Nelson Chu, ARCOS Labs के संस्थापक और सीईओ – साक्षात्कार श्रृंखला

Nelson Chu, ARCOS Labs के संस्थापक और सीईओ, एक बार-बार उद्यमी और प्रौद्योगिकी कार्यकारी हैं, जिनका पृष्ठभूमि वित्तीय बुनियादी ढाँचा, निवेश और डिजिटल प्लेटफ़ॉर्म तक फैला हुआ है। ARCOS Labs की स्थापना से पहले, उन्होंने Percent के संस्थापक और सीईओ के रूप में आठ साल बिताए, जहाँ उन्होंने निजी क्रेडिट बाजारों को आधुनिक बनाने के लिए एक तकनीकी प्लेटफ़ॉर्म बनाया, और अब बोर्ड के अध्यक्ष के रूप में कार्यरत हैं। अपने करियर की शुरुआत में, Chu ने MySupport की सह-स्थापना की, एक ऑनलाइन प्लेटफ़ॉर्म जो वरिष्ठ नागरिकों और विकलांग व्यक्तियों को समर्थन कार्यकर्ताओं से जोड़ता था, जिसे बाद में RISE Services ने अधिग्रहित किया, और रणनीतिक सलाहकार फर्म Lumenary की स्थापना की। उन्होंने BlockFi और Recharge Capital सहित कंपनियों को सलाहकार और निवेशक के रूप में भी सेवा दी, जबकि वित्तीय सेवाओं में अपने करियर की शुरुआत BlackRock, Bank of America, और Merrill Lynch में भूमिकाओं के साथ की।

ARCOS Labs, Applied Research in Creative Output Synthesis का संक्षिप्त रूप, ऐसी बुनियादी ढाँचा विकसित करता है जो AI को जिम्मेदारीपूर्वक संचालित करने में मदद करता है, क्योंकि जनरेटिव मॉडल कॉपीराइटेड कार्यों, पात्रों और मानव समानताओं के साथ बढ़ती हुई बातचीत कर रहे हैं। कंपनी फॉरेन्सिक आईपी इंटेलिजेंस और अधिकार प्रबंधन पर केंद्रित है, ऐसी तकनीक के साथ जो यह पहचानने और मापने के लिए बनाई गई है कि रचनात्मक संपत्तियों को AI द्वारा कैसे पुनरुत्पादित किया जाता है, उनके उपयोग को ट्रेस करता है, और लाइसेंसिंग व प्रवर्तन ढाँचों को समर्थन देता है। इसका प्रमुख प्लेटफ़ॉर्म, VN, निर्माताओं, स्टूडियो, टैलेंट एजेंसियों और अधिकार धारकों को यह अधिक दृश्यता और नियंत्रण प्रदान करने के लिए डिज़ाइन किया गया है कि AI सिस्टम उनके बौद्धिक संपदा का कैसे उपयोग करते हैं, जबकि ARCOS Lightbar के पीछे भी है, जो AI प्रशिक्षण मॉडलों की जाँच के लिए एक भीड़-स्रोत पहल है। कंपनी ने अगस्त 2026 में सार्वजनिक रूप से स्टीथ से बाहर आकर एक व्यापक लक्ष्य के साथ प्रस्तुत किया कि रचनाकारों और AI सिस्टमों के बड़े पैमाने पर सह-अस्तित्व के लिए आवश्यक विश्वास और अधिकार बुनियादी ढाँचा बनाया जाए।

आपने निजी क्रेडिट बाजार की टुकड़ी और अस्पष्टता को दूर करने के लिए आवश्यक बुनियादी ढाँचे के चारों ओर Percent को आठ साल तक बनाया। इस प्रकार के वित्तीय बुनियादी ढाँचे को बनाते समय आपने जो सबक सीखे, उन्हें अब आप जनरेटिव AI के युग में बौद्धिक संपदा और अधिकार प्रबंधन की पूरी अलग समस्या को सुलझाते हुए ARCOS Labs में कैसे लागू कर रहे हैं?

इनमें से बहुत कुछ लागू होता है। जब हमने Percent शुरू किया, निजी क्रेडिट टुकड़ा‑टुकड़ा और अस्पष्ट था। हर डील को अलग‑अलग तरीके से वर्णित किया जाता था, इसलिए कोई भी तुलना या मूल्य निर्धारण भरोसे के साथ नहीं किया जा सकता था। पहला सबक यह है कि मानकीकरण को बाजार से पहले आना चाहिए। हमने वर्षों तक उन बुनियादी लेकिन आकर्षक नहीं दिखने वाले प्रक्रियाओं पर काम किया जिससे हर डील को समान रूप से वर्णित और सत्यापित किया जा सके, और केवल इसके बाद ही कुशल लेन‑देन संभव हुए। जनरेटिव AI के युग में आईपी की भी वही समस्या है। यह नहीं पता कि कोई संपत्ति क्या है और उसका मालिक कौन है, न ही यह कि मॉडल इसे कैसे उपयोग कर रहे हैं। जब तक यह रिकॉर्ड मौजूद नहीं होता, नीचे की सभी प्रक्रियाएँ अनियमित ही रहती हैं, चाहे वह प्रवर्तन हो या लाइसेंसिंग।

दूसरा सबक यह है कि भरोसा सत्यापन पर आधारित होता है। निजी क्रेडिट में निवेशक कभी भी जारीकर्ता के शब्दों पर भरोसा नहीं करते थे कि डील कैसे चल रही है। वे डेटा चाहते थे जिसे वे स्वयं जांच सकें। आज AI कंपनियों के साथ अधिकार धारकों की स्थिति भी वैसी ही है। गार्डरेल्स के बारे में आश्वासन का वजन बहुत कम होता है। वह साक्ष्य जो स्वतंत्र रूप से पुनरुत्पादित किया जा सके, ही बातचीत को बदलता है।

तीसरा सबक प्रोत्साहनों के बारे में है। कोई भी टुकड़ा‑टुकड़ा, अंडा‑मुर्गी बाजार तभी काम करता है जब दोनों पक्ष इस बात को मानते हैं कि समाधान उनके लिए फायदेमंद है। Percent के साथ, हमने देखा कि समस्या को एक पक्ष के लिए हल करने के प्रयास किए गए, लेकिन वह टिक नहीं पाए। आईपी और अधिकार प्रबंधन में, प्रोत्साहन वर्तमान में बहुत ही असंतुलित हैं। मॉडल कंपनियां बढ़ना चाहती हैं, अपने ग्राहकों को मूल्यवान टूल्स प्रदान करती हैं, और कभी‑कभी विपणन रणनीति के रूप में उल्लंघनकारी सामग्री बनाती हैं, जैसे हाल के उदाहरण Sora और ByteDance। वहीं अधिकार धारक उन बदलावों के साथ तालमेल रखने की कोशिश कर रहे हैं जिन्हें वे अभी तक अनुमान भी नहीं लगा सकते, जबकि ऐसी अवधि में प्रासंगिक बने रहना जहाँ सामग्री बनाना बहुत आसान हो गया है। ऐसे बाजार में जीतने वाला बुनियादी ढाँचा वह है जिस पर दोनों पक्ष भरोसा कर सकें, जिसका आमतौर पर अर्थ है कि वह लेन‑देन में स्वयं भाग नहीं ले रहा हो।

बड़ी तस्वीर भी परिचित है। निजी क्रेडिट एक मुख्यधारा की संपत्ति वर्ग बन गया जब इसे मापने के लिए बुनियादी ढाँचा मौजूद था, और मेरा मानना है कि आईपी भी उसी परिवर्तन की शुरुआत में है।

आपको क्या बात ने यह विश्वास दिलाया कि जनरेटिव AI से रचनात्मक कार्यों की सुरक्षा के लिए केवल बेहतर कॉपीराइट कानून, कंटेंट मॉडरेशन नीतियों या वॉटरमार्किंग के बजाय एक नई तकनीकी बुनियादी ढाँचा परत की आवश्यकता है?

मूल रूप से, मॉडल स्वयं एक तकनीकी समाधान हैं और यदि आप रचनात्मकता को मॉडल्स से बचाना चाहते हैं, तो एक तकनीकी समाधान आवश्यक होगा। कॉपीराइट कानून अभी भी अस्पष्ट है, जैसा कि Cox, Anthropic जैसे मामलों और जर्मनी में GEMA की स्थिति से स्पष्ट है। फ़ेयर यूज़ की अवधारणा अभी भी अनिश्चित है और अभी तक तय नहीं हुई है, और न्यायालय, जैसा कि होना चाहिए, निर्णय लेने में बहुत समय लेंगे। कंटेंट मॉडरेशन मॉडल्स पर निर्भर करता है कि वे स्वयं को मॉडरेट करें, जो उनसे बहुत अधिक माँग है और हमारे अवलोकन के अनुसार लगभग असंभव है। वॉटरमार्किंग एक आशाजनक विचार है, लेकिन यह भी लोगों के स्वयं निगरानी पर निर्भर करता है और इसे आसानी से हटाया जा सकता है। इन सभी बातों को ध्यान में रखते हुए, हमें पता था कि इस समस्या को सुलझाने का एकमात्र वास्तविक तरीका यह है कि हम इसे स्वयं करें और इस अत्यंत वास्तविक और महत्वपूर्ण समस्या के लिए तकनीक के साथ एक समाधान प्रदान करें।

VN को इस तरह डिज़ाइन किया गया है कि वह मापे कि AI‑जनित सामग्री संरक्षित पात्रों, रचनात्मक कार्यों और मानव समानताओं से कितनी निकटता से मेल खाती है। तकनीकी स्तर पर, सिस्टम कैसे निर्धारित करता है कि कब कोई आउटपुट केवल समानता से आगे बढ़कर अधिकार धारक के लिए चिंता का कारण बन जाता है?

अंततः हम निर्णय उपयोगकर्ता पर छोड़ देते हैं। हमारा काम यह निर्धारित करना है कि आउटपुट सांख्यिकीय रूप से कितना समान है, सभी स्थितियों और संभावनाओं को कैप्चर करना, फिर उसे संरक्षित पात्र, रचनात्मक कार्य या मानव समानता से तुलना करना। कुछ उपयोगकर्ताओं की एक सीमा होती है जिसके नीचे वे कार्य प्रकाशित नहीं कर सकते। बड़े कंपनियां आमतौर पर अधिक कड़ी होती हैं क्योंकि सभी निर्मित सामग्री उनका अपना होना चाहिए। प्रोस्यूमर उपयोगकर्ता, जो मज़े के लिए प्रयोग कर रहे हैं, उच्च सीमा स्वीकार कर सकते हैं और अधिक विविधताओं की अनुमति दे सकते हैं।

जब हम किसी स्टूडियो, टैलेंट एजेंसी या समान ग्राहक के लिए फॉरेन्सिक परीक्षण करते हैं, तो हम एक्सपोज़र विश्लेषण प्रदान करते हैं:

• कौन से मॉडल सबसे सटीक रूप से सामग्री उत्पन्न करते हैं
• कौन से मॉडल इसे बिल्कुल भी बना सकते हैं
• कौन से मॉडल इसे समस्याग्रस्त स्थितियों में रख सकते हैं

अंततः, हमारा काम विश्लेषण करना और परिणाम प्रदान करना है, लेकिन क्लाइंट इसका उपयोग कैसे करता है, यह पूरी तरह उनका निर्णय है।

आपके Seedance 2.5 परीक्षण ने पहचान योग्य पात्रों के आसपास बहुत मजबूत सुरक्षा पाई, जबकि कम प्रमुख बौद्धिक संपदा के आसपास कम। यह अंतर हमें यह बताता है कि AI कंपनियां वर्तमान में अपने कॉपीराइट सुरक्षा को कैसे बना रही हैं, और लाँग‑टेल आईपी को विशेष रूप से सुरक्षित करना क्यों कठिन है?

हर AI कंपनी अलग है, और प्रत्येक इस मुद्दे को विभिन्न स्तरों पर महत्व देती है। जब इस वर्ष की शुरुआत में Seedance 2.0 जारी किया गया, तो ByteDance ने जल्दी ही उस समस्या को पहचाना जो उन्होंने खुद के लिए उत्पन्न की थी, प्रतिक्रिया को देखते हुए, और अपनी सुरक्षा को सुधारना शुरू किया। कुछ प्रसिद्ध, लोकप्रिय मॉडल उदासीन दिखते हैं, चाहे वह चयन के कारण हो या चूक के कारण, लेकिन बौद्धिक संपदा का सम्मान कभी भी गलती नहीं माना जाएगा, बस उन्होंने अभी तक वही निष्कर्ष नहीं निकाला है।

लाँग‑टेल को सुरक्षित करना कठिन है क्योंकि तकनीक इस प्रकार काम करती है:

प्रॉम्प्ट‑स्तर की जाँचें: इनपुट प्रॉम्प्ट में उल्लंघनकारी सामग्री की जाँच करें, जिससे मॉडल यह तय कर सके कि आगे बढ़ना है या नहीं। दुर्भाग्यवश, प्रॉम्प्ट की जाँच करने पर भी इसे बायपास करने के कई तरीके मौजूद होते हैं। वे इसे थोड़ा अलग शब्दों में कह सकते हैं, पात्र को नाम बताए बिना वर्णन कर सकते हैं, या टाइपो का उपयोग कर सकते हैं। प्रॉम्प्ट आसानी से डिटेक्टर को बायपास कर सकते हैं, और मॉडल कभी‑कभी उपयोगकर्ता के प्रॉम्प्ट से अलग आउटपुट उत्पन्न कर सकते हैं जिसमें उल्लंघनकारी पात्र शामिल हो सकता है।

आउटपुट‑विश्लेषण जाँचें: प्रत्येक आउटपुट को ज्ञात पात्रों के डेटाबेस के विरुद्ध स्कैन करें। पहचान योग्य पात्रों को उच्च संवेदनशीलता मिलती है, जबकि लाँग‑टेल पात्र अनदेखे रह सकते हैं क्योंकि वे सीधे DVD पर हैं और डेटाबेस में नहीं हैं, इसलिए व्यापक निगरानी अनिवार्य रूप से चुनौतीपूर्ण है।

गति भी महत्वपूर्ण है। इमेज‑जेनरेशन मॉडल के लिए एकल छवि की जाँच अपेक्षाकृत तेज़ होती है। जबकि वीडियो जेनरेशन को कई फ्रेम स्कैन करने की आवश्यकता होती है, जिससे आउटपुट में काफी धीमी गति आती है और उपयोगकर्ता अनुभव प्रभावित होता है।

इन चिंताओं का संतुलन बनाना नाज़ुक है, लेकिन कुछ मॉडल ने इसे हल करने के लिए प्रयास किया है। अंततः, यह इस बात पर निर्भर करता है कि क्या कोई मॉडल बौद्धिक संपदा का सम्मान करने के लिए इच्छुक और रुचि रखता है।

एक मॉडल सीधे अनुरोध पर कॉपीराइटेड पात्र को बनाने से इनकार कर सकता है, लेकिन पर्याप्त विस्तृत विवरण मिलने पर वह पात्र को पुनरुत्पादित कर सकता है। इस प्रकार की अप्रत्यक्ष पुनरुत्पादन को पहचानने के लिए AI सुरक्षा परीक्षण को केवल प्रॉम्प्ट इनकार दरों से आगे कैसे विकसित होना चाहिए?

यह एक स्पष्ट समस्या है। जब कोई मॉडल विस्तृत या यहाँ तक कि बहुत सरल विवरण से भी किसी पात्र को पुनरुत्पादित कर सकता है, तो यह संकेत देता है कि वह पात्र प्रशिक्षण डेटा में गहराई से एम्बेडेड है। इससे डेटा कैसे एकत्र किया गया था, इस पर एक पूरी अलग प्रश्न उठता है, और यह वर्तमान में अदालतों में चल रहा है।

सुरक्षा परीक्षण को केवल प्रॉम्प्ट की जाँच से आगे बढ़कर वास्तविक आउटपुट का विश्लेषण करना चाहिए। मॉडल डिफ्यूज़न के माध्यम से छवियां उत्पन्न करते हैं, धीरे‑धीरे परिणाम की दृष्टि बनाते हैं। इस प्रक्रिया और उनके प्रशिक्षण के कारण, वे अनजाने में कॉपीराइटेड पात्रों को अग्रभूमि या पृष्ठभूमि में पुनरुत्पादित कर सकते हैं, और कभी‑कभी बिना प्रॉम्प्ट के भी। इसे पकड़ने का एकमात्र विश्वसनीय तरीका है मॉडल को सीधे परीक्षण करना और यह मापना कि वह वास्तव में क्या उत्पन्न करता है।

समानता पहचान अनिवार्य रूप से फ़ॉल्स पॉज़िटिव्स के बारे में प्रश्न उठाती है। आप वैध रचनात्मक प्रभाव, संयोगजन्य समानता, और ऐसी पुनरुत्पादन को कैसे अलग करते हैं जो सांख्यिकीय रूप से पर्याप्त महत्वपूर्ण हो कि स्टूडियो या अधिकार धारक इसे जांचे?

इस कार्य को निरंतर परिष्करण की आवश्यकता होगी। सबसे सटीक दृश्य समानता जिसे एक मानव तुरंत पहचान सकता है, वह प्रारंभिक बिंदु होना चाहिए, और यही आज अच्छी तरह किया जा सकता है। एक बार जब आप सिंथेटिक निर्माण या शैली संबंधी प्रश्नों में प्रवेश करते हैं, तो इसे सिद्ध करना और लागू करना बहुत कठिन हो जाता है।

उदाहरण के तौर पर सुपरमैन को लें। यदि कोई मॉडल एक सामान्य सुपरमैन बनाता है जिसमें क्रिस्टोफ़र रीव की आँखें, हेनरी कैविल का ठुड्डी, किसी अन्य अभिनेता की गाल की हड्डियां आदि हों, तो ये विशेषताएँ एक ऐसा सुपरमैन बनाती हैं जिसे उल्टा इंजीनियर करना और यह पता लगाना बहुत कठिन हो जाता है कि ये विशेषताएँ कहाँ से आईं।

फ़ॉल्स पॉज़िटिव्स को नियंत्रित रखने के दो उपाय हैं। पहला यह है कि हम कभी भी एकल समानता संख्या पर अकेले भरोसा नहीं करते। परिणामों को बेंचमार्क किया जाता है ताकि सामान्य समानता को वास्तविक पुनरुत्पादन से अलग किया जा सके, और प्रत्येक परीक्षण पुनरुत्पादित हो सके: समान इनपुट समान परिस्थितियों में समान संख्याएँ उत्पन्न करते हैं। दूसरा यह है कि विश्लेषण उन कानूनी प्रश्नों से मेल खाता है जिनका उत्तर अधिकार धारक को वास्तव में देना पड़ता है। पात्रों और रचनात्मक कार्यों के लिए, प्रश्न महत्वपूर्ण समानता है। ब्रांडों और समानताओं के लिए, यह भ्रम की संभावना है, अर्थात क्या सामान्य दर्शक को यह सोचने में धोखा दिया जाएगा कि आउटपुट वास्तविक चीज़ है। हमारा काम इन प्रश्नों के पीछे एक विश्वसनीय, दोहराने योग्य संख्या रखना है। चाहे कुछ जांच के स्तर तक पहुँचे या नहीं, यह हमेशा अधिकार धारक का निर्णय होता है।

जनरेटिव मॉडल तेज़ी से बदल रहे हैं और अपडेट के बाद बहुत अलग व्यवहार कर सकते हैं। अधिकार धारक सैकड़ों मॉडल और संभवतः हजारों संरक्षित संपत्तियों का निरंतर मूल्यांकन कैसे कर सकते हैं बिना निगरानी प्रक्रिया को अत्यधिक महंगा या तकनीकी रूप से असंभव बनाए?

यह लगभग असंभव है, इसलिए आईपी धारक पीछे रह रहे हैं और अमेरिकी तथा एशियाई नवीनतम मॉडलों के साथ मुश्किल से ही तालमेल बना पा रहे हैं।

वास्तविक रूप से, उन्हें अपने पक्ष में कोई ऐसा व्यक्ति चाहिए जो गति बनाए रख सके और उनके behalf में लड़ सके। यही कारण है कि हमने शुरुआत की। हमने देखा कि इन स्टूडियो को एक तकनीकी कंपनी की आवश्यकता है जो इन जेनरेशन मॉडल्स की गति से मेल खा सके, और कोई और इस काम को उठाने के लिए आगे नहीं आया।

उत्तर का दूसरा भाग रिकॉर्ड‑कीपिंग है। एक मॉडल अपडेट के बाद बहुत अलग व्यवहार कर सकता है, इसलिए एक स्कोर जो समय बिंदु से जुड़ा नहीं है, बेकार है। हम जो भी परिणाम उत्पन्न करते हैं, वह रिकॉर्ड करता है कि कौन सा मॉडल परीक्षण किया गया, कब परीक्षण किया गया, किस संरक्षित संपत्ति के विरुद्ध परीक्षण किया गया, और संख्याएँ क्या थीं। यह निगरानी को एक असंभव हमेशा‑ऑन समस्या से एक प्रबंधनीय समस्या में बदल देता है: जब मॉडल अपडेट होता है, तो आप फिर से परीक्षण करते हैं और रिकॉर्ड के विरुद्ध तुलना करते हैं, न कि शून्य से शुरू करते हैं।

पता लगाना समस्या का केवल एक हिस्सा हल करता है। जब कोई सिस्टम पहचान लेता है कि AI मॉडल एक संरक्षित पात्र या समानता को पुनरुत्पादित कर सकता है, तो अगला कदम क्या होना चाहिए, और कौन से तकनीकी तंत्र अंततः निर्माताओं को यह निर्दिष्ट करने की अनुमति दे सकते हैं कि उनका आईपी ब्लॉक किया जाए, लाइसेंस किया जाए, या विशेष शर्तों के तहत उपयोग किया जाए?

यहां कानूनी और तकनीकी दोनों पहलू हैं। कानूनी रूप से, आईपी धारक तय करता है कि आगे कैसे बढ़ना है। वे हमारे द्वारा प्रदान किए गए साक्ष्य को मुकदमे के आधार के रूप में उपयोग कर सकते हैं, या मॉडल डेवलपर्स के साथ बातचीत में इसका लाभ उठा सकते हैं। चयन उनका अपना है।

तकनीकी रूप से, अधिकार धारक को यह सक्षम होना चाहिए कि वे उन विशिष्ट मॉडलों के लिए सहमति दें और उनमें शामिल हों जो उनका उत्पाद या आईपी उत्पन्न कर सकते हैं। उन्हें आउटपुट को नियंत्रित करना चाहिए, ताकि मुक्त‑सर्वे स्थिति न बने। प्रतिबंधात्मक गार्डरेल्स में मजबूर होने के बजाय, उन्हें पूर्वनिर्धारित शर्तों पर प्रत्येक जनरेशन को मोनेटाइज़ करने की क्षमता होनी चाहिए। यह अन्य उद्योगों की प्रथाओं को प्रतिबिंबित करता है, इसलिए यह यहाँ भी लागू होना चाहिए।

क्या वही बुनियादी ढाँचा जो अनधिकृत AI उपयोग का पता लगाता है, अंततः एक वैध लाइसेंसिंग मार्केटप्लेस को सक्षम कर सकता है, जहाँ AI सिस्टम प्रोग्रामेटिक रूप से निर्धारित कर सकें कि किसी संपत्ति का मालिक कौन है, कौन सी अनुमतियाँ उपलब्ध हैं, और मुआवजा अधिकार धारक को कैसे वापस पहुँचना चाहिए?

यदि बुनियादी ढांचा यह निर्धारित कर सके कि AI‑जनित आउटपुट किसी आईपी जैसा दिखता है, तो इसे लाइसेंसिंग को भी अंततः सुलझाना चाहिए। यह बता सकता है कि उत्पन्न आउटपुट में कौन सा आईपी है, अधिकार धारक कौन है, क्या उन्हें उसका श्रेय देना चाहिए, और अंततः मुआवजा उसके माध्यम से प्रवाहित हो। तकनीक मूलतः समान है। यह एक फ़िडेलिटी इंजन है जो एक दिशा या दूसरी दिशा में सत्यापनीय, पुनरुत्पादित सांख्यिकीय साक्ष्य उत्पन्न करता है। यदि कोई आउटपुट उस सीमा को पार कर जाता है जहाँ दर्शक इसे वास्तविक चीज़ समझ ले, तो अधिकार धारक को मुआवजा मिलने का अधिकार है।

एकमात्र शर्त यह है कि जो भी इस परत को चलाता है, उसे निरपेक्ष रहना होगा। वह स्वयं सामग्री उत्पन्न नहीं कर सकता, और किसी व्यक्तिगत सौदे में पक्ष नहीं ले सकता। उसका काम दोनों पक्षों को समान भरोसेमंद रिकॉर्ड देना और उन्हें सीधे लेन‑देन करने देना है। यही निरपेक्षता वह कारण है कि अधिकार धारक पहले ही अपने कैटलॉग को उसके साथ रजिस्टर करने को तैयार होंगे।

जैसे AI‑जनित वीडियो पेशेवर उत्पादन के लिए आवश्यक गुणवत्ता और स्थिरता के करीब पहुंच रहा है, आप क्या सोचते हैं कि AI कंपनियों और हॉलीवुड के बीच का संबंध अंततः कैसा होगा? क्या आप अपेक्षा करते हैं कि अधिकार प्रबंधन मॉडल्स के चारों ओर एक बाहरी सत्यापन परत बन जाएगा, या अंततः इसे सीधे मॉडल्स में एम्बेड किया जाना पड़ेगा?

यह एक रोचक दुनिया है जिसमें हम प्रवेश कर रहे हैं क्योंकि AI कंपनियों ने सामग्री उत्पादन को पहले से कहीं अधिक सस्ता बना दिया है। परिणामस्वरूप, हम सामग्री की प्रचुरता की उम्मीद कर सकते हैं, कुछ अच्छी, कुछ बुरी, कुछ स्वादिष्ट, कुछ बिना स्वाद के। हॉलीवुड ने पारंपरिक रूप से खुद को स्वाद का निर्णायक माना है, ऐसे कार्य बनाते हुए जिन्हें लोग प्यार करते हैं और उससे प्रेम में पड़ते हैं। AI अब कहानीकारों के लिए अब तक का सबसे शक्तिशाली उपकरण प्रदान करता है।

प्रश्न के दूसरे भाग के संबंध में, मेरा ईमानदार उत्तर है कि दोनों क्रम में होंगे। प्रवर्तन जाँचें संभवतः समय के साथ मॉडलों के भीतर स्थानांतरित हो जाएंगी, क्योंकि वह सबसे सस्ता और तेज़ चलाने का स्थान है। लेकिन संदर्भ परत, अर्थात् यह रिकॉर्ड कि क्या मौजूद है, उसका मालिक कौन है, और किन शर्तों पर इसका उपयोग किया जा सकता है, स्वतंत्र रहना चाहिए, और सत्यापन भी ऐसा ही होना चाहिए। कोई मॉडल कंपनी अपने स्वयं के आउटपुट को ग्रेड नहीं कर सकती, और अधिकार धारक अपने कैटलॉग किसी ऐसी कंपनी को नहीं देंगे जिसका व्यवसाय उनके डेरिवेटिव बनाना हो। यह वित्तीय बाजारों के समान है, जहाँ फर्में आंतरिक रूप से अनुपालन चलाती हैं लेकिन फिर भी बाहरी ऑडिटरों को जवाब देती हैं।

अधिकार प्रबंधन तब होगा जब हॉलीवुड और AI कंपनियां साथ मिलकर यह तय करें कि वे कैसे सह-अस्तित्व में रहना चाहते हैं। अंततः, उनका लक्ष्य समान है, यानी ऐसी नई सामग्री बनाना जो लोग पसंद करें। बस इसे सही तरीके से करना है।

उत्कृष्ट साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें ARCOS Labs पर जाना चाहिए।