Nelson Chu, zakladatel a generální ředitel ARCOS Labs – série rozhovorů

Nelson Chu, zakladatel a generální ředitel ARCOS Labs, je opakovaný podnikatel a technologický výkonný ředitel s rozsahem zkušeností v oblasti finanční infrastruktury, investic a digitálních platforem. Před založením ARCOS Labs strávil osm let jako zakladatel a generální ředitel společnosti Percent, kde vytvořil technologickou platformu určenou k modernizaci soukromých úvěrových trhů, a nyní působí jako předseda představenstva. Dříve ve své kariéře spolu‑zakládal MySupport, online platformu spojující seniory a osoby se zdravotním postižením s pečovateli, která byla později odkoupena společností RISE Services, a založil strategickou poradenskou firmu Lumenary. Také působil jako poradce a investor ve firmách jako BlockFi a Recharge Capital, přičemž svou kariéru v oblasti finančních služeb zahájil v BlackRock, Bank of America a Merrill Lynch.

ARCOS Labs, zkratka pro Applied Research in Creative Output Synthesis, vyvíjí infrastrukturu určenou k pomoci AI fungovat odpovědně, protože generativní modely stále častěji pracují s chráněnými díly, postavami a lidskými podobami. Společnost se soustředí na forenzní IP inteligenci a správu práv, s technologií zaměřenou na identifikaci a měření, jak AI reprodukuje kreativní aktiva, sledování jejich využití a podporu licenčních a vymáhacích rámců. Její vlajková platforma VN je navržena tak, aby poskytla tvůrcům, studiím, talentovým agenturám a držitelům práv větší přehled a kontrolu nad tím, jak systémy AI používají jejich duševní vlastnictví, zatímco ARCOS stojí také za Lightbar, crowdsourcovanou iniciativou pro zkoumání trénovacích modelů AI. Společnost veřejně vystoupila z utajení v srpnu 2026 s širším cílem vybudovat důvěru a infrastrukturu práv potřebnou pro soužití tvůrců a AI systémů ve velkém měřítku.

Strávili jste osm let budováním Percent kolem infrastruktury potřebné k přinesení efektivity a transparentnosti do roztříštěného trhu soukromých úvěrů. Jaké ponaučení z budování takové finanční infrastruktury nyní uplatňujete v ARCOS Labs při řešení zcela odlišného problému duševního vlastnictví a správy práv v éře generativní AI?

Hodně se to přenáší. Když jsme spouštěli Percent, soukromý úvěr byl roztříštěný a neprůhledný. Každá transakce byla popisována jinak, takže nebylo možné nic s jistotou porovnat nebo ocenit. První ponaučení je, že standardizace musí přijít před trhem. Strávili jsme roky neoslnivou infrastrukturou, která umožnila, aby byl obchod popsán a ověřen stejným způsobem pokaždé, a efektivní transakce přišly až poté. IP v éře generativní AI má stejný problém. Neexistuje standardní záznam o tom, co je aktivum a kdo jej vlastní, natož jak ho modely používají. Dokud takový záznam neexistuje, vše pod ním zůstává ad hoc, ať už jde o vymáhání nebo licencování.

Druhé ponaučení je, že důvěra se buduje na ověření. Investoři v soukromých úvěrech nikdy nepřijali slovo emitenta o výkonnosti obchodu. Chtěli data, která si mohou sami ověřit. Držitelé práv jsou dnes v téže pozici vůči AI společnostem. Ujištění o ochranných opatřeních mají velmi malou váhu. Důkaz, který lze nezávisle reprodukovat, mění celou debatu.

Třetí ponaučení se týká motivací. Jakýkoli roztříštěný trh typu slepice‑a‑vejce funguje jen tehdy, když je každá strana přesvědčena, že řešení jí prospěje. U Percent jsme sledovali pokusy řešit problém jen pro jednu stranu a nikdy to neudrželo. V oblasti IP a správy práv jsou motivace v současnosti špatně sladěny. Společnosti vyvíjející modely chtějí růst, poskytovat zákazníkům užitečné nástroje a někdy vytvářet porušující obsah jako marketingovou taktiku, přičemž posledními příklady jsou Sora a ByteDance. Držitelé práv se mezitím snaží držet krok se změnami, které ani nedokážou předvídat, a přitom zůstat relevantní v době, kdy je tvorba obsahu dramaticky snadnější. Infrastruktura, která v takovém trhu uspěje, je ta, které mohou obě strany důvěřovat, což obvykle znamená, že není samotným účastníkem transakce.

Větší příběh je také známý. Soukromý úvěr se stal mainstreamovou třídou aktiv, jakmile existovala infrastruktura pro jeho měření, a věřím, že IP je na začátku stejné transformace.

Co vás přesvědčilo, že ochrana kreativní práce před generativní AI vyžaduje novou technickou vrstvu infrastruktury, spíše než především lepší autorské právo, zásady moderace obsahu nebo vodoznakování?

V podstatě jsou modely technickým řešením, a pokud chcete chránit kreativitu před modely, je potřeba technické řešení. Autorské právo zůstává nejasné, což dokládají případy jako Cox, Anthropic a také situace v Německu s GEMA. Koncept fair use je stále otevřenou otázkou a dosud nebyl rozhodnut, soudy, jak by měly, budou trvat dlouho, než vynesou rozhodnutí. Moderace obsahu spoléhá na to, že modely budou moderovat samy sebe, což je na ně velká zátěž a téměř nemožné podle našich pozorování. Vodoznakování je slibná myšlenka, ale také závisí na tom, že si lidé sami kontrolují obsah, a lze jej snadno odstranit. Všechny tyto skutečnosti nás přiměly k závěru, že jediný skutečný způsob, jak to řešit, je udělat to sami a poskytnout technologické řešení tohoto velmi reálného a významného problému.

VN je navrženo tak, aby měřilo, jak úzce AI‑generovaný obsah připomíná chráněné postavy, kreativní díla a lidské podobnosti. Na technické úrovni, jak systém určuje, kdy výstup přechází z pouhé podobnosti na něco, co by mělo znepokojovat držitele práv?

Nakonec rozhodnutí necháváme na uživateli. Naše úloha je určit, jak statisticky podobný je výstup, zajistit, že zachytíme každou pózu a možnost, a poté jej porovnat s chráněnou postavou, kreativním dílem nebo lidskou podobností. Někteří uživatelé mají práh, pod který nemohou práci publikovat. Větší společnosti bývají přísnější, protože veškerý vytvořený obsah musí být jejich vlastní. Uživatelé‑prosumeri, kteří experimentují pro zábavu, mohou akceptovat vyšší práh a povolit více variací.

Při provádění forenzního testování pro studio, talentovou agenturu nebo podobného klienta poskytujeme analýzu expozice:

• Které modely generují obsah nejpřesněji
• Které modely jej dokážou vůbec vytvořit
• Které modely by jej mohly umístit do problematických situací

Nakonec je naší prací provést analýzu a poskytnout výsledky, ale způsob, jakým je klient použije, je zcela na něm.

Vaše testování Seedance 2.5 odhalilo mnohem silnější ochranná opatření kolem rozpoznatelných postav než u méně známého duševního vlastnictví. Co nám tato disparity říká o tom, jak AI společnosti v současnosti budují svá autorská ochranná opatření, a proč je dlouhý ocas IP obzvláště obtížné chránit?

Každá AI společnost je jiná a každá se o tento problém stará v různých mírách. Když byl na začátku roku uveden Seedance 2.0, ByteDance rychle rozpoznala problém, který si sama způsobila vzhledem k negativní reakci, a začala své ochranné mechanismy vylepšovat. Některé dobře známé, populární modely se jeví jako lhostejné, buď zvolením, nebo nedopatřením, ale respektování duševního vlastnictví nikdy nebude považováno za chybu, jen k tomu zatím nedošly.

Ochrana dlouhého ocasu je obtížná kvůli tomu, jak technologie funguje:

Kontroly na úrovni výzvy: Prozkoumat vstupní prompt na porušující obsah, což modelu umožní rozhodnout, zda pokračovat. Bohužel i při zkoumání promptu existuje mnoho způsobů, jak jej obejít. Mohou ho formulovat mírně odlišně, mohou popsat postavu bez jejího jména, mohou použít překlepy. Prompt může snadno obejít detektory a modely mohou také halucinovat výstupy, které se liší od uživatelského promptu a mohou obsahovat porušující postavu.

Kontroly analýzy výstupu: Skenovat každý výstup proti databázi známých postav. Rozpoznatelné postavy spouštějí vyšší citlivost, zatímco postavy z dlouhého ocasu mohou zůstat nepovšimnuty, protože nebyly nikdy uvedeny na DVD a databáze je neobsahuje, a tak je komplexní kontrola nevyhnutelně obtížná.

Rychlost také hraje roli. U modelů generujících obrázky je kontrola jednoho obrázku poměrně rychlá. Generování videa však vyžaduje skenování mnoha snímků, což může výrazně zpomalit výstup a ovlivnit uživatelský zážitek.

Vyvážení těchto aspektů je citlivé, ale některé modely do toho vložily úsilí a snaží se to řešit. Nakonec záleží na tom, zda je model ochoten a má zájem respektovat duševní vlastnictví.

Model může odmítnout přímý požadavek na vygenerování chráněné postavy, ale stále ji reprodukovat, když mu je poskytnut dostatečně podrobný popis. Jak by mělo testování bezpečnosti AI postupovat dál než jen sledovat míru odmítnutí promptu, aby identifikovalo tento typ nepřímé reprodukce?

To je jasný problém. Když model dokáže reprodukovat postavu z podrobného či dokonce velmi jednoduchého popisu, naznačuje to, že postava je hluboce zakotvena v trénovacích datech. To vyvolává zcela odlišnou otázku, jak byla data shromážděna, a to se právě řeší u soudů.

Testování bezpečnosti musí jít dál než jen zkoumat prompty a vyvíjet se směrem k analýze skutečných výstupů. Modely generují obrázky pomocí difúze, postupně konstruují vizuální představu výsledku. Kvůli tomuto procesu a způsobu, jakým byly trénovány, mohou neúmyslně reprodukovat chráněné postavy, a to v popředí i v pozadí, a někdy i bez výzvy. Jediný spolehlivý způsob, jak to zachytit, je testovat model přímo a měřit, co skutečně produkuje.

Detekce podobnosti nevyhnutelně vyvolává otázky o falešných pozitivních výsledcích. Jak rozlišujete mezi legitimním kreativním vlivem, náhodnou podobností a reprodukcí, která je statisticky významná natolik, že by studio nebo držitel práv měli zahájit vyšetřování?

Tato práce bude vyžadovat neustálé zdokonalování. Nejpřesnější vizuální podobnost, kterou člověk snadno rozpozná, by měla být výchozím bodem, a to je dnes nejlépe proveditelné. Jakmile se dostanete k syntetickým tvorbám nebo otázkám ohledně stylu, stává se to mnohem obtížnější dokázat i vymáhat.

Vezměme si například Supermana. Pokud by model vytvořil generického Supermana s očima Christophera Reeva, bradou Henryho Cavilla, lícními kostmi jiného herce a podobně, tyto rysy vytvoří Supermana, který je extrémně těžko zpětně analyzovat a přiřadit, odkud jednotlivé prvky pocházejí.

Dvě věci udržují falešná pozitivní výsledky pod kontrolou. První je, že se nikdy nespoléháme na jediný podobnostní číslo izolovaně. Výsledky jsou benchmarkovány tak, aby se obecná podobnost oddělila od skutečné reprodukce, a každý test je reprodukovatelný: stejné vstupy za stejných podmínek dávají stejné hodnoty. Druhá věc je, že analýza se mapuje na právní otázky, na které by držitel práv musel odpovědět. U postav a kreativních děl je otázkou podstatná podobnost. U značek a podobností jde o pravděpodobnost záměny, tedy zda by běžný divák byl zmaten a myslel si, že výstup je skutečný. Naším úkolem je poskytnout obhajitelnou, opakovatelnou hodnotu za těmito otázkami. Zda něco dosáhne úrovně vyšetřování, je vždy na rozhodnutí držitele práv.

Generativní modely se rychle vyvíjejí a po aktualizaci se mohou chovat velmi odlišně. Jak mohou držitelé práv průběžně hodnotit stovky modelů a potenciálně tisíce chráněných aktiv, aniž by proces monitorování se stal neúnosně nákladným nebo technicky neřešitelným?

Je to téměř nemožné, což je důvod, proč držitelé IP zaostávají a sotva stíhají nejnovější modely z USA a Asie.

Realisticky potřebují někoho ve svém týmu, kdo dokáže držet krok a bojovat za ně. Proto jsme začali. Viděli jsme, že tato studia potřebují technologickou společnost, která dokáže držet krok s rychlostí těchto generativních modelů, a nikdo jiný se nepřihlásil tuto roli převzít.

Druhá část odpovědi spočívá v vedení záznamů. Model se po aktualizaci může chovat velmi odlišně, takže skóre, které není svázáno s konkrétním časovým okamžikem, je bezcenné. Každý výsledek, který vytvoříme, zaznamenává, který model byl testován, kdy byl testován, proti jakému chráněnému aktivu byl testován a jaká čísla byla získána. To promění monitorování z prakticky nemožného neustálého problému na řešitelný: když model aktualizuje, provede se nový test a porovná se se záznamem místo toho, aby se vše začínalo od nuly.

Detekce řeší jen část problému. Jakmile systém zjistí, že AI model může reprodukovat chráněnou postavu nebo podobu, co by se mělo stát dál a jaké technické mechanismy by nakonec mohly umožnit tvůrcům určit, zda jejich IP může být blokována, licencována nebo použita za určitých podmínek?

Existují jak právní, tak technické aspekty. Právě rozhoduje držitel IP, jak postupovat. Může použít důkazy, které poskytujeme, jako podklad pro soudní řízení, nebo je využít při jednání s vývojáři modelů. Volba leží na nich.

Technicky by měl mít držitel práv možnost souhlasit a zapojit se do konkrétních modelů, které mohou jejich produkt nebo IP generovat. Měl by mít kontrolu nad výstupem, aby se zabránilo scénáři volného přístupu. Místo toho, aby byl nucen do restriktivních omezení, by měl mít možnost monetizovat každou generaci za předem stanovených podmínek. To odráží praktiky v jiných odvětvích, takže by to mělo fungovat i zde.

Může stejná infrastruktura používaná k detekci neoprávněného využití AI nakonec umožnit legitimní trh s licencemi, kde AI systémy programově určí, kdo vlastní aktivum, jaká oprávnění jsou k dispozici a jak má být kompenzace vrácena držiteli práv?

Pokud infrastruktura dokáže zjistit, zda AI‑generovaný výstup vypadá jako IP, měla by také vyřešit licencování. Dokáže určit, jaká IP se v generovaném výstupu nachází, kdo je držitel práv, zda by měl být uveden v kreditech, a nakonec zajistit tok kompenzace. Technologie je v zásadě stejná. Jedná se o motor věrnosti, který produkuje ověřitelné, reprodukovatelné statistické důkazy. Pokud výstup překročí práh, kdy by běžný divák mohl rozumně zaměnit výstup za skutečný, má držitel práv nárok na kompenzaci.

Jedinou podmínkou je, že ten, kdo tuto vrstvu provozuje, musí zůstat neutrální. Nemůže sám generovat obsah a nesmí se postavit na stranu v jakékoli konkrétní transakci. Jeho úkolem je poskytnout oběma stranám stejný důvěryhodný záznam a umožnit jim přímé transakce. Tato neutralita je důvod, proč by držitelé práv byli ochotni své katalogy nejprve zaregistrovat právě zde.

Jak se AI‑generované video blíží kvalitě a konzistenci potřebné pro profesionální produkci, jak si představujete budoucí vztah mezi AI společnostmi a Hollywoodem? Očekáváte, že správa práv se stane externí vrstvou ověřování kolem modelů, nebo že se nakonec bude muset integrovat přímo do samotných modelů?

Vstupujeme do zajímavého světa, kde AI společnosti učinily výrobu obsahu mnohem levnější než kdy předtím. Výsledkem bude rozmach obsahu – některý dobrý, některý špatný, některý s citem, některý bez něj. Hollywood se tradičně považoval za arbitra vkusu, vytvářející díla, která lidé milují a do nichž se zamilovávají. AI nyní nabízí nejmocnější nástroj pro tvůrce příběhů.

Na druhou část otázky myslím, že upřímná odpověď je obojí, postupně. Kontroly vymáhání se pravděpodobně časem přesunou do samotných modelů, protože jsou tam nejlevnější a nejrychlejší. Avšak referenční vrstva, tedy záznam o tom, co existuje, kdo to vlastní a za jakých podmínek to může být použito, musí zůstat nezávislá, stejně jako ověřování. Společnost vyvíjející model nemůže hodnotit vlastní výstupy a držitelé práv neodovzdají své katalogy firmě, jejímž podnikáním je generování odvozených děl. Je to podobné jako na finančních trzích,