InfiniMind parie que les entreprises exploiteront la vidéo non visionnée ; 5,8 M$ d'amorçage auprès d'UTEC

InfiniMind conçoit une infrastructure d'intelligence vidéo pour les entreprises : TV Pulse analyse la télévision hertzienne en temps réel pour des clients des médias et du commerce de détail, et DeepFrame transforme jusqu'à 200 heures de séquences en une base de connaissances interrogeable, avec compréhension visuelle, audio et de la parole, déployable dans un VPC ou sur site.

Les modèles vision-langage de 2024 pouvaient suivre une narration, les entreprises voudraient donc rendre la vidéo longue durée interrogeable — d'où une infrastructure no-code et déployable en privé.

Aza Kai et Hiraku Yanagita ont passé près d'une décennie ensemble chez Google Japon, Kai dans le cloud/ML/science des données et Yanagita dans les solutions de marque et de données. Chez Google, ils ont vu des clients disposer de pétaoctets de séquences de télévision et de caméras sans parvenir à répondre à des questions même élémentaires à leur sujet — l'étiquetage d'objets existait, mais personne ne pouvait suivre la narration, la causalité ou le contenu de longue durée. Kai affirme que les avancées des modèles vision-langage entre 2021 et 2023 ont changé la donne, et qu'en 2024 la demande du marché était suffisamment claire pour que les deux hommes quittent leur poste afin de fonder InfiniMind (anciennement SDio) à Tokyo, rejoignant au passage des programmes comme AWS GAIA 2025, GENIAC du METI et NVIDIA Inception.

InfiniMind a lancé son premier produit, TV Pulse, au Japon en avril 2025 : il analyse la télévision hertzienne en temps réel afin que les entreprises des médias et du commerce de détail puissent suivre l'exposition des produits, la présence de marque, le sentiment et l'impact des relations publiques. Après des pilotes avec de grands diffuseurs et agences, l'entreprise a signé des clients payants parmi les grossistes et les sociétés de médias, et DeepTech a rapporté que la plateforme avait analysé plus de 100 000 heures de contenu. En février 2026, la startup a annoncé un tour d'amorçage de 5,8 M$ mené par UTEC, avec la participation de CX2, Headline Asia, Chiba Dojo et d'un chercheur en IA lié à un scout d'a16z ; elle a indiqué qu'elle déplacerait son siège aux États-Unis tout en conservant son bureau d'ingénierie à Tokyo, recruterait davantage d'ingénieurs et livrerait son produit phare DeepFrame — intelligence vidéo longue durée sur jusqu'à 200 heures de séquences, avec compréhension de l'audio et de la parole — en bêta en mars 2026 et en version complète en avril 2026.

L'offre de vidéos non analysées existe déjà dans chaque archive et chaque flux de caméra, donc le déblocage réside dans le coût et la capacité d'analyse, non dans une nouvelle captation de données.

Le saut des modèles vision-langage entre 2021 et 2023 est ce qui a rendu rationnelle une fondation en 2024 — le même argumentaire n'aurait pas fonctionné deux ans plus tôt.

Les contraintes des entreprises — confidentialité, souveraineté des données, flux de travail no-code, requêtes de longue durée — constituent un rempart face aux API vidéo généralistes destinées aux consommateurs et aux prosumers.

Les diffuseurs et agences japonais ont constitué un banc d'essai compact où des clients exigeants pouvaient valider la technologie avant une poussée aux États-Unis.

La maîtrise des coûts par l'échantillonnage adaptatif et l'indexation hybride vise l'économie à la minute qui rend aujourd'hui l'analyse vidéo longue durée hors de portée.

La fondation doit attendre la courbe des capacités : l'IA vidéo n'a étiqueté que des objets pendant des années, aussi Kai a-t-il attendu que les modèles vision-langage puissent suivre une narration — le timing a rendu 2024 crédible aux yeux d'UTEC.

Au 2026-09-02, InfiniMind est en activité et financée en amorçage : TV Pulse compte des clients payants parmi les médias et les grossistes japonais et plus de 100 000 heures analysées, et le tour de 5,8 M$ finance le développement de DeepFrame, des recrutements et le déménagement du siège aux États-Unis. La bêta de DeepFrame était prévue pour mars 2026 et la version complète pour avril 2026 ; aucun jalon ultérieur n'a été vérifié pour cette entrée. Avec plus de 10 employés à Tokyo et des collaborateurs de l'Université de Tokyo, l'entreprise soutient que la compréhension multimodale, causale et de longue durée — et non l'étiquetage au niveau du clip — constitue la niche défendable pour les entreprises.