TwelveLabs 是一家打造理解影片之 AI 模型的新創公司，在一輪 B 輪融資中募得 1億美元，於 7 月 1 日宣布。這輪融資由 NEA 與 NAVER Ventures 共同領投，而其投資者名單是第一件值得注意的事，因為當中包含了 Amazon，以及 Index Ventures、Radical Ventures、Korea Investment Partners、Quadrille Capital 與 Red Bull Ventures。TwelveLabs 在這個領域並非陌生的名字。它以能讓軟體搜尋並描述影片內容的模型而聞名，這類技術能夠在龐大的影像檔案庫中，找出某個特定物件、動作或人物出現的每一刻，而這是一個真正困難的問題，以文字為核心的 AI 靠自己無法解決。
這筆錢要拿來做什麼，比金額本身更重要。TwelveLabs 運用這輪融資，要超越影片理解，也就是本質上非常出色的搜尋與標記，邁向它所稱的影片全端代理式智慧系統。這個構想是把通常各自獨立的三樣東西，感知、知識與推理，融合進一個以影片為目標的單一架構之中。理解模型能告訴你一段片段中有一台堆高機和一攤溢出物，而代理式系統則要對這個場景進行推理，將它連結到已知的資訊，並採取或建議一項行動。這家公司如今傾向把目標描述為影片超級智慧，這是一種行銷語言，但其背後的轉變，從標記影片中有什麼，到對它進行推理，是一步真實而困難的躍進。
這則公告中 Amazon 的部分，可以說才是更重大的故事。TwelveLabs 將 Amazon Web Services（AWS）指定為其首選雲端供應商，並簽署了一份遠遠超出租用伺服器範疇的多年期策略承諾。這兩家公司表示，他們會將 TwelveLabs 的影片推論最佳化，使其得以在 AWS Trainium，也就是 Amazon 自家的 AI 晶片上運行，而非僅仰賴 Nvidia（輝達）硬體，並且 TwelveLabs 的新模型將優先在 AWS 上推出。這在兩個方向上都是一個意味深長的訊號。對 Amazon 而言，力挺一家影片 AI 專業公司並讓它在 Trainium 上運行，是它努力證明自家晶片能勝任嚴肅 AI 工作負載，並在一個它尚未擁有的模態中站穩腳步的一環。對 TwelveLabs 而言，與單一雲端的深度綁定，是一場賭注，賭的是有保障的運算與通路，比保持中立更有價值。
退一步看，這輪募資契合一個更大的格局，那就是影片正在成為 AI 中自成一格的戰場。過去幾年最顯眼的進展多半在文字，而較近期則在生成影像與片段。大規模理解影片，這個遠沒那麼光鮮的問題，也就是要理解監視攝影機、媒體公司、工廠與手機每天產出的龐大影像量，一直落在後頭，正因為它既困難又昂貴。像這樣一輪同時有創投資金與雲端巨頭在背後撐腰的融資，是一場賭注，賭的是 AI 下一個有價值的層次，不會是另一個聊天機器人，而是能夠觀看並對實體與已錄下之世界進行推理的系統。這把影片理解連結到同一場邁向代理，以及邁向會行動而不只是回答之 AI 的廣泛轉變。
那些提醒仍值得放在眼裡。1億美元是一筆可觀的數目，但相較於流向前沿模型實驗室的數十億，只能算是不多，它所發出的訊號是一個強勢的專業公司，而非一個新的巨頭。超級智慧一詞應被理解為抱負，而非描述，因為可靠地對雜亂的真實世界影片進行推理，仍是一個尚未解決的問題，而企業買家會依產品的準確度與成本來評斷它，而不是依口號。此外還有那些伴隨任何機器理解影片之躍進而來的熟悉問題，關於監控、同意，以及誰有權把這些系統對準誰，這些問題會隨著工具愈來愈好而愈發迫切。但作為一個市場訊號，這輪融資已經夠清楚了。一家受到認可的影片 AI 公司，剛剛拿到了一筆龐大的作戰資金、一份耀眼的支持者名單，以及一個願意投入自家晶片的雲端夥伴，全都指向同一個想法，那就是教會 AI 真正理解並推理影片這件事，即將變得比過去重要得多。