TwelveLabs是一家构建视频理解AI模型的初创公司,它在7月1日宣布的B轮融资中筹得1亿美元。本轮由NEA与NAVER Ventures联合领投,而其投资方名单是第一个值得关注的地方,因为其中除了Index Ventures、Radical Ventures、Korea Investment Partners、Quadrille Capital和Red Bull Ventures,还包括Amazon。TwelveLabs在这一领域并非新面孔。它以能让软件搜索并描述视频内容的模型而闻名,这类技术能够在庞大的素材档案中找到某个特定物体、动作或人物出现的每一个瞬间,而这是一个真正棘手的问题,以文本为核心的AI靠自身无法解决。

这笔钱的用途比金额本身更重要。TwelveLabs将利用本轮融资超越视频理解,后者本质上就是非常出色的搜索与标注,转向它所称的面向视频的全栈代理式智能系统。其思路是把通常彼此分离的三样东西,即感知、知识与推理,融合进一个专为视频打造的单一架构。一个理解模型能告诉你某个片段里有一台叉车和一处泼洒,而一个代理式系统则应当对场景进行推理,把它与自己已经掌握的知识联系起来,并采取或推荐某项行动。公司已经开始把这一目标描述为视频超级智能,这是营销话术,但其底层的转变,即从标注视频中有什么转向对其进行推理,是一个真实而艰难的跨越。

这则公告中与Amazon相关的部分,可以说是更重大的故事。TwelveLabs将Amazon Web Services指定为其首选云服务商,并签署了一份远不止于租用服务器的多年期战略承诺。两家公司表示,它们将优化TwelveLabs的视频推理,使其在Amazon自研的AI芯片AWS Trainium上运行,而不是单纯依赖Nvidia硬件,并且TwelveLabs的新模型将率先在AWS上发布。这在两个方向上都是一个有分量的信号。对Amazon而言,支持一家视频AI专家并将其部署在Trainium上,是它努力证明自研芯片能够胜任严肃AI工作负载、并在一个自己尚未占据的模态中取得立足点的一部分。对TwelveLabs而言,与单一云的深度绑定是一场赌注,即有保障的算力与分发比保持中立更有价值。

退一步看,这笔融资契合一个更大的格局,那就是视频正在成为AI中一个独立的战场。过去几年里大多数看得见的进展都集中在文本上,以及最近在生成图像与片段方面。对视频进行大规模理解,即读懂安防摄像头、媒体公司、工厂和手机每天产出的海量素材这个远没那么光鲜的问题,一直落在后面,恰恰因为它既困难又昂贵。像这样一轮既有风险资金又有云巨头背书的融资,是在押注AI下一个有价值的层面不是又一个聊天机器人,而是能够观察物理与被记录的世界并对其进行推理的系统。这把视频理解与同一个宏大转变联系了起来,即转向代理、转向会行动而不只是会回答的AI。

需要留意的告诫也值得记在心里。1亿美元是一笔可观的资金,但与流向前沿模型实验室的数十亿相比只算适度,它标志着一个强势的专业玩家,而不是一个新的巨头。超级智能这个词应被读作雄心而非描述,因为可靠地对杂乱的真实世界视频进行推理仍是一个尚未攻克的问题,而企业买家会依据准确性与成本、而非口号来评判产品。此外还有那些伴随机器理解视频的每一次飞跃而来的老问题,关于监控、同意,以及谁有权把这些系统对准谁,随着工具越来越强,这些问题也越发紧迫。但作为一个市场信号,这轮融资已经足够清晰。一家公认的视频AI公司刚刚拿到了一大笔战备资金、一份明星支持者名单,以及一个愿意投入自研芯片的云合作伙伴,全都指向同一个理念,那就是教会AI真正理解并推理视频,即将变得比过去重要得多。