具价值的知识产权。

在这种安排下，Snorkel 仍可能建立一项重大业务。尚未解决的问题是，它会成为关键基础设施，还是仍只是碎片化供应链中的一家供应商。

当前数字支持对需求的信心，但尚未回答有关持续性、盈利能力或经独立衡量的模型改进这些更难的问题。

三个信号将检验 Snorkel AI 的数据即服务押注

下一阶段将由客户证据、运营杠杆，以及向当今前沿实验室支出之外扩张的能力来评判。

第一个信号是可独立归因的客户采用情况。Snorkel 已描述其客户类别，但公开案例研究将使其增长说法更容易评估。

最有用的证据应将交付的数据集或环境与具体结果联系起来。这可能包括更快的评估、更广泛的失败覆盖、更低的生产成本，或在客户定义任务上更好的表现。

具名部署还将阐明 Snorkel 在哪些方面胜过专家市场平台。如果客户因复杂且可重复的环境而选择它，这将强化技术驱动数据工厂的论点。

如果采用情况始终匿名，外界将较难了解客户集中度和续约行为。融资逻辑仍有合理性，但更难验证。

第二个信号是运营杠杆的证据。Snorkel 不必披露每一项财务细节，但未来披露可显示营收增长是否快于交付成本。

招聘模式可能提供早期线索。运营团队和专家协调人员的快速扩张，可能意味着劳动密集型交付；对可复用工具、评估系统和领域模型的更多投资，则更符合其既定战略。

两种模式都不必然是好或坏。服务型企业可以有价值且盈利。关键在于其成本结构是否支持赋予一家技术为中心供应商的估值。

毛利率信息将提供最清晰的检验。它会揭示支付专家和其他直接生产费用后，能保留多少营收。

第三个信号是向可验证的企业环境扩张。Snorkel 已将医疗保健、法律和软件工程列为重点领域。每个领域都为该模式提供了不同检验。

软件工程提供可执行检查，例如代码是否能编译或测试是否通过。医疗保健和法律则包含更多判断、不完整信息和制度性约束。在这些领域取得成功，将证明 Snorkel 的生产系统能够超越单一任务类型。

未能扩张并不会消除前沿实验室的需求，但会缩小该公司可覆盖的角色范围，并使其更容易受到少数大型买家的影响。

竞争对手的行为贯穿于这三个信号之中。Mercor、Handshake、Turing、Micro1 和 Scale 都可以为其劳动力网络增加软件能力。前沿实验室也可以投资内部自动化。Snorkel 没有无限的时间，将其研究积累转化为持久的运营优势。

该公司带着雄厚资本和已显现的发展势头进入这场竞赛。其 E 轮融资表明，投资者将训练数据视为 AI 技术栈中的战略层。

但更深层的结论尚未明朗。AI 开发需要的不只是规模更大的示例集合，还需要真实的环境、具有难度的任务、可靠的评分机制，以及懂得判断自动化何时失效的专家。

Snorkel AI 的融资为公司将这项工作工业化提供了资源。下一个问题是，其由智能体辅助的工厂能否稳定交付，同时又不重现它所承诺改善的劳动经济模式。

开发者和企业买家应关注产出背后的证据，而不只是数量。应询问：每项评估由谁设计、质量如何衡量，以及结果是否经受住了实际部署的检验。这些答案将决定 Snorkel 的新估值究竟标志着一家可扩展数据基础设施公司的崛起，还是仅仅是这场昂贵的专家注意力争夺战中的又一个高点。