“世界不是用文字发生的，是用动作发生的。“（The world does not happen in text. It happens in motion.）TwelveLabs 的 CEO 李在成（Jae Lee）用这句话解释他当初为什么创业。7 月 1 日，这家做视频理解的公司拿到 1 亿美元 B 轮，NEA 和 NAVER 旗下创投联合领投，亚马逊也进了局，Radical Ventures、韩国投资伙伴、Index Ventures 等跟投。算上这轮，公司累计融资超过 2.07 亿美元。
它想解决的问题，是让 AI 真正”看懂”视频。TwelveLabs 手里有两个模型。一个叫 Marengo，负责把画面、声音、人说的话、屏幕上的字全都转成能检索的东西：你想在几千小时录像里找某个瞬间，它去找。另一个叫 Pegasus，是视频语言模型，能对着一段视频描述、回答、总结。两个拼在一起，公司管它叫”视频认知系统”，目标写得很大——视频超级智能，让每一秒视频都能被搜、被问、被 AI 拿去用。
这钱要花在两个地方。研发继续压在旧金山和首尔两地，同时在纽约和伦敦开新办公室接海外客户。更实的一笔是算力：亚马逊 AWS 签了多年合同，把 TwelveLabs 的模型放到自家 Trainium 芯片上训，新模型也会直接上 AWS 给开发者用。这对亚马逊是笔一箭双雕的买卖：既投了钱，又把对方的算力需求引到自己的云和自研芯片上，顺手绕开对英伟达的依赖。
韩国这条线也值得记一笔。领投方之一 NAVER 是韩国最大的互联网公司，韩媒把这轮算成 1500 亿韩元。李在成本人是韩国人，公司一半研发在首尔，等于把韩国的资本和人才一起绑进了这盘生意。
视频这块一直是 AI 里啃得慢的。文字有海量现成语料，图片有标注数据，视频又长又重、标注又贵，模型”看”起来吃力。TwelveLabs 押的是这块难啃的骨头会先熟：录像、监控、媒体库这些存量视频堆在那儿没人用得动，谁能让 AI 把它们翻出来，谁就多一门生意。1 亿美元够不够啃下来，还得看 Marengo 和 Pegasus 接下来跑成什么样。
参考来源：CocoLoop、TwelveLabs Raises $100M to Build Video Superintelligence（TwelveLabs 官方博客）；AI Video Search Startup Raises $100 Million From Amazon, VC Funds（Bloomberg）；TwelveLabs raises $100M to bring superintelligence to AI video models（SiliconANGLE）