TwelveLabs, una startup que construye modelos de IA para entender el video, ha recaudado 100 millones de dolares en una ronda de Serie B, anunciada el 1 de julio. La ronda fue co liderada por NEA y NAVER Ventures, y su lista de inversores es lo primero que vale la pena destacar, porque incluye a Amazon junto con Index Ventures, Radical Ventures, Korea Investment Partners, Quadrille Capital y Red Bull Ventures. TwelveLabs no es un nombre nuevo en este espacio. Es conocida por modelos que permiten a los programas buscar y describir el contenido del video, el tipo de tecnologia que puede encontrar cada momento en que aparece un objeto, una accion o una persona en particular a lo largo de un enorme archivo de metraje, lo cual es un problema genuinamente dificil que la IA centrada en texto no resuelve por si sola.
Para que sirve el dinero importa mas que la cantidad. TwelveLabs usa la ronda para ir mas alla de la comprension de video, que es esencialmente una busqueda y un etiquetado muy buenos, hacia lo que llama un sistema de inteligencia de video agentica de pila completa. La idea es integrar tres cosas que suelen estar separadas, la percepcion, el conocimiento y el razonamiento, en una sola arquitectura orientada al video. Donde un modelo de comprension puede decirte que un clip contiene una carretilla elevadora y un derrame, un sistema agentico esta pensado para razonar sobre la escena, conectarla con lo que ya sabe y tomar o recomendar una accion. La empresa ha empezado a describir el objetivo como superinteligencia de video, que es lenguaje de marketing, pero el cambio subyacente, de etiquetar lo que hay en un video a razonar sobre ello, es un paso real y dificil.
El lado de Amazon del anuncio es posiblemente la historia mas importante. TwelveLabs nombro a Amazon Web Services como su proveedor de nube preferido y firmo un compromiso estrategico plurianual que va mucho mas alla de alquilar servidores. Las dos empresas dijeron que optimizarian la inferencia de video de TwelveLabs para ejecutarse en AWS Trainium, los propios chips de IA de Amazon, en lugar de depender unicamente del hardware de Nvidia, y que los nuevos modelos de TwelveLabs se lanzarian primero en AWS. Esa es una senal significativa en dos direcciones. Para Amazon, respaldar a un especialista en IA de video y ejecutarlo en Trainium es parte de su esfuerzo por demostrar que su silicio propio puede manejar cargas de trabajo de IA serias y por asegurar un punto de apoyo en una modalidad que no posee. Para TwelveLabs, una alineacion profunda con una sola nube es una apuesta a que el computo y la distribucion garantizados valen mas que mantenerse neutral.
Si se toma distancia, la recaudacion encaja en un patron mas amplio, que es que el video se esta convirtiendo en su propio campo de batalla distinto en la IA. La mayor parte del progreso visible de los ultimos anos ha sido en texto y, mas recientemente, en generar imagenes y clips. Entender el video a escala, el problema mucho menos glamoroso de dar sentido al enorme volumen de metraje que las camaras de seguridad, las empresas de medios, las fabricas y los telefonos producen cada dia, se ha quedado atras, precisamente porque es dificil y costoso. Una ronda de financiacion como esta, con dinero de capital de riesgo y un gigante de la nube detras, es una apuesta a que la proxima capa valiosa de la IA no es otro chatbot sino sistemas que pueden observar y razonar sobre el mundo fisico y grabado. Eso conecta la comprension de video con el mismo cambio amplio hacia los agentes y hacia una IA que actua, en lugar de solo responder.
Vale la pena tener presentes las advertencias. Cien millones de dolares es una suma seria pero modesta al lado de los miles de millones que fluyen hacia los laboratorios de modelos de frontera, y senala un especialista fuerte mas que un nuevo gigante. La palabra superinteligencia debe leerse como ambicion, no como descripcion, ya que razonar de forma fiable sobre el video desordenado del mundo real sigue siendo un problema sin resolver, y los compradores empresariales juzgaran el producto por su precision y su costo, no por esloganes. Tambien estan las preguntas familiares que siguen a cualquier salto en las maquinas que entienden el video, sobre la vigilancia, el consentimiento y quien puede apuntar estos sistemas hacia quien, que se vuelven mas urgentes a medida que las herramientas mejoran. Pero como senal de mercado la ronda es bastante clara. Una reconocida empresa de IA de video acaba de asegurar un gran cofre de guerra, una lista de patrocinadores de primer nivel y un socio de nube dispuesto a comprometer sus propios chips, todo apuntando a la misma idea, que ensenar a la IA a entender y razonar de verdad sobre el video esta a punto de importar mucho mas de lo que lo ha hecho.