Nelson Chu, grunnlegger og administrerende direktør i ARCOS Labs – Intervjuserie

Nelson Chu, grunnlegger og administrerende direktør i ARCOS Labs, er en erfaren gründer og teknologileder med bakgrunn innen finansiell infrastruktur, investering og digitale plattformer. Før han grunnla ARCOS Labs, tilbrakte han åtte år som grunnlegger og administrerende direktør i Percent, hvor han bygde en teknologiplattform for å modernisere markedet for privat kreditt, og sitter nå som styreleder. Tidligere i karrieren var Chu medgründer av MySupport, en nettplattform som kobler eldre og funksjonshemmede med støttespillere, som senere ble kjøpt opp av RISE Services, og han grunnla strategikonsulentselskapet Lumenary. Han har også vært rådgiver og investor i selskaper som BlockFi og Recharge Capital, mens han startet sin karriere innen finansielle tjenester med stillinger i BlackRock, Bank of America og Merrill Lynch.

ARCOS Labs, en forkortelse for Applied Research in Creative Output Synthesis, utvikler infrastruktur som skal hjelpe AI med å operere ansvarlig etter hvert som generative modeller i økende grad samhandler med opphavsrettslig beskyttede verk, karakterer og menneskelige likheter. Selskapet fokuserer på rettsmedisinsk IP‑intelligens og rettighetsforvaltning, med teknologi som skal identifisere og måle hvordan kreative eiendeler gjenskapes av AI, spore bruken og støtte lisensierings‑ og håndhevingsrammer. Flagship‑plattformen deres, VN, er laget for å gi skapere, studioer, talentbyråer og rettighetshavere bedre innsikt og kontroll over hvordan AI‑systemer bruker deres immaterielle eiendom, mens ARCOS også står bak Lightbar, et crowdsourcet initiativ for å undersøke AI‑treningsmodeller. Selskapet kom offentlig frem fra stealth i august 2026 med et bredere mål om å bygge den tillits‑ og rettighetsinfrastrukturen som kreves for at skapere og AI‑systemer skal kunne sameksistere i stor skala.

Du tilbrakte åtte år med å bygge Percent rundt infrastrukturen som trengs for å bringe effektivitet og åpenhet til et fragmentert marked for privat kreditt. Hvilke lærdommer fra å bygge denne typen finansiell infrastruktur anvender du nå i ARCOS Labs når du takler det helt andre problemet med immateriell eiendom og rettighetsforvaltning i generativ AI‑alder?

Mye av dette overføres. Da vi startet Percent, var privat kreditt fragmentert og ugjennomsiktig. Hver avtale ble beskrevet på en annen måte, så ingenting kunne sammenlignes eller prises med sikkerhet. Den første lærdommen er at standardisering må komme før markedet. Vi brukte år på den lite glamorøse infrastrukturen som gjorde at en avtale kunne beskrives og verifiseres på samme måte hver gang, og de effektive transaksjonene kom først etter det. IP i generativ AI‑alder har samme problem. Det finnes ingen standardisert oversikt over hva en eiendel er og hvem som eier den, for ikke å snakke om hvordan modellene bruker den. Inntil en slik oversikt finnes, forblir alt nedstrøms ad hoc, enten det gjelder håndheving eller lisensiering.

Den andre lærdommen er at tillit bygges på verifisering. Investorer i privat kreditt tok aldri bare utstederens ord for hvordan en avtale presterte. De ønsket data de selv kunne kontrollere. Rettighetshavere befinner seg i samme posisjon med AI‑selskaper i dag. Garantier om sikkerhetsmekanismer har svært liten vekt. Bevis som kan reproduseres uavhengig er det som endrer samtalen.

Den tredje lærdommen handler om insentiver. Et fragmentert “kylling‑og‑egg”‑marked fungerer bare når hver side er overbevist om at løsningen gagner dem. Med Percent så vi forsøk på å løse problemet for den ene eller den andre siden, og det holdt aldri. I IP‑ og rettighetsforvaltning er insentivene nå kraftig feiljustert. Modell‑selskaper vil vokse, levere verdifulle verktøy til kundene sine, og noen ganger lage krenkende innhold som en markedsføringstaktikk, med Sora og ByteDance som nyere eksempler. Rettighetshavere prøver samtidig å holde tritt med endringer de ikke engang kan forutsi, samtidig som de skal forbli relevante i en tid hvor innholdsproduksjon har blitt dramatisk enklere. Infrastrukturen som vinner i et slikt marked er den som begge sider kan stole på, noe som vanligvis betyr den som ikke er en deltaker i selve transaksjonen.

Den større utviklingen er også kjent. Privat kreditt ble en mainstream aktivaklasse så snart infrastrukturen for å måle den eksisterte, og jeg tror IP er i begynnelsen av den samme overgangen.

Hva overbeviste deg om at beskyttelse av kreativt arbeid mot generativ AI krevde et nytt teknisk infrastrukturlag, snarere enn primært bedre opphavsrettslovgivning, innholdsmoderering eller vannmerking?

I bunn og grunn er modellene en teknologisk løsning, så hvis du vil beskytte kreativitet mot modellene, kreves en teknisk løsning. Opphavsrettsloven er fortsatt vag, noe som fremgår av saker som Cox, Anthropic, og også det som skjer i Tyskland med GEMA. Begrepet «fair use» er fortsatt et åpent spørsmål og er ennå ikke avgjort, og domstolene, som de bør, vil bruke lang tid på å dømme. Innholdsmoderering forutsetter at modellene modererer seg selv, noe som stiller store krav til dem og er nesten umulig basert på våre observasjoner. Vannmerking er et lovende konsept, men det avhenger også av at folk selv poliserer, og kan lett fjernes. Med alt dette i bakhodet visste vi at den eneste reelle måten å håndtere dette på var å gjøre det selv og tilby et teknologisk svar på dette svært reelle og betydningsfulle problemet.

VN er laget for å måle hvor tett AI‑generert innhold ligner beskyttede karakterer, kreative verk og menneskelige likheter. På et teknisk nivå, hvordan bestemmer systemet når et resultat har gått fra å være bare likt til noe som bør bekymre en rettighetshaver?

Vi overlater til slutt avgjørelsen til brukeren. Vår rolle er å fastslå hvor statistisk likt resultatet er, ved å sikre at vi fanger opp alle mulige varianter, og deretter sammenligne det med den beskyttede karakteren, det kreative verket eller den menneskelige likheten. Noen brukere har en terskel under hvilken de ikke kan publisere arbeidet. Større selskaper er vanligvis strengere fordi alt produsert innhold må være deres eget. Prosumer‑brukere, som eksperimenterer for moro skyld, kan akseptere en høyere terskel og tillate flere variasjoner.

Når vi utfører rettsmedisinsk testing for et studio, talentbyrå eller lignende kunde, leverer vi eksponeringsanalyse:

• Hvilke modeller genererer innholdet mest nøyaktig
• Hvilke modeller kan produsere det i det hele tatt
• Hvilke modeller kan plassere det i problematiske situasjoner

Til syvende og sist er vår jobb å utføre analysen og levere resultatene, men hvordan kunden bruker dem er helt opp til dem.

Din testing av Seedance 2.5 avdekket mye sterkere sikkerhetstiltak rundt gjenkjennelige karakterer enn rundt mindre fremtredende immateriell eiendom. Hva forteller denne ulikheten oss om hvordan AI‑selskaper i dag bygger sine opphavsrettslige sikkerhetstiltak, og hvorfor er «long‑tail»‑IP spesielt vanskelig å beskytte?

Hvert AI‑selskap er forskjellig, og hvert selskap bryr seg om dette problemet i ulik grad. Da Seedance 2.0 ble lansert tidligere i år, innså ByteDance raskt problemet de selv hadde skapt på grunn av motreaksjonen og begynte å forbedre sine sikkerhetstiltak. Noen velkjente, populære modeller virker likegyldige, enten ved valg eller ved forglemmelse, men å respektere immateriell eiendom vil aldri bli sett på som en feil; de har bare ennå ikke kommet til den konklusjonen.

Å beskytte «long tail» er vanskelig på grunn av hvordan teknologien fungerer:

Kontroller på prompt‑nivå: Undersøk inndata‑prompten for krenkende innhold, slik at modellen kan avgjøre om den skal fortsette. Dessverre, selv når prompten undersøkes, finnes det mange måter å omgå den på. De kan formulere den litt annerledes, beskrive karakteren uten å navngi den, eller bruke skrivefeil. Prompter kan lett omgå detektorer, og modeller kan også hallusinere resultater som avviker fra brukerens prompt og kan inneholde en krenkende karakter.

Kontroller på resultat‑analyse: Skann hvert resultat mot en database med kjente karakterer. Gjenkjennelige karakterer utløser høyere følsomhet, mens «long‑tail»‑karakterer kan gå ubemerket fordi de kun er på DVD og databasen ikke har dem, og dermed er omfattende overvåking uunngåelig utfordrende.

Hastighet spiller også en rolle. For bildegenererende modeller er det relativt raskt å sjekke ett enkelt bilde. Videogenerering krever derimot å skanne mange rammer, noe som kan bremse ned produksjonen betydelig og påvirke brukeropplevelsen.

Å balansere disse bekymringene er delikat, men noen modeller har lagt ned innsatsen for å prøve å løse det. Til syvende og sist avhenger det av om en modell er villig og interessert i å respektere immateriell eiendom.

En modell kan nekte en direkte forespørsel om å generere en opphavsrettslig beskyttet karakter, men likevel gjenskape den når den får en tilstrekkelig detaljert beskrivelse. Hvordan bør AI‑sikkerhetstesting utvikles utover enkle avslag på prompt‑nivå for å identifisere denne typen indirekte reproduksjon?

Dette er et tydelig problem. Når en modell kan gjenskape en karakter fra en detaljert eller til og med en svært enkel beskrivelse, indikerer det at karakteren er dypt innebygd i treningsdataene. Det reiser et helt eget spørsmål om hvordan dataene ble samlet inn, og dette behandles i rettssystemet akkurat nå.

Sikkerhetstesting må gå utover å undersøke prompter og utvikle seg til å analysere de faktiske resultatene. Modellene genererer bilder gjennom diffusjon, og bygger gradvis opp en visjon av resultatet. På grunn av denne prosessen og treningsmetoden kan de utilsiktet gjenskape opphavsrettslig beskyttede karakterer, både i forgrunnen og i bakgrunnen, og noen ganger uten noen prompt. Den eneste pålitelige måten å oppdage dette på er å teste modellen direkte og måle hva den faktisk produserer.

Likhetsdeteksjon reiser uunngåelig spørsmål om falske positiver. Hvordan skiller du mellom legitim kreativ påvirkning, tilfeldig likhet og en reproduksjon som er statistisk signifikant nok til at et studio eller en rettighetshaver bør undersøke?

Dette arbeidet vil kreve kontinuerlig finjustering. Den mest nøyaktige visuelle likheten et menneske lett kan gjenkjenne bør fungere som utgangspunkt, og det er det som kan gjøres bra i dag. Når man kommer inn på syntetiske skapelser eller spørsmål om stil, blir det mye vanskeligere å bevise og enda vanskeligere å håndheve.

Ta Superman som et eksempel. Hvis en modell skapte en generisk Superman med Christopher Reeves øyne, Henry Cavills hake, en annen skuespillers kinnben, osv., vil disse trekkene skape en Superman som er ekstremt vanskelig å reversere og spore tilbake til hvem som bidro med hva.

To ting holder falske positiver i sjakk. Det første er at vi aldri baserer oss på ett enkelt likhetstall isolert. Resultatene blir benchmarket slik at generell likhet kan skilles fra faktisk reproduksjon, og hver test er reproduserbar: de samme inndataene under samme forhold gir samme tall. Det andre er at analysen knyttes til de juridiske spørsmålene en rettighetshaver faktisk må besvare. For karakterer og kreative verk er spørsmålet «vesentlig likhet». For merker og likheter er det sannsynlighet for forvirring, altså om en vanlig betrakter ville bli lurt til å tro at resultatet er ekte. Vår jobb er å sette et forsvarlig, repeterbart tall bak disse spørsmålene. Om noe når nivået for en etterforskning er alltid opp til rettighetshaveren.

Generative modeller endrer seg raskt og kan oppføre seg svært forskjellig etter en oppdatering. Hvordan kan rettighetshavere kontinuerlig evaluere hundrevis av modeller og potensielt tusenvis av beskyttede eiendeler uten at overvåkingsprosessen blir for kostbar eller teknisk uhåndterlig?

Det er nesten umulig, og derfor henger IP‑eiere etter og klarer knapt å holde tritt med de nyeste modellene fra USA og Asia.

Realistisk sett trenger de noen i deres leir som kan holde tritt og kjempe på deres vegne. Det er derfor vi startet. Vi så at disse studioene trengte et teknologiselskap som kan matche hastigheten til disse generasjonsmodellene, og ingen andre tok på seg den oppgaven.

Den andre delen av svaret er journalføring. En modell kan oppføre seg svært forskjellig etter en oppdatering, så en score som ikke er knyttet til et tidspunkt er verdiløs. Hvert resultat vi produserer registrerer hvilken modell som ble testet, når den ble testet, hvilken beskyttet eiendel den ble testet mot, og hvilke tall som ble oppnådd. Det gjør overvåkingen fra et umulig alltid‑på‑problem til et håndterbart en: når en modell oppdateres, tester du på nytt og sammenligner med journalen i stedet for å starte fra bunnen av.

Deteksjon løser kun en del av problemet. Når et system identifiserer at en AI‑modell kan gjenskape en beskyttet karakter eller likhet, hva bør skje videre, og hvilke tekniske mekanismer kan etter hvert la skapere spesifisere om deres IP kan blokkeres, lisensieres eller brukes under bestemte betingelser?

Det finnes både juridiske og tekniske dimensjoner. Juridisk sett bestemmer IP‑eieren hvordan de vil gå videre. De kan bruke bevisene vi leverer som grunnlag for en rettssak, eller bruke dem i forhandlinger med modellutviklere. Valget ligger hos dem.

Teknisk sett bør en rettighetshaver kunne gi samtykke til, og velge inn, spesifikke modeller som kan generere deres produkt eller IP. De bør kunne kontrollere resultatet, og hindre et fritt‑for‑alle‑scenario. I stedet for å bli tvunget inn i restriktive sikkerhetsmekanismer, bør de kunne tjene penger på hver generering på forhåndsdefinerte vilkår. Dette speiler praksis i andre bransjer, så det bør også gjelde her.

Kan den samme infrastrukturen som brukes til å oppdage uautorisert AI‑bruk til slutt muliggjøre et legitimt lisensmarked, hvor AI‑systemer programmatisk kan fastslå hvem som eier en eiendel, hvilke tillatelser som finnes, og hvordan kompensasjon skal flyte tilbake til rettighetshaveren?

Hvis infrastrukturen kan fastslå om et AI‑generert resultat ligner på en IP, bør den også kunne håndtere lisensieringen. Den kan identifisere hvilken IP som finnes i resultatet, hvem rettighetshaveren er, om de skal krediteres, og til slutt la kompensasjonen flyte gjennom den. Teknologien er i bunn og grunn den samme. Det er en nøyaktighetsmotor som produserer verifiserbare, reproduserbare statistiske bevis på den ene eller andre siden. Hvis et resultat krysser terskelen hvor en betrakter med rimelighet kan tro det er ekte, har rettighetshaveren krav på kompensasjon.

Den ene betingelsen er at den som driver dette laget må forbli nøytral. Den kan ikke selv generere innhold, og den kan ikke ta parti i noen enkeltavtale. Oppgaven er å gi begge sider samme pålitelige journal og la dem handle direkte. Denne nøytraliteten er grunnen til at rettighetshavere ville være villige til å registrere sine kataloger i den første omgang.

Når AI‑generert video nærmer seg den kvaliteten og konsistensen som kreves for profesjonell produksjon, hvordan tror du forholdet mellom AI‑selskaper og Hollywood til slutt vil se ut? Forventer du at rettighetsforvaltning vil bli et eksternt verifiseringslag rundt modeller, eller noe som etter hvert må bygges inn direkte i modellene?

Det er en interessant verden vi går inn i, ettersom AI‑selskaper har gjort innholdsproduksjon langt billigere enn noen gang før. Som følge av dette kan vi forvente en flom av innhold, noe som er bra, noe som er dårlig, noe med smak og noe uten. Hollywood har tradisjonelt sett på seg selv som smakens vokter, og skaper verk som folk elsker og forelsker seg i. AI tilbyr nå det mest kraftfulle verktøyet noensinne for historiefortellere.

På den andre delen av spørsmålet tror jeg det ærlige svaret er begge deler, i rekkefølge. Håndhevelseskontroller vil sannsynligvis flytte seg inn i modellene over tid, fordi det er der de er billigst og raskest å kjøre. Men referanselaget, altså oversikten over hva som eksisterer, hvem som eier det, og på hvilke vilkår det kan brukes, må forbli uavhengig, og det samme gjelder verifiseringen. Et modell‑selskap kan ikke være den som vurderer sine egne resultater, og rettighetshavere vil ikke overlate sine kataloger til et selskap hvis forretningsmodell er å generere avledede verk. Det er likt finansmarkedene, hvor firmaer håndterer compliance internt, men fortsatt svarer til eksterne revisorer.

Rettighetsforvaltning vil skje når Hollywood og AI‑selskaper kommer sammen for å bestemme hvordan de vil sameksistere. Til syvende og sist er målet deres det samme: å skape nytt innhold som folk elsker. Det må bare gjøres på riktig måte.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke ARCOS Labs.