试衣间起步到获得1.07亿美元融资的AI视频公司

如果你想在视频中搜索一个特定的场景，并想精确定位到那个场景，你会怎么做呢？

今天，我们来聊聊Twelve Labs，这家从小试衣间里起步，如今成为一家获得 1.07 亿美元融资的 AI 视频初创公司。他们的产品能够理解视频内容的多模态大语言模型。从精确定位视频中的特定场景，如今为英伟达（NVIDIA）、全球顶级创作者甚至专业体育行业提供解决方案。

它的创始团队如何从军营中萌生创业梦想，又如何在资金匮乏、市场质疑的困境中一路破局？如果你也在寻求关于AI、创业或人生选择的启发，这篇文章值得你读到最后。

01 创始人个人经历和心路历程

如果你试图接纳所有导师给你的建议，那么你的公司很可能会变成像内衣公司一样，完全偏离你想要打造的方向。因此，作为创始人，你需要有一个基本的自我认知和公司的核心基础，并能有勇气对导师说：“谢谢您的建议，但我们不需要。” 有这种拒绝的勇气是成长的重要部分。

大家好，我是Jae，是Twelve Labs 的联合创始人兼 CEO。Twelve Labs 是一家总部位于旧金山的 AI 研究和产品公司。我们正在为开发者和企业构建视频基础模型，帮助他们开发以视频为核心的产品。

简单来说，我们构建了庞大的 AI 模型，能够像人类一样理解视频内容，并通过 API 提供给需要强大的语义搜索、分类或摘要功能的开发者。目前，我们的搜索 API 已经被超过 20,000 名开发者积极使用，同时世界上一些顶级内容创作者、媒体娱乐公司、大型体育组织和执法机构也在采用Twelve Labs的技术。

我出生在首尔，在那里生活了大约 10 年。后来有机会搬到美国，11 岁时移居到田纳西州诺克斯维尔。在那里，我经历了小学和中学，学习了很多美国文化，并对探索新世界和扩展自己的视野产生了浓厚兴趣。

我第一次接触软件工程或编程，是因为我的叔叔在田纳西大学攻读博士学位。我看到他经常绘制分布图，这让我对他在做的事情产生了好奇。这种好奇促使我也开始尝试处理小型数据集，模仿他的工作，希望能与他讨论更多话题。他可能觉得我做的这些事情很有趣，这进一步激发了我对数据捕获和创建系统的兴趣——一个能够理解世界分布的系统。我觉得，如果能够掌握这些知识，就能获得强大的预测能力。

后来，我去了加州大学伯克利分校学习计算机科学，深入研究 AI 和软件工程。在美国生活了大约 15 年，我的生命几乎一半时间都在首尔和美国度过。

02 创立 Twelve Labs的契机

我被征召进入韩国网络司令部（Korean Cyber Command），那里汇聚了一群志同道合的人，他们在软件工程和 AI 领域拥有非凡的知识。我开玩笑地说，我是用键盘而不是步枪为国家服务的。在那里，我遇到了我们的首席架构师 SJ 和后来加入的 Aiden。我们三人一开始就发现了对 AI 的共同兴趣，开始投入大量时间阅读论文、讨论和争论，试图推动 AI 开发的前沿。

在军中，我们明确了两条出路：退伍后追求学术生涯成为教授，或创办一家属于自己的公司。回首过去，我们意识到，在军队中我们相处得如此愉快，想象如果退伍后一起创业会有多么有趣。因此，我们坚定了创业的决心。

我们花了大约一年半的时间思考 AI 的下一步前沿在哪里，以及我们如何推动这一边界。我们发现，尽管文本和图像基础模型已经取得了显著进展，但多模态视频理解仍是一个未被充分研究的领域。视频数据正在成为互联网的基础数据，开发者和企业需要超越对象检测或转录的更高级解决方案，这让我们毫不犹豫地决定专注于视频理解。

03 早期创业的艰难与坚持

Twelve Labs的模型旨在将人类语言精确映射到视频内容中发生的一切。这种映射能力带来了诸如精准搜索、分类或摘要的潜在功能。

当时，我们的创始团队仍在军中服役，退伍时间各不相同。SJ 先退伍，他周四退役后，周六就回到军营附近的一家叫 Las Vegas 的面包店，带上笔记本电脑和我们一起研究和原型开发。我们用这种方式坚持了大约一年，直到所有创始成员都退伍。

退伍后，我们借用了朋友的一间办公室开始正式工作，但这家公司在三周内破产了，我们不得不重新寻找办公室。最终，我们在一个仅有试衣间大小的空间内继续工作了六个月，直到成功筹集到第一笔种子轮资金。

尽管一路充满挑战，但我们的无知和激情让我们得以坚持并走到今天。正如人们所说，“无知是福”，在当时我们可能就是因为年轻的无知和单纯的兴奋感，才完成了那些看似不可思议的事情。

当我们首次尝试向市场介绍Twelve Labs时，很多人对“基础模型”和“视频理解”的概念感到陌生。如今，人们对基础层、工具层和应用层的概念已经熟悉，但在我们刚开始创业时，这些都是新事物。我们明白技术上这些概念是行得通的，但不确定市场是否会接受。然而，我们坚信自己正处于 AI 视频理解的突破口。

我们最初的资金非常有限，甚至几乎是“身无分文”。为了吸引市场注意力，我们参加了国际计算机视觉会议（ICCV）的视频理解竞赛。当时，公司为计算资源投入了 20 万美元，这对我们来说是巨大的压力。但这种大胆的赌注帮助我们赢得了比赛，吸引了许多潜在客户和投资人的注意。

通过赢得比赛，我们引起了 Index Ventures 和 Radical Ventures 的兴趣。这些风投机构主动与我们接洽，并最终帮助我们成功完成了种子轮融资。

04 与客户和合作伙伴的互动

在早期，我们尝试为一些客户提供产品，但发现有些客户并未真正使用我们的技术。后来我们意识到，与其强行将“不”变成“是”，不如集中精力服务那些真正有热情和创新驱动力的客户。找到适合的早期客户，尤其是行业内的创新者，是推动产品成功的关键。

我们的技术演示通常会展示视频如何被索引，以及如何像人类一样生成文本。真正的创新客户能够迅速看到技术潜力，并提出多种使用场景。而那些需要我们反复解释的客户往往并不适合。

Twelve Labs 与 Oracle Cloud 和 Nvidia 等公司建立了战略合作关系，这些合作不仅限于资金支持，还包括技术研发和产品集成等多方面的协同。通过这种深度合作，我们得以进一步推动视频多模态理解的发展。

目前，我的主要精力集中在招聘上，因为我们深知优秀团队的重要性。正是因为团队的努力，Twelve Labs 才能一路走到今天，并为未来打下坚实基础。

文章来自于“静界Talk”，作者“静界Talk”。