Nelson Chu, fondator și CEO al ARCOS Labs – Seria de interviuri

Nelson Chu, fondator și CEO al ARCOS Labs, este un antreprenor în serie și executiv în tehnologie cu un background ce acoperă infrastructura financiară, investiții și platforme digitale. Înainte de a fonda ARCOS Labs, a petrecut opt ani ca fondator și CEO al Percent, unde a construit o platformă tehnologică destinată modernizării piețelor de credit privat, și acum este președinte al consiliului de administrație. În primele etape ale carierei, Chu a cofondat MySupport, o platformă online care conectează seniori și persoane cu dizabilități cu lucrători de suport, achiziționată ulterior de RISE Services, și a fondat firma de consultanță strategică Lumenary. De asemenea, a fost consilier și investitor în companii precum BlockFi și Recharge Capital, începându-și cariera în servicii financiare cu roluri la BlackRock, Bank of America și Merrill Lynch.

ARCOS Labs, prescurtare de la Applied Research in Creative Output Synthesis, dezvoltă infrastructură concepută să ajute IA să opereze responsabil pe măsură ce modelele generative interacționează tot mai mult cu opere protejate prin drepturi de autor, personaje și asemănări umane. Compania se concentrează pe inteligență IP forensică și gestionarea drepturilor, cu tehnologie menită să identifice și să măsoare cum activele creative sunt reproduse de IA, să urmărească utilizarea lor și să susțină cadrele de licențiere și aplicare a legii. Platforma sa de top, VN, este proiectată să ofere creatorilor, studiourilor, agențiilor de talente și deținătorilor de drepturi o vizibilitate și un control mai mari asupra modului în care sistemele IA utilizează proprietatea lor intelectuală, în timp ce ARCOS susține și Lightbar, o inițiativă de tip crowdsourcing pentru investigarea modelelor de antrenament IA. Compania a ieșit public din stadiul de stealth în august 2026 cu un scop mai larg de a construi încrederea și infrastructura de drepturi necesare pentru ca creatorii și sistemele IA să coexiste la scară.

Ai petrecut opt ani construind Percent în jurul infrastructurii necesare pentru a aduce eficiență și transparență pe o piață fragmentată de credit privat. Ce lecții din construirea acestui tip de infrastructură financiară aplici acum la ARCOS Labs în timp ce abordezi problema foarte diferită a proprietății intelectuale și gestionării drepturilor în era IA generativă?

Mult multe dintre ele se transferă. Când am început Percent, creditul privat era fragmentat și opac. Fiecare tranzacție era descrisă diferit, astfel încât nimic nu putea fi comparat sau evaluat cu încredere. Prima lecție este că standardizarea trebuie să vină înaintea pieței. Am petrecut ani pe infrastructura neglorită care permitea ca o tranzacție să fie descrisă și verificată în același mod de fiecare dată, iar tranzacțiile eficiente au apărut doar după aceea. IP în era IA generativă are aceeași problemă. Nu există un registru standard al ceea ce este un activ și cine îl deține, cu atât mai puțin cum aceste modele îl utilizează. Până când acel registru există, tot ce urmează rămâne ad hoc, fie că este vorba de aplicare sau de licențiere.

A doua lecție este că încrederea se construiește pe verificare. Investitorii în credit privat nu au luat niciodată cuvântul emitentului privind performanța unei tranzacții. Ei doreau date pe care să le poată verifica singuri. Deținătorii de drepturi se află în aceeași poziție cu companiile IA astăzi. Asigurările privind barierele de protecție au foarte puțină greutate. Dovezile care pot fi reproduse independent sunt cele care schimbă discuția.

A treia lecție se referă la stimulente. Orice piață fragmentată, de tip „găină și ou”, funcționează doar când fiecare parte este convinsă că soluția îi avantajează. La Percent, am observat încercări de a rezolva problema pentru una dintre părți, dar nu au rezistat. În gestionarea IP și a drepturilor, stimulentele sunt în prezent foarte dezechilibrate. Companiile de modele doresc să crească, să ofere instrumente valoroase clienților și uneori să creeze conținut care încalcă drepturile ca tactic de marketing, cu Sora și ByteDance ca exemple recente. Deținătorii de drepturi, în schimb, încearcă să țină pasul cu schimbări pe care nici nu le pot anticipa, menținându-se relevanți într-o eră în care producerea de conținut a devenit mult mai ușoară. Infrastructura care câștigă pe o astfel de piață este cea în care ambele părți pot avea încredere, de obicei cea care nu este participantă directă la tranzacție.

Arcul mai larg este, de asemenea, familiar. Creditul privat a devenit o clasă de active mainstream odată ce a existat infrastructura pentru a-l măsura, și cred că IP se află la începutul aceleiași tranziții.

Ce te-a convins că protejarea lucrărilor creative de IA generativă necesită un nou strat de infrastructură tehnică, în loc de, în primul rând, o lege mai bună a drepturilor de autor, politici de moderare a conținutului sau marcaje de apărare?

Fundamental, modelele sunt o soluție tehnologică și, dacă vrei să protejezi creativitatea de modele, va fi necesară o soluție tehnică. Legea drepturilor de autor rămâne vagă, fapt evident în cazuri precum Cox, Anthropic și, de asemenea, în ceea ce se întâmplă în Germania cu GEMA. Conceptul de utilizare corectă este încă o întrebare deschisă și nu a fost încă decis, iar instanțele, cum ar trebui, vor dura mult timp să judece. Moderarea conținutului se bazează pe modele pentru a se modera singure, ceea ce le cere foarte mult și este aproape imposibil, având în vedere ce am observat. Marcajele de apărare sunt o idee promițătoare, dar depind și de auto‑policarea oamenilor și pot fi îndepărtate cu ușurință. Având în vedere toate acestea, am știut că singura cale reală este să facem noi înșine și să oferim un răspuns prin tehnologie la această problemă foarte reală și semnificativă.

VN este conceput pentru a măsura cât de apropiat este conținutul generat de IA de personaje protejate, lucrări creative și asemănări umane. La nivel tehnic, cum determină sistemul când un rezultat trece de la a fi doar similar la a fi ceva ce ar trebui să îngrijoreze deținătorul de drepturi?

În cele din urmă, lăsăm decizia utilizatorului. Rolul nostru este să determinăm cât de statistic similar este rezultatul, asigurându-ne că capturăm fiecare postură și posibilitate, apoi să îl comparăm cu personajul, lucrarea creativă sau asemănarea umană protejată. Unii utilizatori au un prag sub care nu pot publica lucrarea. Companiile mari tind să fie mai stricte deoarece tot conținutul produs trebuie să fie al lor. Utilizatorii prosumer, care experimentează pentru distracție, pot accepta un prag mai ridicat și permit mai multe variații.

Când efectuăm teste forensice pentru un studio, o agenție de talente sau un client similar, furnizăm o analiză de expunere:

• Care modele generează conținutul cel mai precis
• Care modele îl pot produce deloc
• Care modele ar putea să îl plaseze în situații problematice

În final, sarcina noastră este să facem analiza și să furnizăm rezultatele, dar modul în care clientul le folosește este în totalitate decizia lui.

Testele tale pe Seedance 2.5 au constatat măsuri de protecție mult mai puternice în jurul personajelor recognoscibile decât în jurul proprietății intelectuale mai puțin proeminente. Ce ne spune această discrepanță despre modul în care companiile IA își construiesc în prezent măsurile de protecție a drepturilor de autor și de ce este IP-ul de tip long‑tail deosebit de dificil de protejat?

Fiecare companie IA este diferită, iar fiecare acordă atenție acestei probleme în grade diferite. Când Seedance 2.0 a fost lansat la începutul acestui an, ByteDance a recunoscut rapid problema pe care și-a creat-o, având în vedere reacțiile negative, și a început să îmbunătățească măsurile de protecție. Unele modele bine cunoscute și populare par indiferente, fie prin alegere, fie prin neglijență, dar respectarea proprietății intelectuale nu va fi niciodată considerată o greșeală; pur și simplu nu au ajuns încă la acea concluzie.

Protejarea long‑tail este dificilă din cauza modului în care tehnologia funcționează:

Verificări la nivel de prompt: Examinați promptul de intrare pentru conținut care încalcă drepturile, permițând modelului să decidă dacă să continue. Din păcate, chiar și atunci când se examinează promptul, există multe modalități de a ocoli. Pot reformula ușor, pot descrie personajul fără a-l numi, pot folosi greșeli de scriere. Prompturile pot ocoli cu ușurință detectorii, iar modelele pot, de asemenea, să producă halucinații, generând rezultate diferite de promptul utilizatorului și care pot include un personaj care încalcă drepturile.

Verificări de analiză a ieșirii: Scanați fiecare rezultat în raport cu o bază de date a personajelor cunoscute. Personajele recognoscibile declanșează o sensibilitate mai mare, în timp ce personajele long‑tail pot trece neobservate deoarece nu sunt în baza de date, iar astfel o supraveghere cuprinzătoare este inevitabil provocatoare.

Viteza contează, de asemenea. Pentru modelele de generare a imaginilor, verificarea unei singure imagini este relativ rapidă. Generarea de video, însă, necesită scanarea multor cadre, ceea ce poate încetini semnificativ producția și poate afecta experiența utilizatorului.

Echilibrarea acestor preocupări este delicată, dar unele modele au depus eforturi pentru a încerca să rezolve această problemă. În final, depinde de dacă un model este dispus și interesat să respecte proprietatea intelectuală.

Un model poate refuza o cerere directă de a genera un personaj protejat prin drepturi de autor, dar totuși să reproducă acel personaj când primește o descriere suficient de detaliată. Cum ar trebui testarea de siguranță a IA să evolueze dincolo de ratele simple de refuz al promptului pentru a identifica acest tip de reproducere indirectă?

Este o problemă evidentă. Când un model poate reproduce un personaj dintr-o descriere detaliată sau chiar foarte simplă, indică faptul că personajul este profund încorporat în datele de antrenament. Acest lucru ridică o întrebare complet separată despre cum au fost colectate datele, și în prezent se află în discuțiile judiciare.

Testarea de siguranță trebuie să depășească examinarea prompturilor și să evolueze spre analiza efectivă a rezultatelor. Modelele generează imagini prin difuzie, construind treptat o viziune a rezultatului. Din cauza acestui proces și a modului în care au fost antrenate, pot reproduce involuntar personaje protejate prin drepturi de autor, în prim-plan sau chiar în fundal, și uneori fără să fie solicitate. Singura modalitate fiabilă de a detecta acest lucru este să se testeze modelul direct și să se măsoare ce produce efectiv.

Detectarea similarității ridică inevitabil întrebări despre fals pozitive. Cum diferențiați influența creativă legitimă, similaritatea întâmplătoare și o reproducere care este suficient de semnificativă statistic pentru ca un studio sau deținător de drepturi să investigheze?

Acest lucru va necesita rafinament continuu. Cea mai exactă asemănare vizuală pe care un om o poate recunoaște rapid ar trebui să fie punctul de plecare, și asta este ceea ce se poate face bine astăzi. Odată ce intrați în creații sintetice sau în întrebări legate de stil, devine mult mai greu de dovedit și mult mai greu de aplicat.

Luați exemplul lui Superman. Dacă un model ar crea un Superman generic cu ochii lui Christopher Reeve, bărbia lui Henry Cavill, pomeții unui alt actor etc., acele trăsături creează un Superman extrem de greu de dezasamblat și de atribuit sursei exacte.

Două lucruri mențin fals pozitivele sub control. Primul este că nu ne bazăm niciodată pe un singur număr de similaritate în izolare. Rezultatele sunt benchmark-uite astfel încât asemănarea generică poate fi separată de reproducerea efectivă, și fiecare test este reproductibil: aceleași intrări în aceleași condiții produc aceleași numere. Al doilea este că analiza se mapă la întrebările legale pe care un deținător de drepturi ar trebui să le răspundă. Pentru personaje și lucrări creative, întrebarea este similaritatea substanțială. Pentru mărci și asemănări, este probabilitatea de confuzie, adică dacă un spectator obișnuit ar fi indus în eroare să creadă că rezultatul este real. Sarcina noastră este să punem în spatele acestor întrebări un număr defensabil și repetabil. Dacă ceva ajunge la nivelul unei investigații, decizia aparține întotdeauna deținătorului de drepturi.

Modelele generative se schimbă rapid și pot reacționa foarte diferit după o actualizare. Cum pot deținătorii de drepturi să evalueze continuu sute de modele și potențial mii de active protejate fără ca procesul de monitorizare să devină prohibitiv de costisitor sau tehnic imposibil de gestionat?

Este aproape imposibil, motiv pentru care deținătorii de IP rămân în urmă și abia reușesc să țină pasul cu cele mai noi modele din SUA și Asia.

În mod realist, au nevoie de cineva în echipa lor care să țină pasul și să lupte în numele lor. De aceea am început. Am observat că aceste studiouri au nevoie de o companie tech care să poată egala viteza acestor modele de generare, iar nimeni altcineva nu se ridica la acest nivel.

A cealaltă parte a răspunsului îi stă în evidență. Un model poate reacționa foarte diferit după o actualizare, așa că un scor care nu este legat de un moment în timp nu are valoare. Fiecare rezultat pe care îl producem înregistrează ce model a fost testat, când a fost testat, împotriva cărui activ protejat a fost testat și care au fost cifrele. Acest lucru transformă monitorizarea dintr-o problemă imposibilă și continuă într-una gestionabilă: când un model se actualizează, re-testăm și comparăm cu înregistrarea în loc să începem de la zero.

Detectarea rezolvă doar o parte a problemei. Odată ce un sistem identifică că un model IA poate reproduce un personaj sau o asemănare protejată, ce ar trebui să se întâmple în continuare și ce mecanisme tehnice ar putea permite creatorilor să specifice dacă IP-ul lor poate fi blocat, licențiat sau utilizat în anumite condiții?

Există atât dimensiuni legale, cât și tehnice. Din punct de vedere legal, deținătorul de IP decide cum să procedeze. Poate folosi dovezile pe care le furnizăm ca bază pentru un proces sau le poate folosi în negocieri cu dezvoltatorii de modele. Alegerea revine lor.

Din punct de vedere tehnic, un deținător de drepturi ar trebui să poată consimți și să se înscrie în anumite modele care pot genera produsul sau IP-ul lor. Ar trebui să controleze rezultatul, prevenind un scenariu de tip free‑for‑all. În loc să fie forțați să accepte bariere restrictive, ar trebui să poată monetiza fiecare generație pe baza unor termeni predefiniți. Acest lucru reflectă practici din alte industrii, așa că ar trebui să se aplice și aici.

Ar putea aceeași infrastructură folosită pentru a detecta utilizarea neautorizată a IA să permită în cele din urmă o piață legitimă de licențiere, unde sistemele IA pot determina programatic cine deține un activ, ce permisiuni sunt disponibile și cum ar trebui să curgă compensația înapoi la deținătorul de drepturi?

Dacă infrastructura poate determina dacă un rezultat generat de IA seamănă cu un IP, atunci ar trebui să fie și cea care să rezolve în cele din urmă licențierea. Poate identifica ce IP există în rezultatul generat, cine este deținătorul de drepturi, dacă ar trebui să fie creditat și, în final, să facă ca compensația să curgă prin ea. Tehnologia este fundamental aceeași. Este un motor de fidelitate care produce dovezi statistice verificabile și reproductibile într-un fel sau altul. Dacă un rezultat depășește pragul la care un spectator ar putea să îl confunde cu ceva real, deținătorul de drepturi are dreptul la compensație.

Singura condiție este ca cel care administrează acest strat să rămână neutru. Nu poate genera conținut singur și nu poate lua parte la niciun acord individual. Sarcina lui este să ofere ambelor părți același registru de încredere și să le permită să tranzacționeze direct. Această neutralitate este motivul pentru care deținătorii de drepturi ar fi dispuși să își înregistreze cataloagele în primul rând.

Pe măsură ce videoclipurile generate de IA se apropie de calitatea și consistența necesare pentru producție profesională, cum crezi că va arăta în cele din urmă relația dintre companiile IA și Hollywood? Crezi că gestionarea drepturilor va deveni un strat de verificare extern în jurul modelelor, sau ceva ce va trebui să fie integrat direct în modelele în sine?

Este o lume interesantă în care intrăm, pe măsură ce companiile IA au făcut producția de conținut mult mai ieftină decât oricând. Ca rezultat, ne așteptăm la o proliferare de conținut, unele bune, altele proaste, unele cu gust, altele fără. Hollywood s-a văzut tradițional ca un arbitru al gustului, creând lucrări pe care oamenii le iubesc și se îndrăgostesc de ele. IA oferă acum cea mai puternică unealtă pentru povestitori.

În a doua parte a întrebării, cred că răspunsul onest este ambele, în succesiune. Verificările de aplicare probabil vor trece în interiorul modelelor în timp, deoarece acolo sunt cele mai ieftine și rapide de rulat. Dar stratul de referință, adică registrul a ceea ce există, cine îl deține și în ce condiții poate fi utilizat, trebuie să rămână independent, la fel și verificarea. O companie de modele nu poate fi cea care își evaluează propriile rezultate, iar deținătorii de drepturi nu își vor încredința cataloagele unei companii a cărei afacere este generarea de derivate ale acestora. Este similar cu piețele financiare, unde firmele își desfășoară conformitatea intern, dar răspund în continuare auditorilor externi.

Gestionarea drepturilor va avea loc când Hollywood și companiile IA se vor uni pentru a decide cum să coexiste. La final, scopul lor este același: să creeze conținut nou pe care oamenii îl iubesc. Trebuie doar să fie făcut în mod corect.

Vă mulțumim pentru interviul excelent, cititorii care doresc să afle mai multe ar trebui să viziteze ARCOS Labs.