🎬 動画をまるごと理解するAIって何？｜TwelveLabsが150億円集めた理由をやさしく解説
アイ
目次
動画を『まるごと理解する』って、地味にすごくない？
2026年7月1日、TwelveLabsっていう会社が、シリーズBで100百万ドル、日本円で約150億円を調達したって発表したの（GlobeNewswire）。
この会社、何をやってるかっていうと、「動画をまるごと理解するAI」を作ってるの。文章を理解するAIや、画像を作るAIはもうおなじみだよね。でもTwelveLabsがやってるのは、動画そのものを中身から分かるAIなんだよね。これ、聞くとシンプルだけど、実はめちゃくちゃ難しいことなの。
調達を主導したのはNEAとNAVER Venturesっていう2社で、そこにAmazonも参加してるの（SiliconANGLE）。NAVERは韓国の大きなIT企業で、Amazonはご存じ世界最大級のクラウド会社。こういう顔ぶれが動画AIにお金を出したってことは、「次に来るのは映像だ」って読んでる人が多いってことだよね。
正直に言うとね、わたし最初は「動画を理解するAI？ YouTubeの自動字幕みたいなやつでしょ？」くらいに思ってたの。音声を文字起こしするやつね。でも調べたら、そんな浅い話じゃなかった。映像に何が映ってて、いつ何が起きて、誰が出てるのかまで、まるっと把握しちゃうAIだったの。
だから今日は、「動画を理解するって具体的にどういうこと？」「なんで今これにお金が集まるの？」「で、わたしたちの生活に関係あるの？」っていうのを、順番にほぐしていくね。動画って、わたしたちが毎日いちばん触れてるメディアだからこそ、けっこう自分ごとな話だと思うの。
そう考える3つの理由
理由1：AIは今まで動画が苦手だった
まず1つ目。意外かもだけど、AIって実は動画がずっと苦手だったの。文章はスラスラ読めるし、画像もかなり分かるようになったのに、動画だけは長らく「鬼門」だったんだよね。
なんで苦手かっていうと、動画って情報量がとんでもなく多いから。1秒の映像の中に何十枚もの画像が詰まってて、しかも音もあって、時間の流れもある。文章みたいに一列に並んでるわけじゃなくて、いろんな情報が同時に押し寄せてくるの。これをAIが処理するのは、計算の面でもすごく大変なことだったんだよね。
だから今までのやり方って、けっこう雑だったの。動画をパラパラ漫画みたいに何枚かの静止画に切って、その静止画をAIに見せて、なんとなく中身を推測する。あとは音声を文字起こしして、その文章だけで判断する。つまり「動画そのもの」じゃなくて、そこから抜き出した断片だけを見てたんだよね。
でもTwelveLabsは、そこを正面から攻めてるの。報道によると、動画をスクショの文字起こしみたいに扱うんじゃなくて、映像そのものをネイティブに理解できるモデルを作ってるんだって（SiliconANGLE）。シーンの切れ目や登場人物、時間ごとの出来事まで読み取って、検索できるデータに変えるの。
世間では「AIはもう何でもできるでしょ」って空気があるよね。ChatGPTがあれだけ賢いんだから、動画くらい余裕でしょ、って。わたしもなんとなくそう思ってた。
でもわたしは、この「動画が苦手だった」って事実を知って、逆にワクワクしたの。だってそれって、AIにとって最後に残ってた大きなフロンティアの一つが、今まさに攻略されようとしてるってことだから。文章、画像ときて、次は動画。わたしたちが情報を受け取るいちばんリッチな形が、ついにAIに理解される時代が来るんだなって思うと、けっこう胸熱じゃない？
理由2：AmazonをクラウドにしたのはNVIDIA外しの流れ
2つ目は、ちょっとマニアックだけど大事な話。TwelveLabsが今回、AmazonのAWSを主要クラウドに選んだっていう部分に、実は今のAI業界の大きな流れが隠れてるの。
どういうことかっていうとね。TwelveLabsはAWSと多年契約を結んで、AmazonのAI専用チップ「Trainium」に合わせて動画処理を最適化するんだって。しかも新しいモデルはまずAWSで出す、っていう関係なの（SiliconANGLE）。ここでポイントなのが、NVIDIAじゃなくてAmazonのチップを名指しで使うって言ってること。
今、AIを動かすチップはNVIDIAがほぼ一強なの。みんなNVIDIAのGPUを取り合ってて、高いし品薄。だから大手はこぞって「自前のチップ」や「NVIDIA以外の選択肢」を探してるんだよね。AmazonのTrainiumも、まさにその「NVIDIAに頼りすぎないためのチップ」なの。
TwelveLabsがそのTrainiumに乗るってことは、動画AIという成長分野で、Amazonの自社チップが実戦投入されるってこと。これはAmazonにとっても「うちのチップ、ちゃんと使えるよ」って示す大事な実績になるし、TwelveLabsにとっても、高いNVIDIAだけに頼らずコストを抑えられるメリットがあるんだよね。
世間では「AIチップ＝NVIDIA」って図式が当たり前になってるよね。わたしもそう思ってた。株価もすごいし、もう揺るがないでしょ、って。
でもわたしは、こういう「AmazonのチップでAIを動かす」っていう具体例が増えてきてるのを見て、風向きが少しずつ変わってるのを感じるの。もちろんNVIDIAが強いのは変わらないけど、その足元で「別の選択肢」がじわじわ現実になってる。今日のニュースにはOxmiqっていう「AIチップ版ARM」を狙う会社の話もあったけど、TwelveLabsのAWS選びも、同じ「NVIDIA一強を崩したい」流れの一コマなんだよね。だからこの一件は、動画AIの話であると同時に、チップ戦争の話でもあるの。
理由3：これ、わたしたちの動画ライフにも効いてくる
3つ目は、いちばん自分ごとにしてほしい話。「企業向けの動画AIでしょ？ わたしには関係なくない？」って思うかもだけど、実はめちゃくちゃ関係あるの。
だってわたしたち、毎日ものすごい量の動画を見てるよね。YouTube、TikTok、Instagramのリール。オンライン授業の録画とか、会議の録画を見返すこともあると思う。この「動画」っていうメディアそのものが、今いちばんAIの手が入りにくい領域だったの。だからここが賢くなると、わたしたちの動画との付き合い方が変わる可能性があるんだよね。
たとえば、TwelveLabsの技術が広まると、動画の中身をピンポイントで検索できるようになるの。今って、1時間の動画から「あの場面だけ見たい」ってとき、シークバーを行ったり来たりして探すしかないよね。あれ地味にストレスじゃない？ でも映像を中身から理解するAIがあれば、「犬が出てくるシーン」「〇〇について話してる部分」みたいに、言葉で一発で飛べるようになるかもしれないの。
TwelveLabsが想定してる使い道も、セキュリティ、広告、スポーツ、自動車みたいに、映像が大量に出る分野なんだって（GlobeNewswire）。スポーツなら「この選手のゴールシーンだけ集めて」、監視カメラなら「不審な動きがあった時間だけ抜き出して」みたいなことが、人が全部見なくてもできるようになる。これって、めちゃくちゃ実用的だと思うの。
世間では「動画AI」って聞くと、動画を生成するAI、つまりSoraみたいに映像を作るほうを想像する人が多いと思う。わたしも最初そっちを思い浮かべた。派手だもんね。
でもわたしは、「作る」より「理解する」ほうが、地味だけど生活に効いてくると思うの。だって作る動画より、世の中にある膨大な既存の動画を、賢く扱えるようになることのほうが、圧倒的に多くの人の役に立つから。撮りためた映像、見きれない録画、検索できないアーカイブ。そういう「宝の持ち腐れ」になってた動画が、AIで一気に使えるようになる。だからこのニュース、遠い企業の話に見えて、じわっとわたしたちの動画ライフにつながってるんだよね。
そもそも『動画を理解する』ってどういうこと？
ここまで「動画を理解する」って何度も言ってきたけど、具体的にどういうことなのか、もうちょっとちゃんと整理しておくね。ふわっとしたイメージのままだと、すごさが伝わりにくいから。
わたしたち人間が動画を見るとき、実はいろんな情報を同時に処理してるの。誰が映ってて、どんな表情で、何をしゃべってて、背景はどこで、次に何が起きて、みたいなことを、無意識にまとめて理解してるよね。これって当たり前すぎて意識しないけど、実はすごく高度なことなの。
「動画を理解するAI」がやろうとしてるのは、まさにこれ。映像の中の人やモノを見分けて、シーンの切れ目を判断して、時間の流れの中で「何が起きてるか」を読み取る。そしてそれを、あとから検索したり質問したりできる「データ」の形に変えるの。人間なら1時間かけて見る動画を、AIがまるごと把握して、必要なところをすぐ取り出せるようにするイメージだよ。
ここで大事なのが、「文字起こしとは全然違う」ってこと。文字起こしは、あくまで音声を文章にするだけ。でも動画には、音のない情報がいっぱいあるよね。無言でうなずくとか、背景で何かが動くとか、表情が変わるとか。そういう「言葉になってない情報」まで拾えるのが、映像そのものを理解するAIの強みなの。
なんでこれが今まで難しかったかっていうと、さっきも言ったけど情報量が桁違いだから。そしてそれを処理するには、大量の計算パワーと、動画専用に鍛えたAIモデルがいるの。TwelveLabsはそこに何年もかけて取り組んできた会社で、だからこそ今回みたいな大きな投資が集まったんだよね。地道な積み重ねが、ようやく形になってきたってことだと思う。
まとめると、「動画を理解する」っていうのは、映像・音・時間の流れをまるごと把握して、あとから自由に使えるデータに変えること。文章AI、画像AIときて、いよいよ動画AIが本格的に立ち上がってきた。今回のTwelveLabsへの150億円は、その号砲みたいなニュースだったってわけ。
まとめ：次にAIが攻略するのは『映像』の世界
長くなったからまとめるね。今日のテーマは「TwelveLabsが150億円を調達したニュースを、どう受け取ればいいか」って話だったよ。
ポイントは3つ。まず、AIはずっと動画が苦手で、TwelveLabsはそこを正面から攻めてる数少ない会社だってこと。次に、AmazonのAWSとチップを選んだ裏には、NVIDIA一強を崩したいっていう業界全体の流れがあること。そして、動画を理解するAIは「作る」より地味だけど、わたしたちの動画ライフに一番効いてくる技術だってこと。
わたしがいちばん伝えたいのは、AIの進化を追うときに「次はどのメディアが攻略されるか」って視点で見ると面白いってこと。文章、画像ときて、今まさに動画が攻略されようとしてる。わたしたちが毎日いちばん触れてる映像の世界に、ついにAIの手が本格的に入るんだよね。
だから「動画理解AIの資金調達」って聞いて難しそうって流さずに、「へえ、わたしが見てる動画も、そのうちAIで検索できるようになるんだ」くらいの感覚で覚えておくと、これからのニュースがちょっと楽しくなると思うよ。AIと画像・映像のことをもっと知りたい人は、AI画像生成ツール比較 と AI会議・議事録ツール比較 を読むと、「作る」と「理解する」の両方がつかめて面白いはずだよ。これからも映像AIの動き、わたし目線で追っていくね。