01
Amazon以战略投资者身份入局——不仅是资金，更是商业绑定。TwelveLabs的模型已通过Amazon Bedrock分发超过一年，且宣布使用AWS自研Trainium芯片训练模型。
同时获得NVIDIA和Amazon投资——TwelveLabs是韩国首个同时获得这两大AI基础设施巨头投资的AI创业公司。NVIDIA早在2024年就通过NVentures入局（Series A），反映其"先合作、再投资"的风格。
NAVER Ventures的硅谷首投——2025年NAVER Ventures成立硅谷分支后，TwelveLabs是其首个portfolio公司，且直接升格为Series B联合领投方。
02
——Jae Lee 接受《每日经济》采访时
——Jae Lee 在Series B公告中
03
┌──────────────────────────────────────────────────────────┐
│ Video Cognition System │
│ │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ Marengo │ ───▶ │ Pegasus │ │
│ │ (感知层) │ │ (推理层) │ │
│ │ │ │ │ │
│ │ 视频 → 向量 │ │ 向量 → 理解 │ │
│ │ Embedding │ │ VLM / 推理 │ │
│ └──────────────┘ └──────────────┘ │
│ │ │ │
│ ▼ ▼ │
│ ┌──────────────────────────────────────┐ │
│ │ 视频结构化记忆（持久存储） │ │
│ │ 场景边界 · 实体 · 时序片段 · 语义上下文 │ │
│ └──────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────────────────────────────┐ │
│ │ 应用层：API / Bedrock / Rodeo │ │
│ └──────────────────────────────────────┘ │
└──────────────────────────────────────────────────────────┘ 非简单的"抽帧+图片理解"，而是原生视频理解——将视频视为动态系统而非静态帧的序列
多向量embedding使语义搜索可以在子场景级别精准定位，而非只能返回整段视频
支持multilingual search，跨语言查询
v1.2以前："请对这个视频片段回答一个问题" → 问答式
v1.5："请对整个视频生成时间轴上的结构化元数据" → Schema驱动的结构化理解
视频 → {
scenes: [
{start: "00:00", end: "02:15", type: "对话", entities: ["人物A", "人物B"], mood: "紧张"},
{start: "02:15", end: "05:30", type: "动作", entities: ["人物A", "车辆"], mood: "激烈"},
...
],
summary: "...",
key_topics: ["谈判", "追车"],
confusion_flags: [{time: "03:45", reason: "画面遮挡"}],
} Video Encoder— 将视频帧编码为patch序列（spatial: 10倍patch数提升, temporal: 1.5倍帧数提升，每视频总patch量15倍增长）
Video-Language Alignment Model— 将视频表示与语言空间对齐
Language Decoder (LLM)— 接收对齐后的嵌入+用户prompt，生成文本输出
04
通过自有API和Amazon Bedrock Marketplace双渠道分发
已与Elasticsearch等生态深度集成（向量搜索场景）
定价从免费层到企业级合同
将Marengo + Pegasus的能力封装为创作者工具
自然语言驱动：用自然语言找到镜头 → 编辑 → 组合成片
定位：视频创作的"AI Agent"，而非简单的编辑工具
开发者收入年增长80%-120%
GitHub开源了评估框架（pegasus-1-eval）
05
视频生成 视频理解
┌──────────────┐ ┌──────────────┐
│ OpenAI Sora │ │ TwelveLabs │
│ Google Veo │ │ (Marengo + │
│ Runway │ │ Pegasus) │
│ Kling/Pika │ │ │
└──────────────┘ └──────────────┘
创造新视频 理解已有视频
面向创作者 面向企业/机构
消费级应用 基础设施层 存量市场更大：全球已有的海量视频资产（监控、体育、企业培训、政府档案）需要被索引和理解，这是一个即时的市场——不像生成视频还需要创造需求
竞争壁垒更高：生成视频的技术门槛在快速下降，而做"视频理解"需要从数据、架构、训练等各层面做到原生视频优先，不是"给LLM加个视觉插件"就能追赶的
错位竞争：不与OpenAI/Google正面交锋，在它们不擅长的赛道上建立护城河
06
AWS争夺AI工作负载的利器：视频embedding和推理是巨大算力消耗源
Trainium芯片需要一个"杀手级工作负载"来证明价值，TwelveLabs是完美的展示案例
通过Bedrock分发绑定企业客户，形成"用TwelveLabs → 用AWS → 用Trainium"的闭环
NAVER（韩国"Google"）旗下有LINE、Webtoon等大量视频内容资产，TwelveLabs的技术直接可用于其内容生态
韩国AI技术出海的投资窗口——TwelveLabs是其中最有美国市场渗透力的
2025年硅谷分支成立后的首个portfolio，有"开门红"的象征意义
成为所有视频数据的"可查询层"（the queryable layer of all video data）
就像Google索引了网页、Elastic索引了日志——TwelveLabs要索引全世界的视频。如果这个愿景实现，它将成为AI时代的视频基础设施，价值类似Snowflake之于数据仓库。
07
08
"视频优先"是真正的技术护城河：TwelveLabs从架构底层就不是"给LLM加视频能力"，而是"视频原生理解"。这决定了Marengo 3.0在benchmark上对Amazon Nova和Google Vertex的巨大领先（78.5% vs 61.8% vs 50.2%）。 "理解一次，多次使用"是成本结构的革命：传统LLM每次查询都要重新处理视频，TwelveLabs一次性生成结构化记忆后无限复用。在企业大规模视频处理场景中，这个成本差异是数量级的。 从基础设施到应用层的垂直整合：Marengo（感知）→ Pegasus（推理）→ Rodeo（应用），从API到SaaS的全栈覆盖，形成"卖铲子+自己挖矿"的双重变现路径。 战略性融资方阵：NVIDIA（芯片）+ Amazon（云）+ NAVER（内容生态）= 从算力底层到上层应用的完整资本同盟。 时间窗口有利：视频理解赛道的巨头尚未all-in，TwelveLabs有12-24个月的窗口期建立市场领先地位。$100M Series B给了它足够的弹药。
09
