Nelson Chu, ARCOS Labsin perustaja ja toimitusjohtaja – Haastattelusarja

Nelson Chu, ARCOS Labsin perustaja ja toimitusjohtaja, on toistuva yrittäjä ja teknologiajohtaja, jonka tausta kattaa rahoitusinfrastruktuurin, sijoittamisen ja digitaaliset alustat. Ennen ARCOS Labsin perustamista hän vietti kahdeksan vuotta Percentin perustajana ja toimitusjohtajana, jossa hän rakensi teknologia-alustan, jonka tarkoituksena oli modernisoida yksityisiä luottomarkkinoita, ja toimii nykyään hallituksen puheenjohtajana. Aikaisemmin urallaan Chu perusti MySupportin, verkkoalustan, joka yhdistää ikääntyneitä ja vammaisia tukihenkilöihin ja jonka RISE Services myöhemmin osti, sekä perusti strategisen neuvontayrityksen Lumenaryn. Hän on toiminut myös neuvonantajana ja sijoittajana yrityksissä kuten BlockFi ja Recharge Capital, aloittaen uransa rahoituspalveluissa tehtävissä BlackRockilla, Bank of America -yhtiöllä ja Merrill Lynchillä.

ARCOS Labs, lyhenne sanoista Applied Research in Creative Output Synthesis, kehittää infrastruktuuria, jonka avulla tekoäly voi toimia vastuullisesti, kun generatiiviset mallit yhä enemmän vuorovaikuttavat tekijänoikeudella suojattujen teosten, hahmojen ja ihmisen näköisyyksien kanssa. Yritys keskittyy oikeusrekistereiden forensiseen älyyn ja oikeuksien hallintaan, ja sen teknologia pyrkii tunnistamaan ja mittaamaan, miten luovat omaisuudet toistuvat tekoälyn toimesta, jäljittämään niiden käyttöä sekä tukemaan lisensointi- ja täytäntöönpanorakenteita. Sen lippulaivatuote, VN, on suunniteltu antamaan tekijöille, studiollesi, talent-toimistoille ja oikeuksien haltijoille parempi näkyvyys ja hallinta siihen, miten tekoälyjärjestelmät käyttävät heidän immateriaalioikeuksiaan, samalla kun ARCOS on myös Lightbar‑hankkeen takana, joka on kansalaislähtöinen aloite AI‑koulutusmallien tutkimiseen. Yritys tuli julkisesti esille piilotilasta elokuussa 2026 laajemman tavoitteensa kanssa rakentaa luottamus- ja oikeusinfrastruktuuri, jota tekijät ja tekoälyjärjestelmät tarvitsevat rinnakkaiselossa mittakaavassa.

Rakensit kahdeksan vuotta Percentin ympärille infrastruktuurin, joka tarvittiin tuomaan tehokkuutta ja läpinäkyvyyttä fragmentoituneelle yksityiselle luottomarkkinalle. Mitä oppeja tästä rahoitusinfrastruktuurin rakentamisesta sovellat nyt ARCOS Labsissa, kun käsittelet hyvin erilaista immateriaalioikeuksien ja oikeuksien hallinnan ongelmaa generatiivisen tekoälyn aikakaudella?

Paljon siitä siirtyy suoraan. Kun aloimme Percentin, yksityinen luotto oli fragmentoitunut ja läpinäkymätön. Jokainen kauppa kuvattiin eri tavoin, eikä mitään voitu vertailla tai hinnoitella luottamuksella. Ensimmäinen oppi on, että standardointi on toteuduttava ennen markkinapaikkaa. Vietimme vuosia vähemmän kiiltävään “putkistoon”, joka mahdollisti kaupan kuvaamisen ja varmistamisen samalla tavalla jokaisella kerralla, ja tehokkaat transaktiot tulivat vasta sen jälkeen. Immateriaalioikeuksilla generatiivisen tekoälyn aikakaudella on sama ongelma. Ei ole olemassa yhtenäistä rekisteriä siitä, mitä omaisuus on ja kuka sen omistaa, puhumattakaan siitä, miten nämä mallit käyttävät sitä. Kun tätä rekisteriä ei ole, kaikki jatkotoimenpiteet pysyvät ad hoc -luonteisina, oli kyseessä sitten täytäntöönpano tai lisensointi.

Toinen oppi on, että luottamus perustuu vahvistukseen. Yksityisen luoton sijoittajat eivät koskaan ottaneet liikkeeseenlaskijan sanaa itsestään siitä, miten kauppa suoriutui. He halusivat dataa, jonka he itse voivat tarkistaa. Oikeuksien haltijat ovat samassa tilanteessa AI-yritysten kanssa tänä päivänä. Vakuutukset suojarakenteista kantavat hyvin vähän painoa. Todisteet, jotka voidaan itsenäisesti toistaa, muuttavat keskustelua.

Kolmas oppi koskee kannustimia. Mikä tahansa fragmentoitunut “kana ja muna” -markkina toimii vain, kun kumpikin osapuoli on vakuuttunut siitä, että ratkaisu hyödyttää heitä. Percentin kanssa havaitsimme yrityksiä ratkaista ongelma vain toiselle osapuolelle, eikä se koskaan kestänyt. Immateriaalioikeuksien ja oikeuksien hallinnan kannustimet ovat tällä hetkellä pahasti epäsynkronissa. Malliyritykset haluavat kasvaa, tarjota arvokkaita työkaluja asiakkailleen ja joskus luoda loukkaavaa sisältöä markkinointitaktiikkana, kuten Sora ja ByteDance ovat viimeaikaisia esimerkkejä. Oikeuksien haltijat puolestaan yrittävät pysyä mukana muutoksissa, joita he eivät edes osaa ennakoida, ja pysyä merkityksellisinä aikakaudella, jolloin sisällöntuotanto on tullut dramaattisesti helpommaksi. Infrastruktuuri, joka voittaa tällaisessa markkinassa, on se, johon molemmat osapuolet voivat luottaa, mikä yleensä tarkoittaa sitä, että se ei ole itse transaktion osallistuja.

Myös suurempi kaari on tuttu. Yksityinen luotto nousi valtavirran omaisuusluokaksi, kun sen mittaamiseen tarvittava infrastruktuuri oli olemassa, ja uskon, että immateriaalioikeudet ovat saman muutoksen alussa.

Mikä vakuutti sinut siitä, että luovan työn suojaaminen generatiiviselta tekoälyltä vaatii uuden teknisen infrastruktuurikerroksen, eikä ensisijaisesti parempaa tekijänoikeuslainsäädäntöä, sisällön moderointipolitiikkoja tai vesileimoja?

Perusasia on, että mallit ovat teknologinen ratkaisu, ja jos haluat suojata luovuutta malleilta, tarvitaan tekninen ratkaisu. Tekijänoikeuslainsäädäntö on edelleen epämääräistä, mikä käy ilmi tapauksista kuten Cox, Anthropic sekä siitä, mitä Saksassa tapahtuu GEMA:n kanssa. Reilun käytön käsite on yhä avoin kysymys eikä sitä ole vielä päätetty, ja tuomioistuimet, kuten niiden tulisi, vievät pitkän aikaa päätöksiinsä. Sisällön moderointi luottaa malleihin, että ne moderoivat itseään, mikä on suuri vaatimus ja lähes mahdotonta havaintojemme perusteella. Vesileima on lupaava idea, mutta se riippuu myös ihmisten itsevalvonnasta ja se voidaan helposti poistaa. Kaiken tämän valossa tiesimme, että ainoa todellinen tapa edetä on tehdä se itse ja tarjota teknologinen vastaus tähän erittäin todelliseen ja merkittävään ongelmaan.

VN on suunniteltu mittaamaan, kuinka tarkasti tekoälyn tuottama sisältö muistuttaa suojattuja hahmoja, luovia teoksia ja ihmisen näköisyyksiä. Teknisellä tasolla, miten järjestelmä määrittää, milloin tuotoksesta on tullut pelkkää samankaltaisuutta ylittävä asia, joka huolestuttaa oikeuksien haltijaa?

Lopulta päätös jätetään käyttäjän tehtäväksi. Roolimme on määrittää, kuinka tilastollisesti samankaltainen tuotos on, varmistaen, että sielemme jokaisen asennon ja mahdollisuuden, ja sitten verrata sitä suojattuun hahmoon, luovaan teokseen tai ihmisen näköisyyteen. Joillakin käyttäjillä on raja-arvo, jonka alapuolella he eivät voi julkaista teosta. Suuremmat yritykset ovat yleensä tiukempia, koska kaikki tuotettu sisältö on heidän omaansa. Prosumer‑käyttäjät, jotka kokeilevat hauskanpitoa varten, saattavat hyväksyä korkeamman raja-arvon ja sallia enemmän variaatioita.

Kun teemme forensista testausta studiolle, talent‑toimistolle tai vastaavalle asiakkaalle, tarjoamme altistusanalyysin:

• Mitä mallit tuottavat sisällön tarkimmin
• Mitä mallit pystyvät tuottamaan lainkaan
• Mitä mallit voisivat asettaa sen ongelmallisiin tilanteisiin

Lopulta tehtävämme on tehdä analyysi ja toimittaa tulokset, mutta se, miten asiakas käyttää niitä, on täysin heidän päätöksensä.

Seedance 2.5 -testauksesi havaitsi paljon vahvemmat suojatoimet tunnistettavien hahmojen ympärillä kuin vähemmän merkittävän immateriaalioikeuden kohdalla. Mitä tämä ero kertoo AI‑yritysten nykyisistä tekijänoikeussuojaustoimenpiteistä, ja miksi pitkän hännän IP:n suojaaminen on erityisen vaikeaa?

Jokainen AI‑yritys on erilainen, ja jokainen suhtautuu tähän asiaan eri tavoin. Kun Seedance 2.0 julkaistiin aiemmin tänä vuonna, ByteDance tunnisti nopeasti ongelman, jonka se oli aiheuttanut itselleen takaiskun vuoksi, ja alkoi parantaa suojauksiaan. Jotkut tunnetut, suosittuja malleja vaikuttaa olevan välinpitämättömiä, joko tahallisesti tai huolimattomuudesta, mutta immateriaalioikeuksien kunnioittamista ei koskaan pidetä virheenä, ne eivät vain ole vielä tulleet siihen johtopäätökseen.

Pitkän hännän suojaaminen on vaikeaa teknologian toiminnan vuoksi:

Prompt‑tasolliset tarkistukset: Tutki syötekehotusta mahdollisen loukkaavan sisällön varalta, jolloin malli päättää, jatketaanko. Valitettavasti jopa kehotuksen tarkastelussa on monia kiertotapoja. He voivat muotoilla sen hieman eri tavalla, kuvata hahmoa nimeämättä sitä tai käyttää kirjoitusvirheitä. Kehotukset voivat helposti ohittaa tunnistimet, ja mallit saattavat myös harhailla tuottaen tuloksia, jotka poikkeavat käyttäjän kehotuksesta ja voivat sisältää loukkaavan hahmon.

Tuotetason analyysitarkistukset: Skannaa jokainen tulos tietokantaa, jossa on tunnettuja hahmoja. Tunnistettavat hahmot laukaisevat korkeamman herkkyyden, kun taas pitkän hännän hahmot voivat jäädä huomaamatta, koska ne eivät ole DVD:ssä eikä tietokannassa ole niitä, joten kattava valvonta on väistämättä haastavaa.

Nopeudella on myös merkitystä. Kuvageneraattorimallien kohdalla yhden kuvan tarkistaminen on melko nopeaa. Videogeneraattoreissa taas täytyy skannata monia kehyksiä, mikä voi merkittävästi hidastaa tuotosta ja vaikuttaa käyttäjäkokemukseen.

Näiden huolenaiheiden tasapainottaminen on herkkä tehtävä, mutta jotkut mallit ovat panostaneet ratkaistakseen sen. Lopulta riippuu siitä, onko malli valmis ja kiinnostunut kunnioittamaan immateriaalioikeuksia.

Malli saattaa kieltäytyä suoralta pyynnöltä luoda tekijänoikeudella suojattu hahmo, mutta silti toistaa sen, kun sille annetaan riittävän yksityiskohtainen kuvaus. Miten AI‑turvallisuustestaus tulisi kehittää yksinkertaisten kehotus‑kieltäytymisprosenttien ohi tunnistaakseen tämän epäsuoran toiston?

Tämä on selvä ongelma. Kun malli pystyy toistamaan hahmon yksityiskohtaisesta tai jopa hyvin yksinkertaisesta kuvauksesta, se osoittaa, että hahmo on syvästi upotettu koulutusdataan. Tämä nostaa täysin erillisen kysymyksen siitä, miten data kerättiin, ja se on tällä hetkellä oikeudenkäyntien käsittelyssä.

Turvallisuustestauksen on mentävä kehotusten tarkastelun ohi ja kehitettävä analysoimaan itse tuotoksia. Mallit luovat kuvia diffuusion avulla, rakentamalla vähitellen näkymän lopputuloksesta. Tämän prosessin ja koulutustavan vuoksi ne voivat tahattomasti toistaa tekijänoikeudella suojattuja hahmoja etualalla tai jopa taustalla, ja joskus ilman kehotusta. Ainoa luotettava tapa napata tämä on testata malli suoraan ja mitata, mitä se todella tuottaa.

Samankaltaisuuden tunnistus nostaa väistämättä esiin kysymyksiä vääristä positiivisista tuloksista. Miten erotat laillisen luovan vaikutuksen, sattumanvaraisen samankaltaisuuden ja toiston, joka on tilastollisesti merkittävä niin, että studio tai oikeuksien haltija voi tutkia sen?

Tämä työ vaatii jatkuvaa tarkentamista. Tarkin visuaalinen yhtymä, jonka ihminen voi helposti tunnistaa, tulisi toimia lähtökohtana, ja sitä voidaan tällä hetkellä tehdä hyvin. Kun siirrytään synteettisiin luomuksiin tai tyyliin liittyviin kysymyksiin, todistaminen ja täytäntöönpano vaikeutuvat merkittävästi.

Otetaan esimerkkinä Superman. Jos malli loisi geneerisen Supermanin, jossa on Christopher Reeven silmät, Henry Cavillin leuka, toisen näyttelijän poskipäät ja niin edelleen, nämä piirteet muodostavat Supermanin, jonka käänteinen suunnittelu ja alkuperän jäljittäminen on äärimmäisen vaikeaa.

Kaksi asiaa pitävät väärät positiiviset tulokset kurissa. Ensimmäinen on, että emme koskaan luota yhteen samankaltaisuuslukuun eristyksissä. Tulokset benchmarkataan siten, että geneerinen samankaltaisuus voidaan erottaa todellisesta toistosta, ja jokainen testi on toistettavissa: samat syötteet samoissa olosuhteissa tuottavat samat numerot. Toinen on, että analyysi kartoitus vastaa oikeuksien haltijan todellisia oikeudellisia kysymyksiä. Hahmojen ja luovien teosten kohdalla kysymys on merkittävä samankaltaisuus. Brändien ja näköisyyksien kohdalla se on sekaannuksen todennäköisyys, eli onko tavallinen katsoja harhaanjohtava uskomaan, että tuotos on aito. Tehtävämme on asettaa puolustettavissa oleva, toistettava luku näiden kysymysten taakse. Onko jokin taso saavuttanut tutkimuksen tason, on aina oikeuksien haltijan päätettävissä.

Generatiiviset mallit kehittyvät nopeasti ja voivat käyttäytyä hyvin eri tavalla päivityksen jälkeen. Miten oikeuksien haltijat voivat jatkuvasti arvioida satoja malleja ja mahdollisesti tuhansia suojattuja omaisuuksia ilman, että valvontaprosessi muuttuu kohtuuttoman kalliiksi tai teknisesti hallitsemattomaksi?

Se on lähes mahdotonta, mistä syystä IP:n haltijat jäävät jälkeen eivätkä pysty pitämään tahdissa uusimpia Yhdysvalloista ja Aasiasta peräisin olevia malleja.

Realistisesti he tarvitsevat jonkun omassa joukossaan, joka pystyy pysymään vauhdissa ja taistelemaan heidän puolestaan. Siksi aloitimme. Huomasimme, että nämä studiot tarvitsevat teknologiayrityksen, joka pystyy vastaamaan näiden generatiivisten mallien nopeuteen, eikä kukaan muu ottanut sitä tehtäväkseen.

Toinen puoli vastauksesta on kirjanpito. Malli voi käyttäytyä hyvin eri tavalla päivityksen jälkeen, joten pisteeseen sidottu arvosana on arvoton. Jokainen tuottamamme tulos kirjaa, mitä mallia testattiin, milloin se testattiin, mitä suojattua omaisuutta vastaan testattiin ja mitkä olivat numerot. Tämä muuttaa valvonnan mahdottomasta aina‑päällä‑ongelmasta hallittavaksi: kun malli päivittyy, testaat uudelleen ja vertaat tallennetta sen sijaan, että aloittaisit alusta.

Havaitseminen ratkaisee vain osan ongelmasta. Kun järjestelmä tunnistaa, että AI‑malli voi toistaa suojatun hahmon tai näköisyyden, mitä pitäisi tapahtua seuraavaksi, ja mitkä tekniset mekanismit voisivat lopulta antaa tekijöille mahdollisuuden määritellä, voidaanko heidän IP:tään estää, lisensoida tai käyttää tietyin ehdoin?

Sekä oikeudellisia että teknisiä ulottuvuuksia on olemassa. Oikeudellisesti IP:n haltija päättää, miten edetä. He voivat käyttää tarjoamaamme todistusaineistoa perustus- tai oikeusjutun perusteena tai hyödyntää sitä neuvotteluissa mallinkehittäjien kanssa. Valinta on heidän käsissään.

Teknisesti oikeuksien haltijan tulisi voida suostua ja valita tietyt mallit, jotka voivat tuottaa heidän tuotettaan tai IP:tä. Heidän tulisi hallita tuotosta, estäen vapaan‑kaiken‑sallimisen tilanteen. Sen sijaan, että heitä pakotettaisiin rajoittaviin suojarajoihin, heidän tulisi voida ansaita tuloja jokaisesta generoinnista ennalta määritetyin ehdoin. Tämä heijastaa muiden alojen käytäntöjä, joten sen tulisi päteä myös täällä.

Voisiko sama infrastruktuuri, jota käytetään havaitsemaan luvaton AI‑käyttö, lopulta mahdollistaa laillisen lisensointimarkkinan, jossa AI‑järjestelmät voivat ohjelmallisesti määrittää, kuka omaisuudesta omistaa, mitä oikeuksia on saatavilla ja miten korvaus tulisi virrata takaisin oikeuksien haltijalle?

Jos infrastruktuuri pystyy selvittämään, näyttääkö AI‑luotu tuotos IP:n kaltaiselta, sen tulisi myös lopulta ratkaista lisensointi. Se voi kertoa, mikä IP on tuotoksessa, kuka oikeuksien haltija on, pitäisikö heitä antaa krediitti ja lopulta miten korvaus virtaa sen kautta. Tekniikka on pohjimmiltaan sama. Se on tarkkuusmoottori, joka tuottaa vahvistettavaa, toistettavaa tilastollista todistusaineistoa joko tavalla tai toisella. Jos tuotos ylittää raja‑arvon, jossa katsoja voisi kohtuudella sekoittaa sen aitoon, oikeuksien haltijalla on oikeus korvaukseen.

Ainoa ehto on, että sen kerroksen hallinnoija pysyy neutraalina. Sen ei saa itse tuottaa sisältöä, eikä se voi ottaa puolta yksittäisessä sopimuksessa. Sen tehtävänä on tarjota molemmille osapuolille sama luotettava rekisteri ja antaa heidän tehdä kauppaa suoraan. Tämä neutraalius on syy, miksi oikeuksien haltijat olisivat valmiita rekisteröimään kataloginsa siihen alun perin.

Kun AI‑luotu video lähestyy ammatillisen tuotannon vaatimaa laatua ja johdonmukaisuutta, millaisena näet AI‑yritysten ja Hollywoodin suhteen lopulta? Odotatko, että oikeuksien hallinta muuttuu ulkoiseksi tarkistuskerrokseksi mallien ympärille, vai joksikin, joka lopulta täytyy upottaa suoraan itseihin malleihin?

Se on mielenkiintoinen maailma, johon astumme, kun AI‑yritykset ovat tehneet sisällöntuotannon paljon edullisemmaksi kuin koskaan aiemmin. Tämän seurauksena odotamme sisällön räjähdysmäistä kasvua, osa hyvää, osa huonoa, osa maistuvaa, osa maistumatonta. Hollywood on perinteisesti nähnyt itsensä maun arvostelijana, luoden teoksia, joista ihmiset rakastavat ja joihin he rakastuvat. AI tarjoaa nyt voimakkaimman työkalun koskaan tarinankertojille.

Toisen osan osalta uskon rehelliseen vastaukseen, että molemmat tapahtuvat peräkkäin. Valvontatarkistukset siirtyvät todennäköisesti mallien sisälle ajan myötä, koska se on siellä halvin ja nopein tapa toteuttaa ne. Mutta referenssikerroksen, eli sen rekisterin, jossa on tiedot siitä, mitä on olemassa, kuka omistaa sen ja millä ehdoilla sitä voi käyttää, on pysyttävä itsenäisenä, samoin kuin tarkistus. Malliyritys ei voi olla se, joka arvioi omia tuotoksiaan, eikä oikeuksien haltijat luovuta katalogejaan yritykselle, jonka liiketoiminta on niiden johdannosten tuottaminen. Se on samanlainen kuin rahoitusmarkkinat, joissa yritykset hoitavat sisäisen compliance‑toiminnan, mutta vastaavat silti ulkopuolisille tarkastajille.

Oikeuksien hallinta tapahtuu, kun Hollywood ja AI‑yritykset tulevat yhteen päättämään, miten ne haluavat elää rinnakkain. Loppujen lopuksi heidän tavoitteensa on sama: luoda uutta sisältöä, josta ihmiset pitävät. Se täytyy vain tehdä oikealla tavalla.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla ARCOS Labs -sivustolla.