Nelson Chu, grundare och VD för ARCOS Labs – Intervjuserie

Nelson Chu, grundare och VD för ARCOS Labs, är en återkommande entreprenör och teknikchef med en bakgrund som spänner över finansiell infrastruktur, investeringar och digitala plattformar. Innan han grundade ARCOS Labs tillbringade han åtta år som grundare och VD för Percent, där han byggde en teknikplattform avsedd att modernisera marknaden för privat kredit, och sitter nu i styrelsens ordförandeposition. Tidigare i sin karriär var Chu medgrundare till MySupport, en onlineplattform som kopplar samman seniorer och personer med funktionsnedsättningar med stödpersonal, som senare förvärvades av RISE Services, och grundade det strategiska rådgivningsföretaget Lumenary. Han har också varit rådgivare och investerare i företag som BlockFi och Recharge Capital, samtidigt som han inledde sin karriär inom finansiella tjänster med roller på BlackRock, Bank of America och Merrill Lynch.

ARCOS Labs, förkortning för Applied Research in Creative Output Synthesis, utvecklar infrastruktur som är avsedd att hjälpa AI att fungera ansvarsfullt i takt med att generativa modeller i allt högre grad interagerar med upphovsrättsskyddade verk, karaktärer och mänskliga likheter. Företaget fokuserar på forensisk IP‑intelligens och rättighetsförvaltning, med teknik som ska identifiera och mäta hur kreativa tillgångar reproduceras av AI, spåra deras användning och stödja licens- och verkställighetsramverk. Dess flaggskeppsplattform, VN, är utformad för att ge skapare, studior, talangbyråer och rättighetsinnehavare större insyn och kontroll över hur AI‑system använder deras immateriella egendom, medan ARCOS också står bakom Lightbar, ett crowdsourcat initiativ för att undersöka AI‑träningsmodeller. Företaget trädde offentligt fram ur stealth i augusti 2026 med ett bredare mål att bygga det förtroende‑ och rättighetsinfrastruktur som krävs för att skapare och AI‑system ska kunna samexistera i stor skala.

Du tillbringade åtta år med att bygga Percent kring den infrastruktur som behövs för att skapa effektivitet och transparens i en fragmenterad marknad för privat kredit. Vilka lärdomar från att bygga den typen av finansiell infrastruktur applicerar du nu på ARCOS Labs när du tar itu med det mycket annorlunda problemet med immateriella rättigheter och rättighetsförvaltning i den generativa AI‑åldern?

Mycket av det överförs. När vi startade Percent var privat kredit fragmenterad och ogenomskinlig. Varje affär beskrevs på olika sätt, så inget kunde jämföras eller prissättas med förtroende. Den första lärdomen är att standardisering måste komma före marknadsplatsen. Vi tillbringade år på den oattraktiva infrastrukturen som gjorde det möjligt att beskriva och verifiera en affär på samma sätt varje gång, och de effektiva transaktionerna kom först därefter. IP i den generativa AI‑åldern har samma problem. Det finns ingen standardiserad registrering av vad en tillgång är och vem som äger den, än mindre hur dessa modeller använder den. Tills en sådan registrering finns, förblir allt nedströms ad hoc, oavsett om det gäller verkställighet eller licensiering.

Den andra lärdomen är att förtroende byggs på verifiering. Investerare i privat kredit tog aldrig en utfärdares ord för hur en affär presterade. De ville ha data som de själva kunde kontrollera. Rättighetsinnehavare befinner sig i samma position med AI‑företag idag. Garantier om skyddsmekanismer har mycket liten betydelse. Bevis som kan reproduceras oberoende är det som förändrar samtalet.

Den tredje lärdomen handlar om incitament. En fragmenterad “kyckling‑och‑ägg”-marknad fungerar bara när varje sida är övertygad om att lösningen gynnar dem. Med Percent såg vi försök att lösa problemet för den ena eller den andra sidan, och det höll aldrig. Inom IP‑ och rättighetsförvaltning är incitamenten just nu starkt feljusterade. Modellföretag vill växa, erbjuda värdefulla verktyg till sina kunder och ibland skapa intrångsinnehåll som en marknadsföringstaktik, med Sora och ByteDance som nyliga exempel. Rättighetsinnehavare försöker samtidigt hålla jämna steg med förändringar de knappt kan förutse, samtidigt som de vill förbli relevanta i en era där innehållsproduktion har blivit dramatiskt enklare. Den infrastruktur som vinner på en sådan marknad är den som båda parter kan lita på, vilket oftast innebär den som inte själv deltar i transaktionen.

Den större bågen är också bekant. Privat kredit blev en mainstream tillgångsklass när infrastrukturen för att mäta den fanns, och jag tror att IP befinner sig i början av samma övergång.

Vad övertygade dig om att skyddet av kreativa verk mot generativ AI kräver ett nytt tekniskt infrastrukturlager, snarare än främst bättre upphovsrättslagstiftning, innehållsmoderationspolicyer eller vattenmärkning?

I grund och botten är modellerna en teknisk lösning, och om du vill skydda kreativitet från modellerna krävs en teknisk lösning. Upphovsrättslagstiftningen är fortfarande vag, vilket framgår av fall som Cox, Anthropic och även vad som händer i Tyskland med GEMA. Begreppet “fair use” är fortfarande en öppen fråga och har ännu inte avgjorts, och domstolarna, som de bör, kommer att ta lång tid på sig att döma. Innehållsmoderering förlitar sig på att modellerna modererar sig själva, vilket är ett stort krav på dem och i praktiken nästan omöjligt enligt våra observationer. Vattenmärkning är en lovande idé, men den beror också på att människor självövervakar och kan enkelt tas bort. Med allt detta i åtanke insåg vi att det enda riktiga sättet att gå vidare var att göra det själva och erbjuda ett tekniskt svar på detta mycket verkliga och betydelsefulla problem.

VN är utformat för att mäta hur nära AI‑genererat innehåll liknar skyddade karaktärer, kreativa verk och mänskliga likheter. På en teknisk nivå, hur avgör systemet när ett resultat har gått från att bara vara likt till något som bör oro en rättighetsinnehavare?

Vi låter i slutändan användaren fatta beslutet. Vår roll är att fastställa hur statistiskt likt resultatet är, säkerställa att vi fångar varje pose och möjlighet, och sedan jämföra det med den skyddade karaktären, det kreativa verket eller den mänskliga likheten. Vissa användare har en tröskel under vilken de inte kan publicera arbetet. Större företag tenderar att vara striktare eftersom allt producerat innehåll måste vara deras eget. Prosumer‑användare, som experimenterar för nöjes skull, kan acceptera en högre tröskel och tillåta fler variationer.

När vi utför forensisk testning för en studio, talangbyrå eller liknande kund, tillhandahåller vi exponering‑analys:

• Vilka modeller genererar innehållet mest exakt
• Vilka modeller kan producera det alls
• Vilka modeller kan placera det i problematiska situationer

I slutändan är vårt jobb att utföra analysen och leverera resultaten, men hur kunden använder dem är helt upp till dem.

Er testning av Seedance 2.5 fann mycket starkare skydd kring igenkännbara karaktärer än kring mindre framträdande immateriella rättigheter. Vad säger den skillnaden om hur AI‑företag för närvarande bygger sina upphovsrättsskydd, och varför är långsvans‑IP särskilt svårt att skydda?

Varje AI‑företag är annorlunda, och varje företag bryr sig om detta problem i varierande grad. När Seedance 2.0 släpptes tidigare i år insåg ByteDance snabbt problemet de själva hade skapat med den negativa återkopplingen och började förbättra sina skydd. Vissa välkända, populära modeller verkar likgiltiga, antingen av val eller av förbiseende, men att respektera immateriella rättigheter kommer aldrig att ses som ett misstag; de har bara ännu inte dragit samma slutsats.

Att skydda långsvansen är svårt på grund av hur tekniken fungerar:

Kontroller på prompt‑nivå: Undersök inmatningsprompten för intrångsinnehåll, så att modellen kan avgöra om den ska fortsätta. Tyvärr, även när prompten granskas, finns många sätt att kringgå den. De kan formulera den något annorlunda, beskriva karaktären utan att namnge den, eller använda stavfel. Prompter kan enkelt gå förbi detektorer, och modeller kan också hallucinationera resultat som skiljer sig från användarens prompt och kan inkludera en intrångskaraktär.

Kontroller av output‑analys: Skanna varje resultat mot en databas med kända karaktärer. Igenkännbara karaktärer utlöser högre känslighet, medan långsvans‑karaktärer kan gå obemärkt förbi eftersom de kanske bara fanns på DVD och databasen saknar dem, vilket gör omfattande övervakning oundvikligen utmanande.

Hastighet spelar också roll. För bildgenereringsmodeller är kontroll av en enskild bild relativt snabb. Videogenerering kräver dock skanning av många bildrutor, vilket kan sakta ner resultatet avsevärt och påverka användarupplevelsen.

Att balansera dessa frågor är känsligt, men vissa modeller har lagt ner ansträngning för att försöka lösa det. I slutändan beror det på om en modell är villig och intresserad av att respektera immateriella rättigheter.

En modell kan vägra en direkt begäran om att generera en upphovsrättsskyddad karaktär men ändå reproducera den karaktären när den får en tillräckligt detaljerad beskrivning. Hur bör AI‑säkerhetstestning utvecklas bortom enkla avvisningsgrader för promptar för att identifiera denna typ av indirekt reproduktion?

Detta är ett tydligt problem. När en modell kan reproducera en karaktär från en detaljerad eller till och med en mycket enkel beskrivning, indikerar det att karaktären är djupt inbäddad i träningsdata. Det väcker en helt separat fråga om hur data samlades in, och det är just nu under juridisk prövning.

Säkerhetstestning måste gå bortom att granska promptar och utvecklas till att analysera de faktiska resultaten. Modellerna genererar bilder genom diffusion, där de gradvis konstruerar en bild av resultatet. På grund av denna process och hur de tränades kan de oavsiktligt reproducera upphovsrättsskyddade karaktärer, både i förgrunden och i bakgrunden, och ibland utan någon prompt. Det enda pålitliga sättet att upptäcka detta är att testa modellen direkt och mäta vad den faktiskt producerar.

Likhetssökning väcker oundvikligen frågor om falska positiva. Hur skiljer du mellan legitimt kreativt inflytande, slumpmässig likhet och en reproduktion som är statistiskt signifikant nog för att en studio eller rättighetsinnehavare ska undersöka?

Detta arbete kommer att kräva kontinuerlig förfining. Den mest exakta visuella likheten som en människa lätt kan känna igen bör fungera som utgångspunkt, och det är vad som kan göras väl idag. När man går in på syntetiska skapelser eller frågor kring stil blir det mycket svårare att bevisa och ännu svårare att verkställa.

Ta Superman som exempel. Om en modell skulle skapa en generisk Superman med Christopher Reeves ögon, Henry Cavills haka, en annan skådespelares kindben osv., skapar dessa egenskaper en Superman som är extremt svår att reverse‑engineera och spåra tillbaka till varifrån varje del kommer.

Två saker håller falska positiva under kontroll. Den första är att vi aldrig förlitar oss på ett enskilt likhetstal isolerat. Resultaten benchmarkas så att generell likhet kan separeras från faktisk reproduktion, och varje test är reproducerbart: samma indata under samma förhållanden ger samma siffror. Den andra är att analysen kopplas till de juridiska frågor som en rättighetsinnehavare faktiskt måste besvara. För karaktärer och kreativa verk är frågan “väsentlig likhet”. För varumärken och likheter är det sannolikheten för förväxling, dvs. om en vanlig betraktare skulle bli vilseledd att tro att resultatet är det äkta. Vårt jobb är att lägga ett försvarbart, upprepbart tal bakom dessa frågor. Om något når upp till en undersökningsnivå är alltid rättighetsinnehavaren som bestämmer.

Generativa modeller förändras snabbt och kan bete sig mycket annorlunda efter en uppdatering. Hur kan rättighetsinnehavare kontinuerligt utvärdera hundratals modeller och potentiellt tusentals skyddade tillgångar utan att övervakningsprocessen blir oöverkomligt dyr eller tekniskt ohanterlig?

Det är nästan omöjligt, vilket är anledningen till att IP‑innehavare halkar efter och knappt kan hålla jämna steg med de senaste modellerna från USA och Asien.

I realiteten behöver de någon i deras led som kan hålla takten och kämpa för deras räkning. Det är därför vi startade. Vi såg att dessa studior behöver ett teknikföretag som kan matcha hastigheten hos dessa genereringsmodeller, och ingen annan tog på sig den uppgiften.

Den andra halvan av svaret är dokumentation. En modell kan bete sig mycket annorlunda efter en uppdatering, så ett poäng som inte är knutet till en tidpunkt är värdelöst. Varje resultat vi producerar registrerar vilken modell som testades, när den testades, vilken skyddad tillgång den testades mot och vilka siffror som erhölls. Det förvandlar övervakning från ett omöjligt ständigt pågående problem till ett hanterbart: när en modell uppdateras, gör du ett nytt test och jämför mot registreringen istället för att börja om från början.

Detektion löser bara en del av problemet. När ett system identifierar att en AI‑modell kan reproducera en skyddad karaktär eller likhet, vad bör ske härnäst, och vilka tekniska mekanismer kan så småningom låta skapare specificera om deras IP kan blockeras, licensieras eller användas under särskilda villkor?

Det finns både juridiska och tekniska dimensioner. Juridiskt sett bestämmer IP‑innehavaren hur de vill gå vidare. De kan använda de bevis vi tillhandahåller som grund för en rättstvist, eller utnyttja dem i förhandlingar med modellutvecklare. Beslutet ligger hos dem.

Tekniskt sett bör en rättighetsinnehavare kunna samtycka till och gå med på specifika modeller som kan generera deras produkt eller IP. De bör kontrollera resultatet och förhindra ett fritt‑för‑allt‑scenario. Istället för att tvingas in i restriktiva skyddsmekanismer bör de kunna tjäna pengar på varje generering enligt förutbestämda villkor. Detta speglar praxis i andra branscher, så det bör också gälla här.

Kan samma infrastruktur som används för att upptäcka obehörig AI‑användning så småningom möjliggöra en legitim licensmarknad, där AI‑system programatiskt kan avgöra vem som äger en tillgång, vilka tillstånd som finns och hur ersättning ska flöda tillbaka till rättighetsinnehavaren?

Om infrastrukturen kan avgöra om ett AI‑genererat resultat liknar en IP, bör den också kunna lösa licensieringen. Den kan identifiera vilken IP som finns i det genererade resultatet, vem rättighetsinnehavaren är, om de bör krediteras för det, och i slutändan låta ersättningen flöda genom den. Tekniken är i grunden densamma. Det är en fidelitetsmotor som producerar verifierbara, reproducerbara statistiska bevis åt endera hållet. Om ett resultat passerar tröskeln där en betraktare rimligtvis kan missta det för det äkta, har rättighetsinnehavaren rätt till ersättning.

Den enda förutsättningen är att den som driver detta lager måste förbli neutral. Den får inte själv generera innehåll och får inte ta parti i någon enskild affär. Dess uppgift är att ge båda parter samma pålitliga register och låta dem transagera direkt. Denna neutralitet är anledningen till att rättighetsinnehavare skulle vara villiga att registrera sina kataloger där från början.

När AI‑genererad video närmar sig den kvalitet och konsistens som krävs för professionell produktion, hur tror du att relationen mellan AI‑företag och Hollywood kommer att se ut i slutändan? Förväntar du dig att rättighetsförvaltning blir ett externt verifieringslager kring modeller, eller något som så småningom måste inbyggas direkt i modellerna själva?

Det är en intressant värld vi går in i, eftersom AI‑företag har gjort innehållsproduktion betydligt billigare än någonsin tidigare. Som en följd kan vi förvänta oss en spridning av innehåll, både bra och dåligt, med eller utan smak. Hollywood har traditionellt sett sig själv som en smakdomare, som skapar verk som människor älskar och blir förälskade i. AI erbjuder nu det mest kraftfulla verktyget någonsin för berättare.

På den andra delen av frågan tror jag att det ärligt svar är båda, i sekvens. Verkställningskontrollerna kommer troligen att flyttas in i modellerna över tid, eftersom det är där de är billigast och snabbast att köra. Men referenslagret, det vill säga registret över vad som finns, vem som äger det och på vilka villkor det kan användas, måste förbli oberoende, likaså verifieringen. Ett modellföretag kan inte själva betygsätta sina egna resultat, och rättighetsinnehavare kommer inte att överlämna sina kataloger till ett företag vars affär är att generera derivat av dem. Det liknar finansmarknaderna, där företag hanterar efterlevnad internt men ändå svarar inför externa revisorer.

Rättighetsförvaltning kommer att ske när Hollywood och AI‑företag går samman för att bestämma hur de vill samexistera. I slutändan är deras mål detsamma: att skapa nytt innehåll som folk älskar. Det måste bara göras på rätt sätt.

Tack för den fantastiska intervjun, läsare som vill veta mer bör besöka ARCOS Labs.