斯坦福博士，做AI数据标注生意，估值235亿

这场竞争的下一站，是谁能为AI生产出更好的任务和更真实的训练环境。

文｜林夕

编｜小龙

文章来源｜创业邦（ID：ichuangyebang）

AI训练数据赛道，又诞生了一笔大额融资。

9月22日，AI数据服务商Snorkel AI宣布完成3.5亿美元E轮融资，投后估值达到35亿美元（约235亿元）。本轮由Insight Partners和S32领投，Addition、Lightspeed、Greylock、GV、Wells Fargo等机构跟投。

这距离上一轮融资仅过去17个月。

2025年5月，Snorkel完成1亿美元D轮融资，估值13亿美元。如今，公司估值已接近当时的3倍。

资本加速涌入的背后，是一条更陡峭的收入曲线。

Snorkel披露，目前公司年化收入已达到3.75亿美元。一年前，这个数字还只有约2000万美元，短短一年增长约18倍，公司预计今年实现盈利。

一家不训练大模型、不生产芯片的公司，为什么能获得如此高的增长？

从斯坦福实验室出发

先做了一套“给数据打标签”的软件

Snorkel的故事，要从斯坦福AI实验室开始。

联合创始人兼CEO Alex Ratner在斯坦福攻读计算机博士期间，研究的就是机器学习中的数据问题。当时，模型训练仍高度依赖人工标注：专家需要逐条查看数据、判断类别，再将结果交给模型学习。

Alex Ratner

Ratner想解决的是其中最耗费人力的一环：能不能让专家不再逐条标注，而是把自己的判断规则交给机器，由程序批量处理数据？

2017年，Ratner等人在斯坦福AI实验室发表Snorkel相关论文，提出“数据编程”（Data Programming）方法。专家不再直接给每条数据贴标签，而是编写规则或标注函数，再由系统利用这些规则生成大量训练标签，并处理不同规则之间的冲突。

例如，在医学影像场景中，医生可以定义哪些特征可能对应某种疾病，系统再据此处理大规模数据。专家的作用，从重复性的标注劳动转向制定判断标准。

这套方法很快从实验室走向产业。Snorkel团队的技术曾在Google、Intel、Apple、Stanford Medicine等机构得到应用。经过数年的研究和迭代，2019年，Ratner带领团队从斯坦福AI实验室分拆，正式创业。

从左至右依次为：Snorkel AI公司副总裁Vincent Sunn Chen、联合创始人Henry Kiss Ehrenberg、联合创始人兼研究主管Paroma Varma以及首席执行官兼联合创始人Alex Ratner

2020年，Snorkel推出商业产品Snorkel Flow。

早期的Snorkel，本质上是一家数据基础设施软件公司：客户提供原始数据，领域专家通过规则定义如何标注，Snorkel Flow负责将这套流程自动化。

相比传统的人工逐条标注，这种模式可以用更少的专家处理更大规模的数据，也因此成为Snorkel早期商业化的核心。

但它的边界同样清晰：客户仍然需要自己拥有数据、设计任务，并完成整个数据生产流程。

随着大模型进入高速发展期，这一模式开始显得不够。

模型训练所需要的数据，从通用文本逐渐扩展到代码、数学、法律、医疗等专业领域。尤其在后训练阶段，模型需要的不只是“标准答案”，还需要专业人士告诉它为什么一个答案是对的、另一个答案为什么不够好。

Snorkel也由此开始从数据生产工具向模型评测和专家数据延伸。

2025年5月，公司完成1亿美元D轮融资，估值达到13亿美元。同期披露的案例显示，一家大型美国银行让贷款专家参与构建AI系统，用于回答机构客户相关问题，模型准确率从25%提升至93%；AI销售公司Rox使用Snorkel生成的评测数据后，模型准确率提升了10%至12%。

这时，Snorkel已经不再只是帮助客户“处理数据”，而是在参与定义模型应该学什么，以及如何判断模型有没有学会。

2025年9月，Snorkel开始把自己的专家网络、软件系统和AI模型结合起来，直接向客户交付成品训练数据、评测数据和强化学习环境，将业务从传统的软件授权进一步推进到Data-as-a-Service。

Snorkel由此完成了从“卖工具”到“卖数据”的转身。

一年收入涨18倍

Snorkel卖的已经不是“标注”

Snorkel目前拥有数万名专业人士组成的专家网络，覆盖编程、法律、医疗等领域。专家不再承担大规模、重复性的基础数据处理，而是负责定义任务、设计场景、制定评分标准，并判断什么样的结果才算正确。

剩余的大量工作交给AI完成。

Snorkel会调用不同的专用模型和AI Agent参与数据生成、检查和质量控制。今年9月，公司披露，在编程Agent的数据生产中，单个任务最多可以调用数百个专用AI模型进行交叉检查。按照公司披露的数据，这套系统使质量控制效率提升50%以上；与单纯依赖通用大模型审核相比，准确率提升超过15个百分点。

由此形成了Snorkel目前的一套数据生产方法：专家负责定义标准，AI负责按照标准规模化执行。

过去，一名程序员可能需要花费大量时间逐个判断代码任务；现在，专家更多承担任务设计、规则制定和关键结果判断，数据生成、筛选以及大部分初步质检则由AI完成。

这改变的不只是生产效率。

当专家的判断被转化为规则、任务和评价体系之后，它就不再只能用于一次数据生产，而可以持续生成新的任务和反馈，再用于训练和优化模型。Snorkel将这一过程称为数据开发的“递归自我改进”循环：AI帮助专家提高数据生产效率，专家产生的反馈又被用于改进AI系统。

这也是公司收入快速增长的一个重要背景。

过去一年，Snorkel的年化收入从约2000万美元增长至3.75亿美元。客户购买的也不再是一支外包标注团队，而是一套能够持续生产训练数据、评测模型并支持模型迭代的数据基础设施。

目前，Snorkel的客户覆盖前沿AI实验室、大型云厂商、企业以及美国政府机构，其中编程数据是需求最集中的领域之一。

与此同时，公司正在向更复杂的数据产品延伸：强化学习环境。

这也是Agent时代对数据提出的新要求。

对于传统聊天模型，人类可以通过“问题—答案”的形式判断模型表现。但当模型开始自主执行任务，仅仅提供正确答案已经不够。

以代码Agent为例，它需要进入代码库、定位Bug、修改代码、运行测试，并根据测试结果决定下一步操作。训练这样的Agent，需要一个能够模拟真实工作流程的环境：Agent可以在其中执行操作，系统记录状态变化，并最终根据可验证的结果判断任务是否完成。

Snorkel正在提供的，正是这样的环境。例如，公司曾与保险行业专家合作搭建模拟保险承保环境：Agent获得企业资料、数据库和承保规则后，需要按照真实业务流程完成承保判断，再由系统依据专家制定的标准评估结果。

AI数据生意

正在分成几条路线

Snorkel并不是唯一一家押注AI数据的公司。过去两年，Scale AI、Mercor等公司都在快速扩大这门生意。

Scale AI最早从数据标注切入，客户把模型训练、评测等任务交给平台，再由Scale组织标注员、领域专家和软件系统完成数据生产。随着大模型进入后训练阶段，其业务已经扩展到数据采集、生成数据、RLHF、模型评测和安全测试等环节。

2025年6月，Meta以143亿美元投资Scale AI约49%的股份，使其投后估值达到约290亿美元。

Mercor更接近一个面向AI公司的专家网络：平台聚集程序员、医生、律师、研究人员等专业人士，再将他们匹配给AI公司，完成模型训练、评测和人工反馈。

Mercor创始人，从左至右：首席技术官Adarsh Hiremath、首席执行官Brendan Foody和首席运营官Surya Midha

Snorkel则将软件、专家网络和AI模型结合起来，让专家负责定义任务、设计场景和制定评价标准，再由AI承担大规模的数据生成、筛选和质量控制，最终向客户交付训练数据、评测数据和强化学习环境。

三家公司背后的商业模式也因此出现了差异：Scale AI强调规模，Mercor强调专家，Snorkel则试图把专家知识产品化。

随着AI训练从数据标注走向后训练和Agent开发，三家公司的业务边界也在逐渐重合。Scale AI从数据标注进入模型评测和RLHF，Mercor从专家网络延伸至Benchmark和强化学习环境，Snorkel则从数据生产软件走向成品数据和Agent训练环境。

这种分化在国内也正在发生，只是国内公司的路线更加分散。

一部分公司仍然在传统AI数据服务的基础上向大模型训练延伸。海天瑞声、数据堂、标贝科技等公司，已经从数据采集、标注进一步进入大模型训练数据、模型评测和高质量数据集等业务。这类公司的核心能力，仍然是把数据采集、加工、标注和交付做得更大、更快、更稳定，商业模式与早期的Scale AI更为接近。

另一部分公司则开始进入Physical AI的数据采集。

手亿通过腕带、头戴设备等硬件，把人的真实操作转化为机器人训练数据；星忆进一步向高自由度、多模态物理交互数据延伸；真觉万象则围绕可穿戴采集、力学解码和数据对齐等环节搭建Physical AI数据基础设施。

它们解决的是另一个问题，机器学习所需要的真实世界数据，究竟从哪里来？

这也让AI数据产业开始出现越来越清晰的分层：有人负责采集数据，有人负责加工和标注，有人负责把专家知识转化成训练数据，还有人开始直接设计AI训练和试错的环境。

从这个角度看，国内外AI数据公司的竞争，正在从“谁能生产更多数据”，走向谁能够控制数据生产链条中的更高价值环节。

对Snorkel而言，它真正押注的，也不再是AI公司还需要多少人来标数据，而是专家知识能否被软件和AI规模化，最终变成一种可以持续交付的数据基础设施。

如果这条路径成立，AI数据公司的生意就会从“卖人力”进一步走向“卖知识、卖数据，以及生产这些数据的系统”。

而这场竞争的下一站，可能已经不再是谁能生产更多数据，而是谁能为AI生产出更好的任务和更真实的训练环境。