Нельсон Чу, основатель и генеральный директор ARCOS Labs — серия интервью

Nelson Chu, основатель и генеральный директор ARCOS Labs, является повторным предпринимателем и технологическим руководителем с опытом работы в финансовой инфраструктуре, инвестировании и цифровых платформах. До создания ARCOS Labs он восемь лет возглавлял Percent, где построил технологическую платформу для модернизации рынка частных кредитов, а сейчас является председателем совета директоров. Ранее Чу соучредил MySupport — онлайн‑платформу, соединяющую пожилых людей и людей с ограниченными возможностями с работниками поддержки, которую впоследствии приобрела RISE Services, и основал стратегическую консалтинговую фирму Lumenary. Он также выступал советником и инвестором в компаниях, включая BlockFi и Recharge Capital, начав свою карьеру в финансовом секторе с позиций в BlackRock, Bank of America и Merrill Lynch.

ARCOS Labs, сокращённо Applied Research in Creative Output Synthesis, разрабатывает инфраструктуру, помогающую ИИ работать ответственно, поскольку генеративные модели всё чаще взаимодействуют с охраняемыми авторским правом произведениями, персонажами и образами людей. Компания сосредоточена на судебно‑экспертной интеллектуальной собственности и управлении правами, предлагая технологии для идентификации и измерения того, как творческие активы воспроизводятся ИИ, отслеживания их использования и поддержки лицензирования и правоприменения. Флагманская платформа VN предназначена дать создателям, студиям, агентствам талантов и правообладателям большую видимость и контроль над тем, как ИИ‑системы используют их интеллектуальную собственность, а ARCOS также стоит за Lightbar — краудсорсинговой инициативой по исследованию моделей обучения ИИ. Компания публично вышла из режима скрытности в августе 2026 года с более широкой целью построить инфраструктуру доверия и прав, необходимую для масштабного сосуществования создателей и ИИ‑систем.

Вы провели восемь лет, создавая Percent, чтобы обеспечить эффективность и прозрачность фрагментированного рынка частных кредитов. Какие уроки из построения такой финансовой инфраструктуры вы применяете сейчас в ARCOS Labs, решая совершенно другую задачу управления интеллектуальной собственностью и правами в эпоху генеративного ИИ?

Многое из этого переносится. Когда мы запускали Percent, частный кредит был фрагментирован и непрозрачен. Каждая сделка описывалась по‑разному, поэтому невозможно было сравнивать их или оценивать с уверенностью. Первый урок — стандартизация должна предшествовать рынку. Мы потратили годы на непривлекательные «трубы», позволяющие описывать и проверять сделку одинаково каждый раз, и только после этого появились эффективные транзакции. ИИ‑интеллектуальная собственность сталкивается с той же проблемой. Нет единого реестра, что такое актив и кто им владеет, не говоря уже о том, как модели его используют. Пока такой реестр не существует, всё нижестоящее остаётся ад‑hoc, будь то принудительное исполнение или лицензирование.

Второй урок — доверие строится на верификации. Инвесторы в частный кредит никогда не принимали слово эмитента о том, как работает сделка. Им нужны были данные, которые они могут проверить самостоятельно. Правообладатели находятся в аналогичной позиции перед ИИ‑компаниями сегодня. Гарантии «ограничительных рамок» имеют мало веса. Доказательства, которые можно независимо воспроизвести, меняют разговор.

Третий урок касается стимулов. Любой фрагментированный рынок «курица‑яйцо» работает только тогда, когда обе стороны убеждены, что решение им выгодно. В Percent мы наблюдали попытки решить проблему только для одной стороны — и это не выдерживало испытания. В управлении ИС и правами стимулы сейчас сильно несогласованы. Компании‑модели хотят расти, предоставлять ценные инструменты клиентам и иногда создавать нарушающий контент как маркетинговый ход (примером являются Sora и ByteDance). Правообладатели же пытаются успевать за изменениями, которые они даже не могут предвидеть, оставаясь актуальными в эпоху, когда создание контента стало значительно проще. Инфраструктура, которая выигрывает в таком рынке, — это та, которой обе стороны могут доверять, обычно это та, которая не участвует в самой сделке.

Большая картина тоже знакома. Частный кредит стал мейнстрим‑классом активов, когда появилась инфраструктура для его измерения, и я считаю, что ИС находится в начале аналогичного перехода.

Что убедило вас, что защита творческих работ от генеративного ИИ требует нового технического уровня инфраструктуры, а не в первую очередь более строгого авторского права, политик модерации контента или водяных знаков?

По‑сути, модели — это технологическое решение, и если вы хотите защитить креативность от моделей, потребуется технологическое решение. Авторское право остаётся расплывчатым, что видно из дел, таких как Cox, Anthropic, а также происходящего в Германии с GEMA. Понятие «добросовестного использования» всё ещё открытый вопрос, который пока не решён, и суды, как и должно быть, займут длительное время, чтобы вынести решения. Модерация контента полагается на то, что модели сами себя регулируют, что требует от них слишком многого и практически невозможно, судя по наблюдениям. Водяные знаки — перспективная идея, но они тоже зависят от самих людей, которые их контролируют, и их легко удалить. Учитывая всё это, мы поняли, что единственный реальный путь — сделать это самостоятельно и предложить технологический ответ на эту очень реальную и значимую проблему.

VN предназначена измерять, насколько AI‑созданный контент похож на защищённые персонажи, творческие произведения и образы людей. На техническом уровне, как система определяет, когда вывод переходит от простой схожести к тому, что должно насторожить правообладателя?

В конечном итоге решение остаётся за пользователем. Наша задача — определить, насколько статистически схож вывод, захватив каждый поз и каждую возможность, а затем сравнить его с защищённым персонажем, творческим произведением или образом человека. У некоторых пользователей есть порог, ниже которого они не могут публиковать работу. Крупные компании, как правило, строже, потому что весь созданный контент должен принадлежать им. Пользователи‑профессионалы, экспериментирующие для удовольствия, могут принять более высокий порог и допустить больше вариаций.

При проведении судебно‑экспертного тестирования для студии, агентства талантов или аналогичного клиента мы предоставляем анализ раскрытия:

• Какие модели генерируют контент наиболее точно
• Какие модели способны его создать вообще
• Какие модели могут поставить его в проблемные ситуации

В конечном итоге наша работа — выполнить анализ и предоставить результаты, а то, как клиент их использует, полностью зависит от него.

Ваше тестирование Seedance 2.5 выявило гораздо более сильные меры защиты вокруг узнаваемых персонажей, чем вокруг менее известных объектов ИС. Что это различие говорит нам о том, как компании‑разработчики ИИ в настоящее время строят свои механизмы защиты авторского права, и почему «длинный хвост» ИС особенно трудно защищать?

Каждая компания‑ИИ отличается, и степень их заботы об этой проблеме варьируется. Когда в начале этого года был выпущен Seedance 2.0, ByteDance быстро осознала проблему, которую создал для себя обратный отклик, и начала улучшать свои меры защиты. Некоторые известные, популярные модели выглядят безразличными — то по выбору, то по неосторожности, но уважение к интеллектуальной собственности никогда не будет рассматриваться как ошибка; они просто ещё не пришли к такому выводу.

Защита «длинного хвоста» сложна из‑за особенностей технологии:

Проверка на уровне подсказки: анализ входного запроса на наличие нарушающего контента, позволяющий модели решить, продолжать ли работу. К сожалению, даже при проверке подсказки остаётся множество способов её обойти. Можно сформулировать запрос иначе, описать персонажа без указания имени, использовать опечатки. Подсказки легко обходят детекторы, а модели могут также «галлюцинировать», создавая выводы, отличные от запроса, и включать нарушающий персонаж.

Проверка на уровне вывода: сканирование каждого вывода против базы данных известных персонажей. Узнаваемые персонажи вызывают более высокую чувствительность, тогда как персонажи из «длинного хвоста» могут остаться незамеченными, потому что их нет в базе, и поэтому всесторонний контроль неизбежно затруднён.

Скорость тоже важна. Для моделей генерации изображений проверка одного изображения относительно быстра, но генерация видео требует сканирования множества кадров, что существенно замедляет процесс и влияет на пользовательский опыт.

Балансировать эти вопросы деликатно, но некоторые модели прилагают усилия, чтобы решить эту задачу. В конечном итоге всё зависит от того, готова ли модель уважать интеллектуальную собственность.

Модель может отклонить прямой запрос на генерацию защищённого персонажа, но всё равно воспроизвести его при достаточно детальном описании. Как должно развиваться тестирование безопасности ИИ, выходя за рамки простых показателей отказа от подсказки, чтобы выявлять такие формы косвенного воспроизведения?

Это явная проблема. Когда модель способна воспроизвести персонажа по детальному или даже простому описанию, это свидетельствует о глубокой интеграции персонажа в тренировочных данных. Это поднимает отдельный вопрос о том, как собирались данные, и сейчас этот вопрос рассматривается в судах.

Тестирование безопасности должно выйти за пределы анализа подсказок и перейти к анализу реальных выводов. Модели генерируют изображения через диффузию, постепенно формируя визуальное представление результата. Из‑за этого процесса и особенностей обучения они могут непреднамеренно воспроизводить защищённые персонажи — как в переднем плане, так и на заднем, иногда без подсказки. Надёжный способ обнаружить это — напрямую тестировать модель и измерять, что она действительно создаёт.

Обнаружение сходства неизбежно поднимает вопрос о ложных срабатываниях. Как отличить законное творческое влияние, случайную схожесть и воспроизведение, статистически значимое настолько, что студия или правообладатель должны начать расследование?

Эта работа потребует постоянного уточнения. Наиболее точное визуальное сходство, которое человек может сразу распознать, должно служить отправной точкой, и сегодня это то, что можно выполнить хорошо. Как только речь идёт о синтетических творениях или вопросах стиля, доказать и обеспечить исполнение становится гораздо сложнее.

Возьмём, к примеру, Супермена. Если модель создаст «общего» Супермена с глазами Кристофера Ривза, подбородком Генри Кавилла, скулой другого актёра и т.д., такие черты образуют Супермена, который чрезвычайно трудно отследить до конкретного источника.

Два фактора удерживают ложные срабатывания в узде. Первый — мы никогда не полагаемся только на один показатель сходства в изоляции. Результаты бенчмаркуются, чтобы отделить общую схожесть от реального воспроизведения, и каждый тест воспроизводим: одинаковые входные данные в одинаковых условиях дают одинаковые цифры. Второй — анализ соотносится с юридическими вопросами, которые действительно должен решить правообладатель. Для персонажей и творческих работ это вопрос «существенного сходства». Для брендов и образов — вероятность путаницы, то есть будет ли обычный зритель введён в заблуждение, полагая, что вывод — подлинный. Наша задача — предоставить обоснованный, повторяемый показатель для этих вопросов. Решать, стоит ли поднимать дело, всегда остаётся за правообладателем.

Генеративные модели быстро меняются и могут вести себя совсем иначе после обновления. Как правообладатели могут постоянно оценивать сотни моделей и потенциально тысячи защищённых активов, не превращая процесс мониторинга в непосильную или технически неуправляемую задачу?

Это почти невозможно, поэтому правообладатели отстают и едва успевают за новыми моделями из США и Азии.

Реалистично, им нужен кто‑то из их окружения, кто сможет идти в ногу с изменениями и отстаивать их интересы. Именно поэтому мы начали работать. Мы увидели, что студиям нужна технологическая компания, способная выдержать темпы генеративных моделей, и никто иначе не готов был это сделать.

Вторая часть ответа — учёт записей. Модель может вести себя совершенно иначе после обновления, поэтому оценка без привязки ко времени бесполезна. Каждый наш результат фиксирует, какая модель была протестирована, когда, против какого защищённого актива и какие цифры получены. Это превращает мониторинг из постоянно‑нагрузочного «невыполнимого» процесса в управляемый: когда модель обновляется, её повторно тестируют и сравнивают с записью, а не начинают всё заново.

Обнаружение решает лишь часть проблемы. После того как система определит, что ИИ‑модель может воспроизвести защищённый персонаж или образ, что должно произойти дальше, и какие технические механизмы в конечном итоге позволят создателям указать, может ли их ИС быть заблокировано, лицензировано или использовано при определённых условиях?

Существует как юридическое, так и техническое измерение. Юридически правообладатель решает, как действовать. Он может использовать предоставленные нами доказательства как основу для судебного иска или использовать их в переговорах с разработчиками моделей. Выбор остаётся за ним.

Технически правообладатель должен иметь возможность дать согласие и выбрать конкретные модели, которые могут генерировать их продукт или ИС. Он должен контролировать вывод, предотвращая сценарий «свободного доступа». Вместо того чтобы быть вынужденным к ограничительным рамкам, они должны иметь возможность монетизировать каждое поколение на заранее заданных условиях. Это отражает практики в других отраслях и должно работать и здесь.

Может ли та же инфраструктура, используемая для обнаружения несанкционированного использования ИИ, в конечном итоге стать легитимным рынком лицензирования, где ИИ‑системы программно определяют, кто владеет активом, какие разрешения доступны и как компенсация должна возвращаться правообладателю?

Если инфраструктура способна определить, выглядит ли ИИ‑генерированный вывод как ИС, то она же должна в конечном итоге решать вопросы лицензирования. Она может указать, что представляет собой ИС в выводе, кто является правообладателем, следует ли его упомянуть и обеспечить поток компенсации. Технология по сути та же. Это «двигатель достоверности», который предоставляет проверяемые, воспроизводимые статистические доказательства в ту или иную сторону. Если вывод пересекает порог, при котором зритель может разумно принять его за оригинал, правообладатель имеет право на компенсацию.

Единственное условие — тот, кто управляет этим слоем, должен оставаться нейтральным. Он не может сам генерировать контент и не может принимать сторону в отдельной сделке. Его задача — предоставить обеим сторонам одинаковый надёжный реестр и позволить им напрямую заключать сделки. Такая нейтральность и будет причиной, по которой правообладатели согласятся регистрировать свои каталоги в этой системе.

По мере того как ИИ‑генерируемое видео приближается к качеству и стабильности, необходимым для профессионального производства, как, по вашему мнению, будет выглядеть взаимоотношение компаний ИИ и Голливуда? Считаете ли вы, что управление правами станет внешним уровнем проверки вокруг моделей или в конечном итоге будет встроено непосредственно в сами модели?

Мы вступаем в интересный мир, где компании ИИ сделали производство контента гораздо дешевле, чем когда‑либо прежде. В результате ожидается всплеск контента — хорошего и плохого, со вкусом и без него. Традиционно Голливуд видел себя арбитром вкуса, создавая произведения, которые люди любят и в которые влюбляются. ИИ теперь предоставляет самый мощный инструмент для рассказчиков.

Что касается второй части вопроса, честный ответ — оба варианта, последовательно. Проверки соблюдения, вероятно, со временем будут встроены в модели, потому что это дешевле и быстрее. Но слой‑референт, то есть реестр того, что существует, кто владеет чем и на каких условиях это может использоваться, должен оставаться независимым, как и проверка. Компания‑модель не может оценивать свои собственные выводы, а правообладатели не передадут свои каталоги компании, бизнес которой — генерировать их производные. Это аналогично финансовым рынкам, где фирмы проводят внутреннее соответствие, но всё равно подотчётны внешним аудиторам.

Управление правами произойдёт, когда Голливуд и компании ИИ соберутся вместе, чтобы решить, как они хотят сосуществовать. В конечном итоге их цель одна — создавать новый контент, который людям нравится. Нужно лишь делать это правильно.

Спасибо за отличное интервью, читатели, желающие узнать больше, могут посетить ARCOS Labs.