AI-translated from English; not yet reviewed by a fluent editor.
# Snorkel 募得 3.5 億美元，投資 AI 模擬職場
> Snorkel 新一輪募資將用於打造模擬職場，讓 AI 代理程式練習使用公司的工具、規則與紀錄，並對其行動及結果評分。
By BIG CHANGE Editorial
Published: 2026-09-22T23:48:28.109Z
Updated: 2026-09-23T03:38:46.383Z
Canonical: https://bigchange.ai/blog/snorkel-ai-training-simulated-workplaces
AI-generated conceptual illustration by BIG CHANGE. Illustration of a controlled training workstation with tools and a visible boundary. It does not show a customer system or a production result.
Snorkel AI 銷售用於訓練代理程式的模擬職場。環境中包含公司紀錄、工具與規則，並會對代理程式的行動和結果評分。
9 月 22 日，Snorkel [宣布完成 3.5 億美元 E 輪融資，估值達 35 億美元](https://snorkel.ai/blog/data-2-0-and-the-research-era-of-ai-data/)。這次融資是新的，產品方向則早已確立。Snorkel 在 2025 年說明過打造環境的方法，目前的 Data Series 也列出財產與意外險核保及金融模擬。這輪融資支持的是既有業務：將專家對工作的知識轉化為訓練與評估基礎設施。
## 重大變化
- **改變了什麼：**訓練資料供應商現在可以銷售一套可運作的公司流程模擬。要成功完成工作流程，代理程式必須使用可用工具和紀錄。
- **為何重要：**建構環境的人也參與定義何謂勝任工作。政策門檻、必要核准或資料庫更新，都會成為獎勵某種行為、排除另一種行為的訊號。因此，領域判斷是訓練輸入的一部分，而不只是最後審查。
- **值得觀察：**Snorkel 表示將擴大開放基準測試補助計畫。對商用環境而言，關鍵在於其中的工具、規則與例外情況和買方實際作業有多吻合，因為模擬中的成功，是依照這個建構版本的工作來衡量。
## 模擬公司包含什麼
靜態資料集可以把問題配上預期答案。模擬環境則加入行動及其後果。代理程式選擇工具、觀察結果，再決定下一步。資料庫可能改變，模擬使用者可能補上缺漏資訊，政策也可能要求升級處理。
[Snorkel 8 月對企業環境的說明](https://snorkel.ai/blog/enterprise-environments-ai-agents/)指出評估會檢查答案、系統最終狀態、權限、核准，以及蒐集證據的過程。因此，即使代理程式宣稱已完成工作，只要底層紀錄沒有更新，仍可能判定失敗。
目前的 [企業環境產品頁](https://snorkel.ai/data-series/enterprise-environments/)列出核保與金融環境為現有產品，各自包含數千項任務及模擬使用者。這些都是訓練用素材。
同一套素材可以服務兩種相關用途：團隊可以用它以可重複的任務評估代理程式，也可以將任務與獎勵訊號放進強化學習循環，讓成功行為影響後續行動。
## 規則也是產品的一部分
Snorkel 表示，專家會訂出工作流程與成功標準，工程師則建置工具和資料。驗證器負責評分，另一個稱為 oracle 的代理程式會確認存在有效的完成路徑。
公司專屬規則要求代理程式檢查模擬環境，而不能只依賴一般產業知識。
環境設計者決定哪些例外重要、何時算完成，以及哪些替代路徑可以接受。買方和領域專家必須檢查這些設定是否符合實際工作。
## 受控測試有其界線
Snorkel 的 [2025 年技術說明](https://snorkel.ai/blog/snorkeling-in-rl-environments/)指出，其環境使用具代表性的服務與結構描述，並以合成或匿名化資料代替即時系統。這種控制方式讓團隊可以重複執行任務、檢查資料庫變更，並測試禁止的行動，而不必觸碰客戶紀錄。
結果只能證明代理程式在已編碼工作流程中的表現。Snorkel 的來源頁面說明了任務如何建置與檢查，但沒有提出獨立研究，證明商用模擬中的分數能對應到實際核保或金融作業的可靠度。是否能用於正式環境，仍取決於模擬是否準確涵蓋真實工具、資料與邊界案例。
## 這筆融資支持什麼
Snorkel 最初是一套建立標註資料集的系統。如今的產品則把專家知識包裝成模擬環境、評估器與訓練任務。這項轉變在 AI 技術堆疊中形成一種新產品：重現工作內容，並明確訂出代理程式如何才算做好。
對領域專家而言，任務定義與驗證更接近模型開發；對買方而言，規格品質也成為採購的一部分。Snorkel 宣布擴大 Open Benchmarks Grants 計畫，或許能讓更多環境建置與評分方式接受外界檢視，但融資公告尚未說明下一輪補助的內容或條款。
## Sources
- [Snorkel AI：Data 2.0 與 AI 資料研究時代](https://snorkel.ai/blog/data-2-0-and-the-research-era-of-ai-data/) — 執行長 Alex Ratner 宣布完成 3.5 億美元 E 輪融資，估值為 35 億美元，並表示 Snorkel 將擴大 Open Benchmarks Grants 計畫。該文對模型能力、遞迴改進及市場走向的廣泛主張，屬於公司觀點，並非獨立研究結論。
- [Snorkel AI：企業環境與真實工作流程中的 AI 代理程式訓練](https://snorkel.ai/blog/enterprise-environments-ai-agents/) — 說明模擬公司的組成、專家與工程團隊如何建置、如何檢查可行路徑、公司專屬規則，以及答案、狀態、安全與流程的評估方式。文中的保險案例是訓練素材，並非已記錄的正式部署。
- [Snorkel Data Series：企業環境](https://snorkel.ai/data-series/enterprise-environments/) — 目前產品頁列出財產與意外險核保及金融環境，包含數千項任務、資料庫、政策文件、領域工具與模擬使用者。由於頁面未提供足夠的方法細節，本文未採用其中的效能及實際轉移主張。
- [Snorkel AI：在強化學習環境中進行 Snorkeling](https://snorkel.ai/blog/snorkeling-in-rl-environments/) — 說明環境脈絡、行動、狀態與評估訊號；區分模擬評估和強化學習訓練場，並介紹代表性服務、結構描述、合成或匿名化資料、驗證器及專家審查。這些內容證明的是其公開說明的方法，並非正式環境中的可靠度。