Nelson Chu, założyciel i dyrektor generalny ARCOS Labs – seria wywiadów

Nelson Chu, założyciel i dyrektor generalny ARCOS Labs, jest doświadczonym przedsiębiorcą i menedżerem technologicznym z doświadczeniem obejmującym infrastrukturę finansową, inwestycje i platformy cyfrowe. Przed założeniem ARCOS Labs spędził osiem lat jako założyciel i dyrektor generalny Percent, gdzie stworzył platformę technologiczną mającą na celu modernizację rynków prywatnego kredytu, a obecnie pełni funkcję przewodniczącego rady nadzorczej. Wcześniej w swojej karierze Chu współzałożył MySupport, internetową platformę łączącą seniorów i osoby niepełnosprawne z pracownikami wsparcia, którą później przejęła RISE Services, oraz założył firmę doradczą Lumenary. Pełnił także funkcję doradcy i inwestora w firmach takich jak BlockFi i Recharge Capital, rozpoczynając jednocześnie karierę w usługach finansowych na stanowiskach w BlackRock, Bank of America i Merrill Lynch.

ARCOS Labs, skrót od Applied Research in Creative Output Synthesis, rozwija infrastrukturę mającą pomóc AI działać odpowiedzialnie, gdy modele generatywne coraz częściej wchodzą w interakcje z chronionymi prawami autorskimi, postaciami i wizerunkami ludzkimi. Firma koncentruje się na forensycznej inteligencji własności intelektualnej i zarządzaniu prawami, oferując technologię służącą do identyfikacji i pomiaru, w jaki sposób zasoby twórcze są odtwarzane przez AI, śledzenia ich użycia oraz wspierania ram licencjonowania i egzekwowania. Jej flagowa platforma, VN, ma zapewnić twórcom, studiom, agencjom talentów i właścicielom praw większą przejrzystość i kontrolę nad tym, jak systemy AI wykorzystują ich własność intelektualną, a ARCOS jest także twórcą Lightbar, inicjatywy crowdsourcingowej badającej modele treningowe AI. Firma publicznie ujawniła się po okresie ukrywania w sierpniu 2026 roku, z szerszym celem budowy infrastruktury zaufania i praw niezbędnej do współistnienia twórców i systemów AI na dużą skalę.

Spędziłeś osiem lat budując Percent wokół infrastruktury potrzebnej do wprowadzenia efektywności i przejrzystości na rozdrobnionym rynku prywatnego kredytu. Jakie lekcje z budowania takiej infrastruktury finansowej stosujesz teraz w ARCOS Labs, podejmując zupełnie inny problem zarządzania własnością intelektualną i prawami w erze generatywnej sztucznej inteligencji?

Wiele z tego przenosi się. Kiedy zaczynaliśmy Percent, prywatny kredyt był rozdrobniony i nieprzejrzysty. Każda transakcja była opisywana inaczej, więc nie dało się jej porównać ani wycenić z pewnością. Pierwsza lekcja brzmi, że standaryzacja musi poprzedzić rynek. Spędziliśmy lata nad mało efektowną infrastrukturą, która pozwalała opisywać i weryfikować transakcję w ten sam sposób za każdym razem, a efektywne transakcje pojawiły się dopiero potem. Własność intelektualna w erze generatywnej AI ma ten sam problem. Nie istnieje standardowy rejestr tego, czym jest zasób i kto jest jego właścicielem, nie mówiąc już o tym, jak modele go wykorzystują. Dopóki taki rejestr nie istnieje, wszystko downstream pozostaje ad hoc, zarówno egzekwowanie, jak i licencjonowanie.

Druga lekcja mówi, że zaufanie buduje się na weryfikacji. Inwestorzy w prywatnym kredycie nigdy nie przyjmowali słowa emitenta co do wyników transakcji. Chcieli danych, które mogą samodzielnie sprawdzić. Właściciele praw znajdują się dziś w podobnej sytuacji wobec firm AI. Zapewnienia o zabezpieczeniach mają niewielką wagę. Dowody, które można niezależnie odtworzyć, zmieniają dyskusję.

Trzecia lekcja dotyczy zachęt. Każdy rozdrobniony rynek typu „jajko i kura” działa tylko wtedy, gdy obie strony są przekonane, że rozwiązanie przyniesie im korzyść. W Percent obserwowaliśmy próby rozwiązania problemu po jednej stronie lub drugiej i nigdy nie przyniosły one rezultatów. W zarządzaniu własnością intelektualną i prawami zachęty są obecnie bardzo źle dopasowane. Firmy tworzące modele chcą rosnąć, dostarczać wartościowe narzędzia swoim klientom i czasami tworzyć naruszające treści jako taktykę marketingową, o czym świadczą ostatnie przykłady Sora i ByteDance. Właściciele praw natomiast starają się nadążać za zmianami, których nie są w stanie przewidzieć, pozostając jednocześnie istotni w erze, w której produkcja treści stała się znacznie łatwiejsza. Infrastruktura, która zwycięży na takim rynku, to ta, której obie strony mogą zaufać, co zazwyczaj oznacza rozwiązanie, które nie jest uczestnikiem samej transakcji.

Szerszy kontekst jest również znany. Prywatny kredyt stał się powszechną klasą aktywów, gdy pojawiła się infrastruktura umożliwiająca jego pomiar, i wierzę, że własność intelektualna znajduje się na początku tej samej transformacji.

Co przekonało Cię, że ochrona twórczości przed generatywną AI wymaga nowej warstwy infrastruktury technicznej, a nie przede wszystkim lepszych przepisów prawa autorskiego, polityk moderacji treści czy znakowania wodnego?

Fundamentalnie modele są rozwiązaniem technologicznym, więc jeśli chcemy chronić kreatywność przed modelami, potrzebne będzie rozwiązanie techniczne. Prawo autorskie pozostaje niejasne, co widać w sprawach takich jak Cox, Anthropic oraz w tym, co dzieje się w Niemczech z GEMA. Pojęcie dozwolonego użytku wciąż jest otwartym pytaniem i nie zostało jeszcze rozstrzygnięte, a sądy, jak przystało, potrzebują dużo czasu, aby wydać orzeczenia. Moderacja treści opiera się na tym, że modele same się moderują, co jest dużym obciążeniem i praktycznie niemożliwe, biorąc pod uwagę nasze obserwacje. Znakowanie wodne jest obiecującą koncepcją, ale zależy od samodyscypliny użytkowników i może być łatwo usunięte. Mając to na uwadze, wiedzieliśmy, że jedynym realnym sposobem jest podjęcie tego samodzielnie i dostarczenie rozwiązania technologicznego dla tego bardzo realnego i istotnego problemu.

VN ma za zadanie mierzyć, jak bardzo treści generowane przez AI przypominają chronione postacie, dzieła twórcze i wizerunki ludzkie. Na poziomie technicznym, jak system określa, kiedy wynik przekracza granicę zwykłego podobieństwa i staje się kwestią, którą powinien się zająć właściciel praw?

Ostatecznie decyzję pozostawiamy użytkownikowi. Naszą rolą jest określenie, jak statystycznie podobny jest wynik, zapewniając, że uchwycimy każdą pozę i możliwość, a następnie porównujemy go z chronioną postacią, dziełem twórczym lub wizerunkiem ludzkim. Niektórzy użytkownicy mają próg, poniżej którego nie mogą opublikować pracy. Większe firmy są zazwyczaj bardziej rygorystyczne, ponieważ cała wyprodukowana treść musi być ich własnością. Użytkownicy‑prosumerzy, którzy eksperymentują dla zabawy, mogą zaakceptować wyższy próg i dopuszczać większą liczbę wariacji.

Podczas przeprowadzania testów forensycznych dla studia, agencji talentów lub podobnego klienta dostarczamy analizę ekspozycji:

• Które modele generują treść najdokładniej
• Które modele są w stanie ją w ogóle wygenerować
• Które modele mogą umieścić ją w problematycznych sytuacjach

Ostatecznie naszą pracą jest przeprowadzenie analizy i dostarczenie wyników, ale sposób, w jaki klient je wykorzysta, jest całkowicie jego decyzją.

Twoje testy Seedance 2.5 wykazały znacznie silniejsze zabezpieczenia wokół rozpoznawalnych postaci niż wokół mniej znanej własności intelektualnej. Co ta dysproporcja mówi nam o tym, jak firmy AI obecnie budują swoje zabezpieczenia praw autorskich i dlaczego długie ogony IP są szczególnie trudne do ochrony?

Każda firma AI jest inna i każda podchodzi do tego problemu w różnym stopniu. Gdy w tym roku wydano Seedance 2.0, ByteDance szybko dostrzegło problem, który sam stworzył, i rozpoczęło ulepszanie swoich zabezpieczeń. Niektóre znane, popularne modele wydają się obojętne, czy to z wyboru, czy z przeoczenia, ale szanowanie własności intelektualnej nigdy nie będzie postrzegane jako błąd – po prostu jeszcze nie doszli do takiego wniosku.

Ochrona długiego ogona jest trudna ze względu na sposób działania technologii:

Kontrole na poziomie promptu: Sprawdzenie wprowadzonego promptu pod kątem treści naruszających prawa, pozwalając modelowi zdecydować, czy kontynuować. Niestety, nawet przy analizie promptu istnieje wiele sposobów obejścia. Mogą sformułować go nieco inaczej, opisać postać bez podania nazwy, używać literówek. Prompt może łatwo ominąć detektory, a modele mogą także halucynować wyniki różniące się od promptu użytkownika i zawierające naruszającą postać.

Kontrole analizy wyjścia: Skanowanie każdego wyniku w stosunku do bazy danych znanych postaci. Rozpoznawalne postacie wywołują wyższą czułość, podczas gdy postacie z długiego ogona mogą pozostać niezauważone, ponieważ nie ma ich w bazie, co sprawia, że kompleksowa kontrola jest nieuchronnie trudna.

Prędkość również ma znaczenie. W przypadku modeli generujących obrazy sprawdzenie pojedynczego obrazu jest stosunkowo szybkie. Generowanie wideo wymaga natomiast skanowania wielu klatek, co może znacząco spowolnić wydajność i wpłynąć na doświadczenie użytkownika.

Zrównoważenie tych kwestii jest delikatne, ale niektóre modele podjęły wysiłek, aby je rozwiązać. Ostatecznie zależy to od tego, czy model jest gotowy i zainteresowany szanowaniem własności intelektualnej.

Model może odmówić bezpośredniego żądania wygenerowania chronionej postaci, ale nadal odtworzyć tę postać, gdy otrzyma wystarczająco szczegółowy opis. Jak testowanie bezpieczeństwa AI powinno ewoluować poza prostymi wskaźnikami odrzuceń promptów, aby wykrywać tego rodzaju pośrednie odtworzenia?

To wyraźny problem. Gdy model potrafi odtworzyć postać na podstawie szczegółowego lub nawet bardzo prostego opisu, wskazuje to, że postać jest głęboko zakorzeniona w danych treningowych. To rodzi zupełnie odrębne pytanie o sposób pozyskania danych, które obecnie rozstrzygają sądy.

Testowanie bezpieczeństwa musi wyjść poza analizę promptów i ewoluować w kierunku badania rzeczywistych wyników. Modele generują obrazy metodą dyfuzji, stopniowo konstruując wizję rezultatu. Ze względu na ten proces i sposób, w jaki były trenowane, mogą nieumyślnie odtwarzać chronione postacie, zarówno w pierwszym planie, jak i w tle, a czasem nawet bez promptu. Jedynym niezawodnym sposobem wykrycia tego jest bezpośrednie testowanie modelu i pomiar tego, co faktycznie generuje.

Wykrywanie podobieństw nieuchronnie rodzi pytania o fałszywe alarmy. Jak odróżnić legalny wpływ twórczy, przypadkowe podobieństwo oraz odtworzenie, które jest statystycznie istotne na tyle, aby studio lub właściciel praw chciał je zbadać?

Ta praca będzie wymagała ciągłego udoskonalania. Najbardziej dokładne wizualne podobieństwo, które człowiek może łatwo rozpoznać, powinno być punktem wyjścia i jest to dziś możliwe do wykonania. Gdy wchodzimy w obszar tworzeń syntetycznych lub kwestii stylu, staje się to znacznie trudniejsze do udowodnienia i egzekwowania.

Weźmy na przykład Supermana. Jeśli model stworzy ogólnego Supermana z oczami Christophera Reeva, podbródkiem Henry’ego Cavilla, kośćmi policzkowymi innego aktora i tak dalej, te cechy tworzą Supermana, którego bardzo trudno odtworzyć i przypisać, skąd pochodzą poszczególne elementy.

Dwie rzeczy utrzymują fałszywe alarmy pod kontrolą. Po pierwsze, nigdy nie opieramy się wyłącznie na jednej liczbie podobieństwa. Wyniki są benchmarkowane, aby odróżnić ogólne podobieństwo od rzeczywistego odtworzenia, a każdy test jest odtwarzalny: te same dane wejściowe w tych samych warunkach dają te same wyniki. Po drugie, analiza odnosi się do pytań prawnych, na które właściciel praw musiałby odpowiedzieć. W przypadku postaci i dzieł twórczych pytanie dotyczy istotnego podobieństwa. W przypadku marek i wizerunków chodzi o prawdopodobieństwo pomyłki, czyli czy przeciętny odbiorca zostałby wprowadzony w błąd, myśląc, że wynik jest prawdziwy. Naszym zadaniem jest podanie obronnego, powtarzalnego wyniku liczbowego dla tych pytań. Czy coś zasługuje na poziom dochodzenia, zawsze decyduje właściciel praw.

Modele generatywne zmieniają się szybko i mogą zachowywać się zupełnie inaczej po aktualizacji. Jak właściciele praw mogą nieustannie oceniać setki modeli i potencjalnie tysiące chronionych zasobów, nie dopuszczając do tego, by proces monitorowania stał się nieproporcjonalnie kosztowny lub technicznie nie do opanowania?

To prawie niemożliwe, dlatego posiadacze IP pozostają w tyle i ledwo nadążają za najnowszymi modelami z USA i Azji.

Realistycznie potrzebują kogoś po ich stronie, kto będzie nadążał i walczył w ich imieniu. Dlatego zaczęliśmy. Dostrzegliśmy, że studia potrzebują firmy technologicznej, która może dorównać szybkości tych modeli generacyjnych, a nikt inny nie podjął się tego zadania.

Drugą częścią odpowiedzi jest prowadzenie rejestrów. Model może zachowywać się zupełnie inaczej po aktualizacji, więc wynik niepowiązany z konkretnym momentem w czasie jest bezwartościowy. Każdy nasz wynik rejestruje, który model został przetestowany, kiedy, przeciwko któremu chronionemu zasobowi oraz jakie były liczby. To przekształca monitorowanie z niemożliwego, ciągłego problemu w zarządzalny: gdy model się aktualizuje, ponownie go testujesz i porównujesz z zapisem, zamiast zaczynać od zera.

Wykrywanie rozwiązuje tylko część problemu. Gdy system zidentyfikuje, że model AI może odtworzyć chronioną postać lub wizerunek, co powinno się stać dalej i jakie mechanizmy techniczne mogłyby ostatecznie umożliwić twórcom określenie, czy ich IP może być zablokowane, licencjonowane lub użyte na określonych warunkach?

Istnieją zarówno wymiar prawny, jak i techniczny. Prawnie, właściciel IP decyduje, jak postąpić. Może wykorzystać dostarczone przez nas dowody jako podstawę do pozwu lub wykorzystać je w negocjacjach z twórcami modeli. Decyzja należy do niego.

Technicznie, właściciel praw powinien mieć możliwość wyrażenia zgody i wyboru konkretnych modeli, które mogą generować ich produkt lub IP. Powinien kontrolować wynik, zapobiegając scenariuszowi wolnego dostępu. Zamiast być zmuszonym do restrykcyjnych zabezpieczeń, powinien móc monetyzować każde wygenerowanie na ustalonych warunkach. Odzwierciedla to praktyki w innych branżach, więc powinno mieć zastosowanie również tutaj.

Czy ta sama infrastruktura używana do wykrywania nieautoryzowanego użycia AI może ostatecznie umożliwić legalny rynek licencyjny, w którym systemy AI programowo określą, kto jest właścicielem zasobu, jakie uprawnienia są dostępne i jak rekompensata ma trafić do właściciela praw?

Jeśli infrastruktura potrafi określić, czy wynik generowany przez AI przypomina IP, powinna również rozwiązywać kwestie licencjonowania. Może wskazać, jaka własność intelektualna znajduje się w wygenerowanym wyniku, kto jest jej właścicielem, czy powinien być za nią uznany, i ostatecznie zapewnić przepływ rekompensaty. Technologia jest zasadniczo taka sama. To silnik wierności, który generuje weryfikowalne, odtwarzalne dowody statystyczne. Jeśli wynik przekracza próg, przy którym przeciętny odbiorca mógłby pomyśleć, że to prawdziwa rzecz, właściciel praw ma prawo do odszkodowania.

Jedynym warunkiem jest, aby podmiot zarządzający tą warstwą pozostał neutralny. Nie może sam generować treści i nie może zajmować żadnej strony w poszczególnych transakcjach. Jego zadaniem jest dostarczenie obu stronom tego samego, zaufanego rejestru i umożliwienie im bezpośredniej transakcji. Ta neutralność jest powodem, dla którego właściciele praw będą skłonni zarejestrować w nim swoje katalogi.

W miarę jak wideo generowane przez AI zbliża się do jakości i spójności potrzebnej do produkcji profesjonalnej, jak wyobrażasz sobie ostateczny związek firm AI z Hollywood? Czy przewidujesz, że zarządzanie prawami stanie się zewnętrzną warstwą weryfikacji wokół modeli, czy też ostatecznie będzie musiało być wbudowane bezpośrednio w same modele?

Wchodzimy w interesujący świat, w którym firmy AI uczyniły produkcję treści znacznie tańszą niż kiedykolwiek wcześniej. W rezultacie możemy spodziewać się proliferacji treści – niektóre dobre, niektóre złe, niektóre z gustem, inne bez niego. Hollywood tradycyjnie postrzegało się jako arbiter smaku, tworząc dzieła, które ludzie kochają i się w nich zakochują. AI oferuje teraz najpotężniejsze narzędzie dla opowiadaczy historii.

Odnosząc się do drugiej części pytania, szczerą odpowiedzią jest oba rozwiązania, kolejno. Kontrole egzekwowania prawdopodobnie z czasem zostaną przeniesione do wnętrza modeli, ponieważ tam są najtańsze i najszybsze w realizacji. Jednak warstwa referencyjna, czyli rejestr tego, co istnieje, kto jest właścicielem i na jakich warunkach może być używane, musi pozostać niezależna, podobnie jak weryfikacja. Firma tworząca model nie może oceniać własnych wyników, a właściciele praw nie przekażą swoich katalogów firmie, której działalnością jest generowanie ich pochodnych. To podobne do rynków finansowych, gdzie firmy prowadzą zgodność wewnętrznie, ale wciąż podlegają zewnętrznym audytorom.

Zarządzanie prawami nastąpi, gdy Hollywood i firmy AI połączą siły, aby zdecydować, jak chcą współistnieć. Ostatecznie ich cel jest ten sam – tworzyć nowe treści, które ludzie kochają. Trzeba to po prostu zrobić właściwie.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić ARCOS Labs.