Snorkel AI 完成 3.5 亿美元 E 轮融资，年化收入 3.75 亿美元、一年涨了 18 倍，市销率却只有 9.3 倍。收入从卖工具转向卖数据成品与强化学习环境，需求随模型迭代持续更新。市场压低倍数，是在担心增长的质量，还是另有盘算。

9月22日，美国公司 Snorkel AI 宣布完成3.5亿美元的 E 轮融资，由 Insight Partners 和 S32 联合领投，投后估值35亿美元。

这家公司成立七年。17个月前它拿1亿美元 D 轮时，估值是13亿美元。这一轮接近三倍。

更扎眼的是收入。公司披露的年化收入达到3.75亿美元，相比12个月前增长了18倍。

18倍这个数字在企业软件里极其罕见。但把它和估值放在一起，会得到一个有意思的结果。

35亿除以3.75亿，市销率约为9.3倍。

在今年的 AI 融资里，这个倍数偏低。一家收入涨18倍的公司，通常能拿到比这高得多的定价。

本轮融资的两组关键数字。收入由公司披露，未经审计

所以这篇文章想问的是，市场看到了什么，让它一边接受这个增长，一边给出这样一个倍数。

01 它卖的是什么

这家公司最早以一套叫弱监督的方法出名。核心想法是，与其让人一条条标注数据，不如让专家写规则，用规则批量生成标注，再用算法处理规则之间的冲突。

那是一个工具时代的产品。公司卖软件，客户自己准备数据。

现在的业务不一样了。按公开描述，它卖的是成品，用领域专家加上自有软件做出来的训练数据集和评测数据集，以及供模型训练使用的强化学习环境。

这是一个重要的转变。从卖铲子变成了卖金子。

这个转变对商业模式的影响很大。卖工具的时候，收入取决于有多少客户愿意买软件许可，天花板是客户数乘以单价。卖成品的时候，收入取决于客户要多少数据，而数据的需求量随着模型规模和任务数量增长，几乎没有自然上限。

代价是交付方式变了。卖软件不需要为每个客户组织人力，卖成品需要。

客户构成也说明了问题。买家包括前沿模型实验室、超大规模云厂商、企业，以及美国政府机构。

02 为什么这门生意突然变大了

18倍的增长不会凭空出现。它对应的是模型训练方式的一次转变。

早几年，训练大模型的主要输入是从公开互联网抓来的文本。这批数据有两个好处，量大，而且几乎免费。

这条路现在遇到了两个问题。

一是量。高质量的公开文本是有限的，而模型的胃口在指数增长。业内关于公开数据即将被用尽的讨论已经持续了两年。

二是质。互联网文本教会了模型语言和常识，但它教不会模型做专业判断。一份合同里哪一条有风险，一张影像上哪个区域可疑，一段代码哪里会出问题，这些判断不存在于公开网页上，它们存在于做这行的人的脑子里。

为什么这门生意突然变大了。Sense AI 整理

可以换个角度理解这件事。互联网上有海量关于法律的文章，但几乎没有一份材料记录了一位资深律师在审合同时，为什么在第七条停下来、他当时在担心什么、最后做了什么取舍。写下来的是结论，没写下来的是判断过程。

而判断过程才是专业能力的核心。它从来不被写进公开文本，因为对从业者来说这是默认的，不值得写。

而现在模型被要求做的，恰恰是这类事。

于是需求就出现了。要让模型学会专业判断，就需要专业人士把判断写下来，而这件事既贵又慢，还需要组织。

这就是这家公司现在的生意。

需要补一句的是，这种需求不是一次性的。模型每迭代一次，评测集就要更新一次，否则无法判断新版本是不是真的变好。而随着模型进入越来越多的专业领域，需要覆盖的领域也在增加。这让它从一次采购变成了持续采购。

03 强化学习环境是另一块

除了数据集，它还卖强化学习环境。这一项值得单独说，因为它反映了训练方式更近的一次变化。

用人类偏好去调模型，做的是让模型学会给出人喜欢的回答。这套方法把模型变得好用，但它不保证模型把事情做对。

近两年的做法是转向可验证的目标。让模型在一个有明确对错的环境里反复尝试，做对了给正反馈。数学题、代码、有标准答案的任务，都适合这么做。

问题是，要做这件事得先有环境。一个可用的强化学习环境需要能接收模型的动作、给出状态变化、并且判断成败。为一个专业任务构造这样的环境，工作量不比准备数据集小。

现在这变成了一个可以外包的东西，而这家公司在卖它。

从生意的角度看，这一块的价值可能比数据集更高，因为它更难做，也更贴近训练流程的核心。

04 回到那个倍数

现在可以回答开头的问题了。

一家 AI 软件公司如果收入涨18倍，市场通常愿意给出二三十倍甚至更高的市销率。9.3倍这个数字说明，投资人在给这门生意打折。

折扣从哪来，有几个可能的解释。

那个估值折扣可能来自哪四处。Sense AI 的分析

第一个是人。这门生意的核心投入是领域专家的时间。医生、律师、工程师、语言学家，这些人的时间不便宜，而且不能靠加服务器来扩容。收入增长如果伴随着人数的同比增长，那么它的利润结构更接近服务公司，而不是软件公司。市场对服务公司的定价一向低得多。

可以粗略感受一下这个结构。假设一个专家的年综合成本是二十万美元，一个项目需要二十位专家做半年，那么光人力就是两百万美元。这个数字不会因为公司变大而下降，只会因为工具变好而略有改善。以上为我们为说明结构所做的假设，不代表这家公司的真实成本。

软件公司的规模效应来自同一份代码卖给一千个客户。这门生意里，每一份数据集都要重新组织一次人。

第二个是客户集中。前沿模型实验室数量有限，而它们的采购规模巨大。如果收入高度集中在少数几家手上，那么任何一家的策略变化都会直接冲击收入。这类风险在定价里会被扣掉。

第三个是需求的持续性。现在这波需求来自模型能力的一次特定转变。如果未来合成数据、自对弈或者别的方法能部分替代人类专家，这个需求的增长曲线就会改变。18倍是一个爆发，而爆发不等于长期趋势。

第四个可能最关键。它的最大客户，同时是最有能力自己做这件事的人。前沿实验室有钱、有工程能力，也有自己组织专家的经验。今天外包，是因为要抢时间。

05 爆发和趋势的区别

上面第三点值得展开。

在 AI 产业里，过去几年反复出现同一个形状。某个环节因为技术路线的变化突然变成瓶颈，围绕它的公司收入暴涨，然后路线再变一次，这个环节的重要性下降。

数据标注这个行业本身就经历过一轮。自动驾驶热的时候，图像标注需求爆发，出现了一批规模不小的公司。后来自监督学习和合成数据的进展，让这部分需求的增长明显放缓。

现在这一轮不完全一样。专家判断比画框更难被替代，因为它涉及的是知识而不是劳动。但方向上的风险是同一种。

所以这个折扣不一定是市场看低这家公司，也可能是市场在给一个周期性的可能性留余地。

06 这门生意最像的不是软件公司

要理解那个倍数，还可以换一个参照系。

如果按收入结构看，这家公司最接近的同行不在软件行业，在专业服务行业。一家咨询公司、一家律所、一家临床试验外包机构，它们的共同点是，收入增长必须伴随人员增长，而知识存在流程和人身上。

这类公司在公开市场上的市销率通常是个位数。三到五倍很常见，做得非常好的能到十倍出头。

从这个角度看，9.3倍不低，反而是把它当成一家优秀的服务公司来定价，同时给增长留了一点溢价。

按收入结构看，它最像的不是软件公司。Sense AI 的判断

那么真正的分歧点就清楚了。这家公司能不能把专家的判断变成可复用的资产，让第二份数据集比第一份便宜，第十份比第二份便宜。

如果能，它的曲线会往软件那一侧走，今天的倍数就是便宜的。如果不能，它会一直是一家规模很大、增长很快、但利润率有限的服务公司，今天的倍数就是合理的。

这件事的答案不在融资公告里，在毛利率里。而毛利率没有公布。

对于一家还没上市的公司，不公布毛利率是常态，不能据此推断什么。但这也意味着，外部现在能做的判断只到这一步。等它上市或者披露更多财务细节时，这个问题才会有答案，而那时候市场给的倍数会告诉我们结果。

07 这件事对整个行业说明了什么

把这家公司放下，它的增长曲线本身是一个信号。

如果专家数据的采购规模在一年内涨了这么多，说明前沿模型的训练已经进入了一个新阶段。不再是把更多文本喂进去，而是为具体能力定向采购材料。

由此会推出几件事。

如果这个增长是真的，行业会怎样变。Sense AI 的判断

模型之间的差距会更多来自数据而不是架构。架构在公开论文里，谁都能看到。而某一家花钱做出来的专业数据集是专有的。

训练成本的构成会改变。过去成本主要是算力，未来会有相当一部分是人。而人的成本不会因为芯片变快而下降。

还有一个不太被提起的推论。数据成为差异化来源之后，模型公司会更有动力把数据生产内化，而不是长期外购。这和芯片行业的历史类似，任何一个环节一旦被确认为关键且规模足够大，下游就会想把它收进来。

这还意味着一个能力边界。模型在某个领域的水平，上限取决于愿意为这个领域付多少钱去组织专家。那些专家稀缺或者付费意愿低的领域，模型的进步会更慢，和它本身的难度未必相关。

这是一个容易被忽略的不均衡。人们通常认为 AI 会先攻克简单的任务，再攻克复杂的。实际的顺序可能更接近于，先攻克有人愿意付钱整理数据的任务。

08 这轮融资的投资方也说明了一些东西

领投的两家里，一家是规模很大的成长期基金，一家是偏重深科技的机构。跟投名单里有几家老股东继续加码，也有一批新进来的。

这个组合有一个特点，没有战略投资人。也就是说，买它数据的那些公司，没有出现在股东名单上。

这件事可以有两种读法。

一种是这家公司在刻意保持中立。它同时服务多家互相竞争的模型实验室，任何一家入股都会让其他几家不放心。保持股权上的干净，是维持客户关系的前提。

另一种读法是，那些公司没有兴趣长期绑定，因为它们把这当成一项可以自己做的采购，而不是一个需要锁定的稀缺资源。

哪一种成立，从公开信息判断不了。但这个空白本身值得记一笔，因为在关键供应链环节上，下游入股是常见做法，比如我们此前写过的光互连公司，它的股东名单里就同时有两家最大的芯片厂商。

09 这门生意的难处

把风险列在这里。

第一是规模化。专家不是可以无限招聘的资源，而且质量参差。要在扩张的同时保证产出一致，是这类业务最难的部分。一个放射科医生和另一个放射科医生对同一张片子的判断可能不同，而这种不一致会直接变成训练数据里的噪声。怎么处理专家之间的分歧，本身就是一项需要方法的工作。

第二是利润率。前面说过，如果人力成本随收入同比增长，那么规模效应有限。公司没有披露毛利率，这是一个关键的缺失信息。

第三是客户自研。这一点在第四节说过，它是悬在头上的那件事。

第四是同行竞争。这个赛道上已经有规模更大的公司，也有新进入者。差异化要么在专家网络的质量上，要么在把专家产出变成数据的工具链上。前者容易被挖角，后者才可能形成壁垒，而后者恰好是这家公司的出身所在。它最早做的就是工具，这段积累在现在这个阶段可能比它当时预期的更值钱。

第五是这波需求的持续时间。18倍是从一个不大的基数涨上来的，下一个12个月不会再有18倍。要看的是这个增速如何收敛。

第六是定价权。当客户是几家资金充裕又极度着急的实验室时，供应商是有定价权的。当这波训练竞赛的节奏慢下来，或者客户完成了自建，议价关系会掉头。而这门生意的成本刚性很强，收入一旦放缓，利润会被人力成本迅速吃掉。

10 几个还不知道的

把没有答案的部分列清楚。

毛利率没有披露，这是判断它到底是软件公司还是服务公司的关键数字。

收入的客户构成没有公开，前几大客户占比不明。

3.75亿美元是年化收入，即按近期一段时间推算出来的全年数字，不是已经实现的全年收入。在高速增长期，这两个数字的差别会非常大，按当月推算出来的年化，通常远高于过去十二个月实际收到的钱。

18倍这个增长是公司自己披露的，没有经过审计。

员工规模和其中专家的比例没有公开。

强化学习环境这块业务占收入多少，公开材料没有区分。

资料来源：

TechCrunch 报道 Snorkel AI 估值三倍至35亿美元（2026年9月22日）原文 https://techcrunch.com/2026/09/22/snorkel-ai-triples-valuation-to-3-5b-as-demand-for-ai-training-data-booms/

Snorkel AI 官方融资公告原文 https://www.prnewswire.com/news-releases/snorkel-ai-raises-350m-to-scale-the-data-factory-for-frontier-ai-302886796.html

Implicator 关于本轮融资与估值的分析原文 https://www.implicator.ai/snorkel-ai-350m-series-e/

The AI Insider 报道本轮融资与训练数据需求原文 https://theaiinsider.tech/2026/09/23/snorkel-ai-raises-350m-series-e-at-3-5b-valuation-as-demand-for-ai-training-data-surges/

The SaaS News 关于本轮投资方构成原文 https://www.thesaasnews.com/news/snorkel-ai-raises-350m-series-e/