NAVER集团开发出能够理解视频的超大规模人工智能(AI)。其战略是在进一步提升AI服务竞争力的同时,也将其用于以“主权AI”为旗号的海外扩张。由于视频理解AI模型可能成为物理AI的核心要素,随着NAVER集团入局,相关科技企业间的竞争预计将更趋激烈。
据24日信息技术(IT)业界消息,NAVER集团近期开发出可识别并分析视频中人物、产品、场所、食物等对象的AI模型“HyperCLOVA X Video”。该模型的设计不止于识别照片,而是能在不断变化的场景中准确理解构成要素。NAVER集团方面表示:“新模型已在公司内部公开,目前处于探讨如何在服务内部应用的阶段。”
HyperCLOVA X Video可基于视频理解能力生成详细说明相关内容的文本。NAVER集团强调,它能分析人物或生物的意图,并预测后续发展。它还能找出所需场面出现在哪个时间段,也可以基于视频进行创作。
NAVER集团介绍称,其视频理解AI的性能与OpenAI的模型相当。据NAVER集团介绍,在Video-MME基准测试中,HyperCLOVA X Video取得61.4分,领先于OpenAI的GPT-4V。不过在ActivityNet-QA基准测试中得分为55.2分,略逊于GPT-4V。
NAVER集团将把HyperCLOVA X Video投入自家服务,强化平台能力。该AI模型可支持NAVER集团生态系统中创作者的活动。例如,可分析视频氛围并推荐合适的背景音乐,或生成合适的宣传文案,因此可搭载于CHZZK、Clip、博客等多种服务。它还能识别视频中的商品并连接到购买环节,因此也可用于电商。此外,还可通过闭路电视(CCTV)视频实时分析交通状况等,因此也能应用于智慧城市。
NAVER集团的目标是将HyperCLOVA X Video也用于企业间交易(B2B)和政企交易(B2G)业务。NAVER集团正在推进沙特阿拉伯的阿拉伯语大型语言模型(LLM)开发项目,并计划携手英伟达开拓东南亚市场,届时可同步构建反映各国文化特性的视频理解AI。
随着NAVER集团入局,视频理解AI市场预计将更加火热。由于这是能与现实世界互动的物理AI(如机器人)的关键技术,OpenAI、谷歌、微软均已投身视频理解AI的开发。英伟达近期发布了分析视频中物体属性的“Cosmos Reason”模型。中国DeepSeek也在今年初推出了可理解视频并生成图像的模型“Janus-Pro”。在韩国国内,初创企业Twelve Labs在该领域受到关注,其开发了视频理解AI模型“Marengo”和视频语言生成AI模型“Pegasus”。Twelve Labs凭借技术实力至今已获得1.07亿美元(约1530亿韩元)投资,英伟达与Samsung Electronics(005930)的企业创投(CVC)Samsung Next、Snowflake、Databricks、SK电讯(017670)等大型科技企业均有参与。






