Nelson Chu, ARCOS Labs 설립자 겸 CEO – 인터뷰 시리즈

Nelson Chu, ARCOS Labs 설립자 겸 CEO인 그는 금융 인프라, 투자, 디지털 플랫폼에 걸친 배경을 가진 반복적인 기업가이자 기술 경영자이다. ARCOS Labs를 설립하기 전에 그는 Percent의 설립자 겸 CEO로 8년을 보냈으며, 여기서 사모 신용 시장을 현대화하기 위한 기술 플랫폼을 구축했으며 현재는 이사회 의장으로 재직 중이다. 경력 초기에 Chu는 MySupport를 공동 설립했는데, 이는 고령자와 장애인을 지원 인력과 연결하는 온라인 플랫폼으로 나중에 RISE Services에 인수되었으며, 전략 컨설팅 회사 Lumenary를 설립했다. 또한 BlockFi와 Recharge Capital 등 기업에 자문가 및 투자자로 활동했으며, BlackRock, Bank of America, Merrill Lynch에서 금융 서비스 분야에서 경력을 시작했다.

ARCOS Labs, Applied Research in Creative Output Synthesis의 약자로, 생성 모델이 저작권이 있는 작품, 캐릭터 및 인간 이미지와 점점 더 많이 상호작용함에 따라 AI가 책임감 있게 작동하도록 돕는 인프라를 개발한다. 이 회사는 포렌식 IP 인텔리전스와 권리 관리에 집중하며, AI가 창작 자산을 어떻게 재현하는지 식별·측정하고, 사용을 추적하며, 라이선스 및 집행 프레임워크를 지원하는 기술을 제공한다. 주력 플랫폼인 VN은 창작자, 스튜디오, 인재 에이전시 및 권리 보유자가 AI 시스템이 자신의 지적 재산을 사용하는 방식을 더 잘 볼 수 있고 제어할 수 있도록 설계되었으며, ARCOS는 AI 학습 모델을 조사하기 위한 크라우드소싱 이니셔티브인 Lightbar도 주도하고 있다. 이 회사는 2026년 8월 스텔스 상태에서 공개되었으며, 창작자와 AI 시스템이 대규모로 공존하기 위해 필요한 신뢰와 권리 인프라를 구축하는 더 넓은 목표를 가지고 있다.

당신은 파편화된 사모 신용 시장에 효율성과 투명성을 제공하기 위해 필요한 인프라를 중심으로 Percent를 8년 동안 구축했습니다. 생성 AI 시대에 지적 재산 및 권리 관리라는 전혀 다른 문제에 도전하면서, 그 금융 인프라 구축에서 얻은 교훈을 현재 ARCOS Labs에 어떻게 적용하고 있나요?

많은 부분이 그대로 적용됩니다. Percent를 시작했을 때 사모 신용은 파편화되고 불투명했습니다. 각 거래가 서로 다르게 설명되어 비교하거나 확신을 가지고 가격을 매길 수 없었습니다. 첫 번째 교훈은 표준화가 시장보다 먼저 이루어져야 한다는 것입니다. 우리는 거래가 매번 동일한 방식으로 설명되고 검증될 수 있도록 하는 매력적이지 않은 인프라 구축에 수년을 투자했으며, 그 후에야 효율적인 거래가 가능해졌습니다. 생성 AI 시대의 IP도 같은 문제를 가지고 있습니다. 자산이 무엇이며 누가 소유하고 있는지에 대한 표준 기록이 없으며, 모델이 이를 어떻게 사용하는지도 알 수 없습니다. 그런 기록이 존재하지 않는 한, 집행이든 라이선싱이든 모든 후속 작업은 임시방편으로 남게 됩니다.

두 번째 교훈은 신뢰가 검증에 기반한다는 점입니다. 사모 신용 투자자들은 발행자의 말만으로 거래 성과를 믿지 않았습니다. 그들은 스스로 확인할 수 있는 데이터를 원했습니다. 오늘날 AI 기업과 마주한 권리 보유자도 같은 입장입니다. 가드레일에 대한 보장은 거의 의미가 없습니다. 독립적으로 재현 가능한 증거가 대화를 바꾸는 핵심입니다.

세 번째 교훈은 인센티브에 관한 것입니다. 파편화되고 ‘닭-달걀’ 문제가 있는 시장은 양측이 해결책이 자신들에게 이익이 된다고 확신할 때만 작동합니다. Percent에서는 한쪽만을 위해 문제를 해결하려는 시도가 있었지만 결코 지속되지 않았습니다. IP 및 권리 관리 분야에서는 현재 인센티브가 크게 맞지 않습니다. 모델 기업들은 성장하고 고객에게 유용한 도구를 제공하려 하며, 때때로 Sora와 ByteDance와 같은 최근 사례처럼 마케팅 전략으로 침해 콘텐츠를 만들기도 합니다. 반면 권리 보유자들은 예측조차 할 수 없는 변화에 발맞추려 애쓰면서, 콘텐츠 제작이 크게 쉬워진 시대에 여전히 관련성을 유지하려고 합니다. 이런 시장에서 승리하는 인프라는 양측이 신뢰할 수 있는, 보통 거래 자체에 참여하지 않는 인프라입니다.

더 큰 흐름도 익숙합니다. 사모 신용은 이를 측정할 인프라가 구축되면서 주류 자산 클래스로 자리 잡았으며, 저는 IP도 같은 전환의 시작 단계에 있다고 믿습니다.

생성 AI로부터 창작물을 보호하려면 주로 저작권법, 콘텐츠 관리 정책, 워터마킹이 아니라 새로운 기술 인프라 계층이 필요하다고 확신하게 된 이유는 무엇인가요?

근본적으로 모델 자체가 기술적 해결책이므로, 모델로부터 창의성을 보호하려면 기술적 해결책이 필요합니다. 저작권법은 여전히 모호하며, Cox, Anthropic 사건이나 독일의 GEMA 상황에서 이를 확인할 수 있습니다. 공정 이용 개념도 아직 논쟁 중이며, 법원은 당연히 판결에 오랜 시간이 걸릴 것입니다. 콘텐츠 관리가 모델에게 스스로를 검열하도록 의존하는 것은 우리가 관찰한 바에 따르면 거의 불가능에 가깝습니다. 워터마킹은 유망한 아이디어이지만, 사람들의 자율 감시에 의존하고 쉽게 제거될 수 있습니다. 이러한 점들을 고려했을 때, 우리는 이 문제를 스스로 해결하고 기술로 답을 제시하는 것이 유일한 현실적인 방법이라는 결론에 도달했습니다.

VN은 AI가 생성한 콘텐츠가 보호된 캐릭터, 창작물 및 인간 이미지와 얼마나 유사한지를 측정하도록 설계되었습니다. 기술적인 측면에서, 시스템은 언제 출력이 단순히 유사한 수준을 넘어 권리 보유자가 우려해야 할 수준으로 넘어갔는지 어떻게 판단하나요?

궁극적으로 우리는 결정을 사용자에게 맡깁니다. 우리의 역할은 출력이 통계적으로 얼마나 유사한지를 판단하고, 모든 포즈와 가능성을 포착한 뒤 이를 보호된 캐릭터, 창작물 또는 인간 이미지와 비교하는 것입니다. 일부 사용자는 일정 임계값 이하에서는 작업을 공개할 수 없습니다. 대기업은 모든 생성 콘텐츠가 자체 소유여야 하므로 더 엄격한 경향이 있습니다. 재미로 실험하는 프로슈머 사용자들은 더 높은 임계값을 받아들여 더 많은 변형을 허용할 수 있습니다.

스튜디오, 인재 에이전시 또는 유사한 고객을 대상으로 포렌식 테스트를 수행할 때, 우리는 노출 분석을 제공합니다:

• 어떤 모델이 콘텐츠를 가장 정확하게 생성하는가
• 어떤 모델이 전혀 생성할 수 있는가
• 어떤 모델이 문제 상황을 초래할 수 있는가

궁극적으로 우리의 업무는 분석을 수행하고 결과를 제공하는 것이지만, 클라이언트가 이를 어떻게 활용할지는 전적으로 그들의 결정입니다.

Seedance 2.5 테스트에서 눈에 띄는 캐릭터에 대한 보호 장치가 덜 알려진 지적 재산보다 훨씬 강력함을 발견했습니다. 이 차이는 AI 기업들이 현재 저작권 보호 장치를 어떻게 구축하고 있는지를 무엇이라 말해 주며, 왜 롱테일 IP 보호가 특히 어려운가요?

AI 기업마다 차이가 있으며, 이 문제에 대한 관심도도 다릅니다. 올해 초 Seedance 2.0이 출시되었을 때, ByteDance는 자신들에게 돌아온 반발을 인식하고 신속히 보호 장치를 개선하기 시작했습니다. 일부 잘 알려진 인기 모델들은 선택이든 실수든 무관심해 보이지만, 지적 재산을 존중하는 것이 실수로 여겨지지는 않을 것이며, 아직 그 결론에 도달하지 못했을 뿐입니다.

롱테일을 보호하기 어려운 이유는 기술이 작동하는 방식 때문입니다:

프롬프트 수준 검사: 입력 프롬프트에 침해 내용이 있는지 검토하고, 모델이 진행 여부를 판단하도록 합니다. 안타깝게도 프롬프트를 검토하더라도 이를 회피하는 다양한 방법이 존재합니다. 약간 다르게 표현하거나, 캐릭터 이름을 밝히지 않고 설명하거나, 오타를 사용할 수 있습니다. 프롬프트는 탐지기를 쉽게 우회할 수 있으며, 모델이 사용자의 프롬프트와 다르게 출력물을 생성하면서 침해 캐릭터를 포함시킬 수도 있습니다.

출력 분석 검사: 각 출력물을 알려진 캐릭터 데이터베이스와 대조합니다. 인지 가능한 캐릭터는 높은 민감도로 감지되지만, 롱테일 캐릭터는 DVD로 직접 제작되었거나 데이터베이스에 없기 때문에 눈에 띄지 않을 수 있어 포괄적인 감시는 필연적으로 어려워집니다.

속도 또한 중요합니다. 이미지 생성 모델의 경우 단일 이미지를 검사하는 것이 비교적 빠릅니다. 그러나 비디오 생성은 많은 프레임을 스캔해야 하므로 출력 속도가 크게 느려지고 사용자 경험에 영향을 미칠 수 있습니다.

이러한 우려 사이의 균형을 맞추는 일은 섬세합니다만, 일부 모델은 이를 해결하기 위해 노력하고 있습니다. 궁극적으로는 모델이 지적 재산을 존중하려는 의지와 관심에 달려 있습니다.

모델이 저작권이 있는 캐릭터를 직접 생성하는 요청을 거부하더라도, 충분히 상세한 설명을 제공하면 해당 캐릭터를 재현할 수 있습니다. AI 안전 테스트는 단순한 프롬프트 거부율을 넘어 이러한 간접 재현을 식별하기 위해 어떻게 발전해야 할까요?

이는 명백한 문제입니다. 모델이 상세하거나 매우 간단한 설명만으로도 캐릭터를 재현할 수 있다는 것은 해당 캐릭터가 학습 데이터에 깊이 내재되어 있음을 의미합니다. 이는 데이터 수집 방식에 대한 완전히 별개의 질문을 제기하며, 현재 법정에서 다루어지고 있습니다.

안전 테스트는 프롬프트 검토를 넘어 실제 출력물을 분석하는 방향으로 발전해야 합니다. 모델은 확산 방식을 통해 이미지를 생성하며, 결과의 시각을 점진적으로 구성합니다. 이러한 과정과 학습 방식 때문에 모델은 의도치 않게 저작권이 있는 캐릭터를 전경이나 배경에, 때로는 프롬프트 없이도 재현할 수 있습니다. 이를 확실히 포착하는 유일한 방법은 모델을 직접 테스트하고 실제 생성물을 측정하는 것입니다.

유사성 탐지는 필연적으로 오탐에 대한 질문을 제기합니다. 정당한 창작적 영감, 우연한 유사성, 그리고 스튜디오나 권리 보유자가 조사할 정도로 통계적으로 의미 있는 재현을 어떻게 구분하나요?

이 작업은 지속적인 개선이 필요합니다. 인간이 즉시 인식할 수 있는 가장 정확한 시각적 유사성이 출발점이 되어야 하며, 현재 이것이 가장 잘 수행될 수 있는 부분입니다. 합성 창작물이나 스타일과 관련된 질문에 들어가면 입증과 집행이 훨씬 어려워집니다.

예를 들어 슈퍼맨을 생각해 보세요. 모델이 크리스토퍼 리브의 눈, 헨리 카빌의 턱, 다른 배우의 광대뼈 등으로 구성된 일반적인 슈퍼맨을 만든다면, 이러한 특징들은 역공학이나 원본을 추적하기 매우 어렵게 만듭니다.

오탐을 억제하는 두 가지 요소가 있습니다. 첫 번째는 단일 유사성 수치에만 의존하지 않는다는 점입니다. 결과는 일반적인 유사성과 실제 재현을 구분하도록 벤치마크되며, 모든 테스트는 재현 가능하도록 설계됩니다: 동일한 입력과 조건에서 동일한 수치를 도출합니다. 두 번째는 분석이 권리 보유자가 실제로 답해야 할 법적 질문에 매핑된다는 점입니다. 캐릭터와 창작물의 경우 질문은 ‘실질적 유사성’이며, 브랜드와 이미지의 경우는 ‘혼동 가능성’—즉 일반 시청자가 출력물을 실제와 혼동할 가능성을 의미합니다. 우리의 역할은 이러한 질문 뒤에 방어 가능하고 반복 가능한 수치를 제공하는 것입니다. 조사 수준에 이를지는 언제나 권리 보유자의 판단에 달려 있습니다.

생성 모델은 빠르게 변화하고 업데이트 후 행동이 크게 달라질 수 있습니다. 권리 보유자는 수백 개의 모델과 수천 개의 보호 자산을 지속적으로 평가하면서도 모니터링 비용이 과도하거나 기술적으로 관리 불가능해지는 것을 어떻게 방지할 수 있나요?

거의 불가능합니다. 그래서 IP 보유자들은 뒤처지고 미국과 아시아의 최신 모델을 겨우 따라잡고 있습니다.

현실적으로는 이들을 대신해 속도를 맞추고 싸워줄 파트너가 필요합니다. 그래서 우리가 시작했습니다. 스튜디오들이 이러한 생성 모델의 속도에 맞출 수 있는 기술 회사를 필요로 한다는 것을 알았고, 그 역할을 수행하려는 다른 기업이 없었습니다.

답변의 다른 절반은 기록 보관입니다. 모델은 업데이트 후 행동이 크게 달라질 수 있으므로, 시점에 연결되지 않은 점수는 무의미합니다. 우리가 제공하는 모든 결과는 어떤 모델을 언제, 어떤 보호 자산에 대해 테스트했는지와 해당 수치를 기록합니다. 이는 모니터링을 언제나 켜져 있어야 하는 불가능한 문제에서 관리 가능한 문제로 전환시킵니다: 모델이 업데이트되면 처음부터 다시 시작하는 대신 기록과 비교하여 재테스트합니다.

탐지는 문제의 일부만 해결합니다. 시스템이 AI 모델이 보호된 캐릭터나 이미지를 재현할 수 있음을 식별하면, 다음에는 무엇을 해야 하며, 궁극적으로 창작자가 자신의 IP를 차단, 라이선스 부여 또는 특정 조건 하에 사용하도록 지정할 수 있는 기술적 메커니즘은 무엇이 될 수 있나요?

법적 측면과 기술적 측면이 모두 존재합니다. 법적으로는 IP 보유자가 향후 조치를 결정합니다. 제공된 증거를 소송 근거로 사용하거나 모델 개발자와의 협상에 활용할 수 있으며, 선택은 전적으로 그들에게 달려 있습니다.

기술적으로는 권리 보유자가 자신의 제품이나 IP를 생성할 수 있는 특정 모델에 동의하고 선택할 수 있어야 합니다. 그들은 출력을 제어하여 무제한적인 상황을 방지해야 합니다. 제한적인 가드레일에 강제되는 대신, 사전에 정해진 조건으로 각 생성에 대해 수익을 창출할 수 있어야 합니다. 이는 다른 산업의 관행을 반영한 것이므로 여기에도 적용될 수 있습니다.

무단 AI 사용을 탐지하는 데 사용되는 동일한 인프라가 궁극적으로 합법적인 라이선스 마켓플레이스를 가능하게 할 수 있을까요? 즉 AI 시스템이 프로그래밍 방식으로 자산 소유자를 식별하고, 사용 권한을 확인하며, 보상이 권리 보유자에게 어떻게 돌아가야 하는지를 결정하도록 말입니다.

인프라가 AI‑생성 출력이 IP와 유사한지를 판단할 수 있다면, 라이선스 문제도 최종적으로 해결할 수 있어야 합니다. 이는 생성된 출력물의 IP가 무엇인지, 권리 보유자가 누구인지, 그들에게 크레딧을 부여해야 하는지, 그리고 최종적으로 보상이 어떻게 흐를지를 알려줄 수 있습니다. 기술 자체는 근본적으로 동일합니다. 이는 검증 가능하고 재현 가능한 통계적 증거를 제공하는 충실도 엔진입니다. 출력물이 시청자가 실제와 혼동할 정도로 유사한 임계값을 넘으면, 권리 보유자는 보상을 받을 권리가 있습니다.

단 한 가지 조건은 해당 계층을 운영하는 주체가 중립을 유지해야 한다는 것입니다. 스스로 콘텐츠를 생성하거나 개별 거래에서 편을 들 수 없습니다. 그 역할은 양측에 동일한 신뢰 기록을 제공하고 직접 거래하도록 하는 것입니다. 이러한 중립성이 권리 보유자들이 처음에 자신의 카탈로그를 등록하도록 하는 이유입니다.

AI‑생성 비디오가 전문 제작에 필요한 품질과 일관성에 다가오면서, AI 기업과 할리우드 간의 관계는 최종적으로 어떻게 될 것이라고 생각하시나요? 권리 관리가 모델 주변에 외부 검증 레이어가 될 것이라고 예상하십니까, 아니면 결국 모델 자체에 직접 내장되어야 할 것이라고 보십니까?

AI 기업이 콘텐츠 제작 비용을 그 어느 때보다 크게 낮춘 시대에 우리는 흥미로운 세상에 진입하고 있습니다. 그 결과, 좋은 것, 나쁜 것, 품위 있는 것, 품위 없는 등 다양한 콘텐츠가 급증할 것입니다. 할리우드는 전통적으로 사람들의 사랑을 받는 작품을 창조하는 미적 기준을 제시해 왔습니다. 이제 AI는 스토리텔러에게 가장 강력한 도구를 제공하고 있습니다.

질문의 두 번째 부분에 대해 솔직히 말하면, 두 가지가 순차적으로 이루어질 것이라고 생각합니다. 집행 검사는 시간이 지나면서 모델 내부로 이동할 가능성이 높으며, 이는 가장 저렴하고 빠르게 실행될 수 있기 때문입니다. 그러나 존재하는 것, 소유자, 사용 조건에 대한 기록을 의미하는 레퍼런스 레이어는 독립적으로 유지되어야 하며, 검증 역시 마찬가지입니다. 모델 기업이 자체 출력물을 평가할 수 없으며, 권리 보유자는 자신의 카탈로그를 파생물을 생성하는 비즈니스에 맡기지 않을 것입니다. 이는 금융 시장에서 기업이 내부적으로 컴플라이언스를 수행하지만 외부 감사인에게 보고하는 것과 유사합니다.

권리 관리는 할리우드와 AI 기업이 함께 모여 어떻게 공존할지를 결정할 때 이루어질 것입니다. 결국 그들의 목표는 동일합니다. 사람들에게 사랑받는 새로운 콘텐츠를 만드는 것이죠. 단지 올바른 방식으로 이루어져야 합니다.

훌륭한 인터뷰에 감사드립니다. 더 알고 싶은 독자는 ARCOS Labs를 방문하십시오.