言語モデルがテキストを理解するのと同じようにビデオを理解できる人工知能を構築する新興企業 Twelve Labs は、AI の次のフロンティアは言葉ではなく動きにあると賭け、シリーズ B 資金調達ラウンドで 1 億ドルを調達した。
同社は2026年7月1日にブログで資金調達を発表した。このラウンドはNEAとNAVER Venturesが主導し、AmazonのほかRadical Ventures、Korea Investment Partners、Index Ventures、Quadrille Capital、Red Bull Venturesが参加した。 AI 業界の報道 でベンチャー キャピタルがどこに流れているかをより広範に追跡するために、この契約は、AI が習得すべき次の主要なデータ タイプはビデオであるという投資家の間での確信の高まりを強調しています。
「世界は文章の中では起こらない」
共同創設者兼最高経営責任者のジェイ・リー氏は、同社の使命を厳しい言葉で表現した。 「5年前、私たちは単純な観察から始めました。世界は文字の中で起こるものではありません。それは動きの中で起こるのです」と彼は発表の中で書いている。
ブルームバーグ・ニュースとのインタビューでリー氏はこの考えをさらに拡張し、ビデオは「人間が世界について学ぶために受け取る最も類似した信号データである」と主張した。同氏はこれを現在の支配的な AI アーキテクチャと対比し、「これはまだ言語モデルである Fable 5 や Mythos などの最新のフロンティア モデルとも異なる」と指摘した。
この議論は、AI の現在の仕組みにおけるギャップに基づいています。 AI 開発の過去 10 年間で、「テキストはプログラム可能になった」とリー氏は書いていますが、ビデオはまだ同じ扱いを受けていません。同氏は、世界のビデオは「ほとんどが機械にとってのダークマター」であり、アーカイブやドローン、衛星フィードに眠っており、依然として主に「ファイル名、フォルダー、キャプション、トランスクリプト、人間の記憶を通じて」アクセスされていると述べた。
エージェントがビデオを使用できるようにする
Twelve Labs が掲げる目標は、そのギャップを埋めることです。 「私たちの目標は、ビデオのあらゆる瞬間をエージェントがアドレス指定可能、検索可能、そして利用できるようにすることです」と Lee 氏は書き、AI エージェント、つまり推論してアクションを実行できる自律システムの台頭が需要の主な原動力であると指摘しました。
言語モデルによってドキュメントが検索可能になり、コード ジェネレーターによってソフトウェアの構築が高速化される場合、ビデオ理解モデルによって、記録されたビデオのほとんど未開発の巨大なアーカイブが自動システムからアクセスできるようになる可能性があります。これは、メディア、セキュリティ、自動運転車、エンタープライズなど、ビデオ ストリーム内で何が起こっているかを理解することで意思決定が左右されるあらゆる分野に応用できます。
混雑しているが独特のカテゴリー
Twelve Labs は、AI で最も目立つ 2 つのカテゴリの間に位置するニッチな分野を占めています。一方には、テキスト プロンプトから新しいビデオを作成するツールであるビデオ ジェネレーターがあります。もう 1 つは、テキストを処理する大規模な言語モデルです。 Twelve Labs は、代わりにビデオを理解し、既存のビデオを解釈して、機械がビデオを検索し、要約し、それに基づいて動作できるようにすることに重点を置いています。
PYMNTS は、ビデオ ジェネレーターは、AI コンパニオン、会話型検索、プロンプトベースのコーディング ツールと並んで、AI を中心に形成される新世代の消費者向けソフトウェア カテゴリの一部であると指摘しました。 Twelve Labs のアプローチは、そのトレンドの供給側をターゲットにしており、ビデオをエージェントとその上に構築されるアプリケーションにとって最上級のデータ型にすることができる基礎となるモデルを構築します。
投資家がビデオ AI を支持する理由
ラウンドの支援者の名簿は、戦略的関心のあるビデオ AI コマンドを示しています。同社の AWS クラウド部門が AI インフラストラクチャの主要プロバイダーであり、ビデオおよびメディア サービスへの自社投資を考慮すると、Amazon の参加は注目に値します。韓国のインターネット大手企業の投資部門である NAVER Ventures と AI に焦点を当てた企業 Radical Ventures は、この分野に対する世界的な関心を示しています。
このラウンドはまた、投資家がテキストを超えたデータモダリティを追求するスタートアップに資金を振り向ける、2026年半ばまでのAI資金調達のより広範なパターンを反映している。テキストベースのモデルが注目と投資の大部分を吸収してきましたが、ビデオやその他の形式の豊富な実世界データは、有意義なブレークスルーと利益が見つかる可能性のある次の分野とみなされています。
資金提供によって何が可能になるか
Twelve Labsは具体的な支出計画については詳細を明らかにしていないが、1回のラウンドで1億ドルという調達規模は、コンピューティング、人材、モデル開発への多額の投資を示唆している。ビデオ理解モデルのトレーニングは、ビデオ ファイルのサイズが膨大であるため、テキスト モデルのトレーニングよりもはるかに多くの計算量が必要となり、進行コストが高くなります。
リーにとっては、その代償がそのコストに見合ったものだという賭けだ。同氏の言葉を借りれば、「現実の最も豊かな記録は、依然として現代の AI システムが使用するセマンティック層の外にほとんど存在している」のです。 Twelve Labs の新たな資金調達は、そのレイヤー内にビデオを取り込むことが、今後数年の AI の決定的な進歩の 1 つになるという賭けです。
出典: PYMNTS、ブルームバーグ ニュース、Twelve Labs 会社ブログ。
---
AI の先を行く最新の AI ニュース、分析、画期的な情報をすべて 1 か所で入手できます。
AI ニュースをもっと読む→
