Nelson Chu, ผู้ก่อตั้งและซีอีโอของ ARCOS Labs – ซีรีส์สัมภาษณ์

Nelson Chu, ผู้ก่อตั้งและซีอีโอของ ARCOS Labs, เป็นผู้ประกอบการซ้ำและผู้บริหารเทคโนโลยีที่มีประสบการณ์ครอบคลุมโครงสร้างพื้นฐานทางการเงิน การลงทุน และแพลตฟอร์มดิจิทัล ก่อนก่อตั้ง ARCOS Labs, เขาใช้เวลาแปดปีเป็นผู้ก่อตั้งและซีอีโอของ Percent, ซึ่งเขาได้สร้างแพลตฟอร์มเทคโนโลยีเพื่อทำให้ตลาดเครดิตส่วนบุคคลสมัยใหม่ขึ้น, และปัจจุบันดำรงตำแหน่งประธานกรรมการ. ในช่วงต้นอาชีพของเขา, Chu ได้ร่วมก่อตั้ง MySupport, แพลตฟอร์มออนไลน์ที่เชื่อมต่อผู้สูงอายุและผู้มีความพิการกับผู้ให้การสนับสนุนซึ่งต่อมาถูกซื้อโดย RISE Services, และก่อตั้งบริษัทที่ปรึกษากลยุทธ์ Lumenary. เขายังเคยเป็นที่ปรึกษาและนักลงทุนให้กับบริษัทต่าง ๆ เช่น BlockFi และ Recharge Capital, พร้อมกับเริ่มต้นอาชีพในบริการทางการเงินที่ BlackRock, Bank of America, และ Merrill Lynch.

ARCOS Labs, ย่อมาจาก Applied Research in Creative Output Synthesis, พัฒนาโครงสร้างพื้นฐานที่ออกแบบมาเพื่อช่วยให้ AI ทำงานอย่างรับผิดชอบในขณะที่โมเดลเชิงสร้างกำลังมีปฏิสัมพันธ์กับงานที่มีลิขสิทธิ์, ตัวละคร, และลักษณะมนุษย์ บริษัทมุ่งเน้นที่ข้อมูลข่าวกรอง IP forensic และการจัดการสิทธิ์, ด้วยเทคโนโลยีที่ตั้งใจให้ระบุและวัดว่าทรัพย์สินเชิงสร้างสรรค์ถูก AI ทำซ้ำอย่างไร, ติดตามการใช้งาน, และสนับสนุนกรอบการให้ใบอนุญาตและการบังคับใช้ แพลตฟอร์มหลักของบริษัท, VN, ถูกออกแบบให้ผู้สร้าง, สตูดิโอ, เอเจนซี่จัดหาความสามารถ, และผู้ถือสิทธิ์มีการมองเห็นและควบคุมที่มากขึ้นว่าระบบ AI ใช้ทรัพย์สินทางปัญญาของพวกเขาอย่างไร, ในขณะเดียวกัน ARCOS ยังเป็นผู้พัฒนา Lightbar, โครงการ crowdsourced เพื่อสืบสวนโมเดลการฝึก AI บริษัทเปิดเผยตัวสู่สาธารณะจากการทำงานในความลับในเดือนสิงหาคม 2026 ด้วยเป้าหมายที่กว้างขวางในการสร้างโครงสร้างพื้นฐานด้านความเชื่อถือและสิทธิ์ที่จำเป็นสำหรับผู้สร้างและระบบ AI ให้สามารถอยู่ร่วมกันได้ในระดับใหญ่.

คุณใช้เวลาแปดปีในการสร้าง Percent รอบโครงสร้างพื้นฐานที่จำเป็นเพื่อเพิ่มประสิทธิภาพและความโปร่งใสให้กับตลาดเครดิตส่วนบุคคลที่กระจัดกระจาย. บทเรียนอะไรจากการสร้างโครงสร้างพื้นฐานทางการเงินประเภทนี้ที่คุณนำมาประยุกต์ใช้กับ ARCOS Labs ขณะเผชิญกับปัญหาที่แตกต่างอย่างมากเกี่ยวกับทรัพย์สินทางปัญญาและการจัดการสิทธิ์ในยุคของ AI เชิงสร้าง?

หลายอย่างสามารถถ่ายทอดต่อได้ เมื่อเราเริ่ม Percent, เครดิตส่วนบุคคลนั้นกระจัดกระจายและมืดมัว ทุกข้อตกลงถูกอธิบายแตกต่างกัน ทำให้ไม่มีอะไรที่สามารถเปรียบเทียบหรือกำหนดราคาได้อย่างมั่นใจ บทเรียนแรกคือการทำมาตรฐานต้องมาก่อนตลาด เราใช้หลายปีในการทำระบบพื้นฐานที่ไม่โดดเด่นซึ่งทำให้ข้อตกลงสามารถอธิบายและตรวจสอบได้แบบเดียวกันทุกครั้ง และการทำธุรกรรมที่มีประสิทธิภาพจึงตามมาหลังจากนั้น IP ในยุคของ AI เชิงสร้างก็มีปัญหาเดียวกัน ไม่มีบันทึกมาตรฐานว่าทรัพย์สินคืออะไรและใครเป็นเจ้าของ, ยังไม่พูดถึงว่าโมเดลเหล่านี้ใช้มันอย่างไร จนกว่าจะมีบันทึกนั้น ทุกอย่างที่ตามมาจะยังคงเป็นแบบสุ่ม, ไม่ว่าจะเป็นการบังคับใช้หรือการให้ใบอนุญาต.

บทเรียนที่สองคือความเชื่อใจสร้างจากการตรวจสอบ นักลงทุนในเครดิตส่วนบุคคลไม่เคยเชื่อคำพูดของผู้ออกสินทรัพย์เกี่ยวกับการดำเนินการของข้อตกลง พวกเขาต้องการข้อมูลที่ตนเองสามารถตรวจสอบได้ ผู้ถือสิทธิ์อยู่ในตำแหน่งเดียวกันกับบริษัท AI ในปัจจุบัน การรับประกันเกี่ยวกับแนวป้องกันมีน้ำหนักน้อยมาก หลักฐานที่สามารถทำซ้ำได้อย่างอิสระคือสิ่งที่เปลี่ยนการสนทนา.

บทเรียนที่สามเกี่ยวกับแรงจูงใจ ตลาดที่กระจัดกระจายและเป็นแบบไก่กับไข่ทำงานได้เฉพาะเมื่อแต่ละฝ่ายเชื่อว่าโซลูชันนั้นเป็นประโยชน์ต่อพวกเขา ด้วย Percent, เราได้เห็นความพยายามที่จะแก้ปัญหาให้ฝ่ายใดฝ่ายหนึ่ง แต่ก็ไม่ประสบผลสำเร็จ ในการจัดการ IP และสิทธิ์, แรงจูงใจกำลังไม่สอดคล้องกันอย่างมากในขณะนี้ บริษัทโมเดลต้องการเติบโต, ให้เครื่องมือที่มีคุณค่าแก่ลูกค้า, และบางครั้งสร้างเนื้อหาที่ละเมิดลิขสิทธิ์เป็นกลยุทธ์การตลาด, เช่น Sora และ ByteDance ที่เป็นตัวอย่างล่าสุด ผู้ถือสิทธิ์ในขณะเดียวกันพยายามตามให้ทันกับการเปลี่ยนแปลงที่พวกเขาไม่อาจคาดการณ์ได้, พร้อมกับต้องคงความเกี่ยวข้องในยุคที่การผลิตเนื้อหาง่ายขึ้นอย่างมาก โครงสร้างพื้นฐานที่ชนะในตลาดเช่นนั้นคือสิ่งที่ทั้งสองฝ่ายเชื่อถือได้, ซึ่งโดยปกติหมายถึงสิ่งที่ไม่ได้เป็นผู้มีส่วนร่วมในธุรกรรมเอง.

แนวโน้มที่ใหญ่กว่ายังคุ้นเคยเช่นกัน เครดิตส่วนบุคคลกลายเป็นคลาสสินทรัพย์หลักเมื่อมีโครงสร้างพื้นฐานที่ใช้วัดได้, และผมเชื่อว่า IP กำลังอยู่ในจุดเริ่มต้นของการเปลี่ยนแปลงเช่นเดียวกัน.

อะไรทำให้คุณเชื่อว่าการปกป้องงานสร้างสรรค์จาก AI เชิงสร้างต้องการชั้นโครงสร้างพื้นฐานทางเทคนิคใหม่, แทนที่จะพึ่งพากฎหมายลิขสิทธิ์ที่ดีขึ้น, นโยบายการตรวจสอบเนื้อหา, หรือการใส่น้ำลายน้ำ?

โดยพื้นฐานแล้ว, โมเดลเป็นวิธีแก้ปัญหาเชิงเทคโนโลยี ดังนั้นหากคุณต้องการปกป้องความคิดสร้างสรรค์จากโมเดล, จำเป็นต้องมีวิธีแก้ปัญหาเชิงเทคนิค กฎหมายลิขสิทธิ์ยังคงคลุมเครือ, ซึ่งเห็นได้จากคดีเช่น Cox, Anthropic, และสิ่งที่เกิดขึ้นในเยอรมนีกับ GEMA แนวคิดของการใช้ได้อย่างเป็นธรรมยังคงเป็นคำถามที่ยังไม่ได้รับการตัดสินใจ, ศาลตามที่ควรจะทำจะใช้เวลานานในการตัดสินใจ การตรวจสอบเนื้อหาพึ่งพาโมเดลให้ตรวจสอบตนเอง, ซึ่งเป็นการคาดหวังสูงและเกือบจะเป็นไปไม่ได้ตามที่เราได้สังเกตเห็น การใส่น้ำลายน้ำเป็นแนวคิดที่มีศักยภาพ, แต่ก็ขึ้นอยู่กับการที่คนดูแลตนเองและสามารถลบออกได้ง่าย ด้วยเหตุนี้เราจึงรู้ว่าหนทางเดียวที่แท้จริงคือทำด้วยตนเองและให้คำตอบด้วยเทคโนโลยีต่อปัญหาที่จริงจังและสำคัญนี้.

VN ถูกออกแบบมาเพื่อวัดว่าคอนเทนต์ที่สร้างโดย AI มีความคล้ายคลึงกับตัวละครที่ได้รับการคุ้มครอง, งานสร้างสรรค์, และลักษณะมนุษย์เพียงใด. ในระดับเทคนิค, ระบบกำหนดอย่างไรว่าเอาต์พุตได้ข้ามจากการเป็นแค่คล้ายคลึงไปสู่สิ่งที่ควรกังวลสำหรับผู้ถือสิทธิ์?

ในที่สุดเราจะให้ผู้ใช้เป็นผู้ตัดสินใจ บทบาทของเราคือการกำหนดว่าผลลัพธ์มีความคล้ายคลึงเชิงสถิติเท่าใด, โดยมั่นใจว่าเราจับทุกท่าทางและความเป็นไปได้, แล้วเปรียบเทียบกับตัวละครที่ได้รับการคุ้มครอง, งานสร้างสรรค์, หรือลักษณะมนุษย์ ผู้ใช้บางคนตั้งเกณฑ์ที่ต่ำกว่าซึ่งพวกเขาไม่สามารถเผยแพร่ผลงานได้ บริษัทขนาดใหญ่มักจะเข้มงวดมากกว่าเพราะเนื้อหาที่ผลิตทั้งหมดต้องเป็นของตนเอง ผู้ใช้ระดับ prosumer ที่ทดลองเพื่อความสนุกอาจยอมรับเกณฑ์ที่สูงกว่าและอนุญาตให้มีความหลากหลายมากขึ้น.

เมื่อทำการทดสอบ forensic สำหรับสตูดิโอ, เอเจนซี่จัดหา, หรือคลายเอนท์ที่คล้ายกัน, เราจะให้การวิเคราะห์การเปิดเผย:

• โมเดลใดที่สร้างเนื้อหาได้แม่นยำที่สุด
• โมเดลใดที่สามารถผลิตได้บ้าง
• โมเดลใดที่อาจทำให้เกิดสถานการณ์ปัญหา

สุดท้าย งานของเราคือทำการวิเคราะห์และให้ผลลัพธ์, แต่การที่ลูกค้าใช้ผลลัพธ์นั้นเป็นการตัดสินใจของพวกเขาเองทั้งหมด.

การทดสอบ Seedance 2.5 ของคุณพบว่ามีการป้องกันที่เข้มแข็งมากขึ้นรอบตัวละครที่เป็นที่รู้จักเมื่อเทียบกับทรัพย์สินทางปัญญาที่ไม่โดดเด่น. ความแตกต่างนี้บ่งบอกอะไรเกี่ยวกับวิธีที่บริษัท AI กำลังสร้างการป้องกันลิขสิทธิ์ในปัจจุบัน, และทำไม IP แบบหางยาวถึงยากต่อการปกป้องเป็นพิเศษ?

แต่ละบริษัท AI มีความแตกต่างกัน, และแต่ละบริษัทให้ความสำคัญกับประเด็นนี้ในระดับที่ต่างกัน เมื่อ Seedance 2.0 เปิดตัวในต้นปีนี้, ByteDance ได้รับรู้ปัญหาที่พวกเขาสร้างให้กับตนเองจากการตอบรับที่แรงและเริ่มปรับปรุงการป้องกันของตนเอง โมเดลที่เป็นที่รู้จักและเป็นที่นิยมบางส่วนดูเหมือนไม่สนใจ, ไม่ว่าจะโดยเจตนาหรือโดยความละเลย, แต่การเคารพทรัพย์สินทางปัญญาจะไม่เคยถูกมองว่าเป็นความผิดพลาด, เพียงแต่พวกเขายังไม่ได้มาถึงข้อสรุปเดียวกันนั้น.

การปกป้องหางยาวเป็นเรื่องยากเพราะวิธีการทำงานของเทคโนโลยี:

การตรวจสอบระดับพรอมต์: ตรวจสอบพรอมต์อินพุตเพื่อหาข้อมูลที่ละเมิด, ให้โมเดลตัดสินใจว่าจะดำเนินต่อหรือไม่ อย่างไรก็ตาม แม้จะตรวจสอบพรอมต์ก็ยังมีวิธีหลบเลี่ยงหลายวิธี พวกเขาอาจเปลี่ยนคำพูดเล็กน้อย, อธิบายตัวละครโดยไม่ระบุชื่อ, หรือใช้การพิมพ์ผิด พรอมต์สามารถหลบหลีกตัวตรวจจับได้ง่าย, และโมเดลอาจสร้างผลลัพธ์ที่แตกต่างจากพรอมต์ของผู้ใช้และอาจรวมตัวละครที่ละเมิด.

การตรวจสอบผลลัพธ์: สแกนผลลัพธ์แต่ละรายการกับฐานข้อมูลของตัวละครที่รู้จัก, ตัวละครที่เป็นที่รู้จักจะทำให้ความไวสูงขึ้น, ในขณะที่ตัวละครหางยาวอาจไม่ได้รับการสังเกตเนื่องจากไม่มีในฐานข้อมูล, ทำให้การตรวจสอบอย่างครอบคลุมเป็นเรื่องท้าทายโดยธรรมชาติ.

ความเร็วก็มีความสำคัญเช่นกัน สำหรับโมเดลการสร้างภาพ, การตรวจสอบภาพเดียวค่อนข้างรวดเร็ว อย่างไรก็ตาม การสร้างวิดีโอต้องสแกนหลายเฟรม, ซึ่งอาจทำให้การผลิตช้าลงอย่างมากและส่งผลต่อประสบการณ์ของผู้ใช้.

การสมดุลระหว่างข้อกังวลเหล่านี้เป็นเรื่องละเอียดอ่อน, แต่บางโมเดลได้พยายามแก้ไขในเรื่องนี้ สุดท้ายขึ้นอยู่กับว่าโมเดลพร้อมและสนใจที่จะเคารพทรัพย์สินทางปัญญาหรือไม่.

โมเดลอาจปฏิเสธคำขอโดยตรงในการสร้างตัวละครที่มีลิขสิทธิ์แต่ยังคงสร้างตัวละครนั้นเมื่อได้รับคำอธิบายที่ละเอียดพอ. การทดสอบความปลอดภัยของ AI ควรพัฒนาอย่างไรเพื่อเกินกว่าการวัดอัตราการปฏิเสธพรอมต์แบบง่ายเพื่อระบุการสร้างโดยอ้อมประเภทนี้?

นี่เป็นปัญหาที่ชัดเจน เมื่อโมเดลสามารถสร้างตัวละครจากคำอธิบายที่ละเอียดหรือแม้แต่คำอธิบายง่าย ๆ, แสดงว่าตัวละครนั้นฝังลึกในข้อมูลการฝึก ซึ่งทำให้เกิดคำถามแยกต่างหากเกี่ยวกับวิธีการเก็บรวบรวมข้อมูล, และขณะนี้กำลังอยู่ในกระบวนการศาล.

การทดสอบความปลอดภัยต้องก้าวไกลกว่าการตรวจสอบพรอมต์และพัฒนาเป็นการวิเคราะห์ผลลัพธ์จริง โมเดลสร้างภาพผ่านการกระจาย, ค่อย ๆ สร้างภาพของผลลัพธ์ เนื่องจากกระบวนการนี้และวิธีการฝึก, พวกเขาอาจบังเอิญสร้างตัวละครที่มีลิขสิทธิ์ในพื้นหน้า หรือแม้แต่พื้นหลัง, และบางครั้งโดยไม่ได้รับพรอมต์ วิธีที่เชื่อถือได้ในการจับได้คือการทดสอบโมเดลโดยตรงและวัดสิ่งที่มันสร้างจริง.

การตรวจจับความคล้ายคลึงโดยธรรมชาตินำมาซึ่งคำถามเกี่ยวกับผลบวกเท็จ. คุณแยกแยะระหว่างอิทธิพลเชิงสร้างสรรค์ที่ถูกต้อง, ความคล้ายคลึงโดยบังเอิญ, และการทำซ้ำที่มีนัยสำคัญทางสถิติพอให้สตูดิโอหรือผู้ถือสิทธิ์ต้องสอบสวนอย่างไร?

งานนี้จะต้องมีการปรับปรุงอย่างต่อเนื่อง รูปแบบภาพที่แม่นยำที่สุดที่มนุษย์สามารถจำแนกได้ควรเป็นจุดเริ่มต้น, และนั่นคือสิ่งที่ทำได้ดีในวันนี้ เมื่อเข้าสู่การสร้างสังเคราะห์หรือคำถามเกี่ยวกับสไตล์, การพิสูจน์และการบังคับใช้จะยากขึ้นอย่างมาก.

ยกตัวอย่าง Superman หากโมเดลสร้าง Superman ทั่วไปที่มีดวงตาของ Christopher Reeve, คางของ Henry Cavill, โหนกแก้มของนักแสดงคนอื่น, ฯลฯ คุณลักษณะเหล่านี้ทำให้ Superman นั้นยากต่อการย้อนกลับและระบุแหล่งที่มาของแต่ละส่วน.

สองสิ่งช่วยควบคุมผลบวกเท็จ สิ่งแรกคือเราไม่เคยพึ่งพาตัวเลขความคล้ายคลึงเดียวโดยไม่มีบริบท ผลลัพธ์ถูกทำเป็นมาตรฐานเพื่อแยกความคล้ายคลึงทั่วไปออกจากการทำซ้ำจริง, และการทดสอบทุกครั้งสามารถทำซ้ำได้: อินพุตเดียวกันภายใต้เงื่อนไขเดียวกันให้ตัวเลขเดียวกัน สิ่งที่สองคือการวิเคราะห์เชื่อมโยงกับคำถามทางกฎหมายที่ผู้ถือสิทธิ์ต้องตอบ สำหรับตัวละครและงานสร้างสรรค์, คำถามคือความคล้ายคลึงอย่างมีนัยสำคัญ. สำหรับแบรนด์และลักษณะ, คำถามคือความเป็นไปได้ของความสับสน, หมายถึงผู้ชมทั่วไปจะถูกหลงเชื่อว่าผลลัพธ์เป็นของจริงหรือไม่ งานของเราคือการให้ตัวเลขที่สามารถปกป้องและทำซ้ำได้เบื้องหลังคำถามเหล่านั้น ไม่ว่าบางอย่างจะถึงระดับที่ต้องสอบสวนหรือไม่ก็ขึ้นอยู่กับการตัดสินใจของผู้ถือสิทธิ์เสมอ.

โมเดลเชิงสร้างกำลังเปลี่ยนแปลงอย่างรวดเร็วและอาจทำงานแตกต่างอย่างมากหลังการอัปเดต. ผู้ถือสิทธิ์จะประเมินโมเดลหลายร้อยโมเดลและอาจหลายพันทรัพย์สินที่ได้รับการคุ้มครองอย่างต่อเนื่องได้อย่างไรโดยไม่ให้กระบวนการตรวจสอบกลายเป็นค่าใช้จ่ายที่สูงเกินไปหรือเทคนิคที่จัดการไม่ได้?

เป็นเรื่องเกือบจะเป็นไปไม่ได้, นั่นคือเหตุผลที่ผู้ถือ IP กำลังล้าหลังและแทบไม่สามารถตามทันโมเดลล่าสุดจากสหรัฐและเอเชีย.

ในความเป็นจริง, พวกเขาต้องการคนในฝ่ายของตนที่สามารถตามทันและต่อสู้แทนพวกเขา นั่นคือเหตุผลที่เราจึงเริ่มต้น เราเห็นว่าสตูดิโอเหล่านี้ต้องการบริษัทเทคโนโลยีที่สามารถเทียบความเร็วของโมเดลการสร้างเหล่านี้ได้, และไม่มีใครอื่นก้าวขึ้นมาทำเช่นนั้น.

อีกครึ่งของคำตอบคือการบันทึกข้อมูล โมเดลอาจทำงานแตกต่างอย่างมากหลังการอัปเดต, ดังนั้นคะแนนที่ไม่ได้เชื่อมโยงกับช่วงเวลาจะไม่มีค่า ทุกผลลัพธ์ที่เราผลิตบันทึกว่าโมเดลใดถูกทดสอบ, เมื่อไหร่, ทรัพย์สินที่ได้รับการคุ้มครองใดที่ถูกทดสอบ, และตัวเลขเป็นเท่าไร สิ่งนี้ทำให้การตรวจสอบจากปัญหาไม่สามารถทำได้ตลอดเวลาเป็นปัญหาที่จัดการได้: เมื่อโมเดลอัปเดต, คุณทำการทดสอบใหม่และเปรียบเทียบกับบันทึกแทนการเริ่มต้นใหม่จากศูนย์.

การตรวจจับแก้ไขเพียงส่วนหนึ่งของปัญหา. เมื่อระบบระบุว่าโมเดล AI สามารถสร้างตัวละครหรือลักษณะที่ได้รับการคุ้มครอง, สิ่งต่อไปที่ควรทำคืออะไร, และกลไกทางเทคนิคใดที่อาจทำให้ผู้สร้างกำหนดได้ว่า IP ของพวกเขาจะถูกบล็อก, ให้ใบอนุญาต, หรือใช้ภายใต้เงื่อนไขเฉพาะ?

มีทั้งมิติทางกฎหมายและเทคนิค ทางกฎหมาย, ผู้ถือ IP ตัดสินใจว่าจะดำเนินการอย่างไร พวกเขาอาจใช้หลักฐานที่เรามอบให้เป็นฐานสำหรับการฟ้องร้อง, หรือใช้ในการเจรจากับผู้พัฒนาโมเดล การตัดสินใจอยู่ที่พวกเขา.

ในเชิงเทคนิค, ผู้ถือสิทธิ์ควรสามารถให้ความยินยอมและเลือกเข้าไปในโมเดลเฉพาะที่อาจสร้างผลิตภัณฑ์หรือ IP ของพวกเขาได้ พวกเขาควรควบคุมผลลัพธ์, ป้องกันสถานการณ์อิสระโดยไม่มีข้อจำกัด แทนที่จะถูกบังคับให้อยู่ในแนวป้องกันที่จำกัด, พวกเขาควรสามารถทำรายได้จากการสร้างแต่ละครั้งตามเงื่อนไขที่กำหนดไว้ล่วงหน้า การทำเช่นนี้สอดคล้องกับแนวปฏิบัติในอุตสาหกรรมอื่น ๆ, ดังนั้นควรนำมาใช้ที่นี่เช่นกัน.

โครงสร้างพื้นฐานเดียวกันที่ใช้ตรวจจับการใช้ AI ที่ไม่ได้รับอนุญาตอาจทำให้เกิดตลาดการให้ใบอนุญาตที่ถูกต้องตามกฎหมายได้หรือไม่, โดยที่ระบบ AI สามารถกำหนดได้โดยอัตโนมัติว่าใครเป็นเจ้าของทรัพย์สิน, สิทธิ์ใดที่มี, และการชดเชยควรไหลกลับไปยังผู้ถือสิทธิ์อย่างไร?

หากโครงสร้างพื้นฐานสามารถระบุได้ว่าผลลัพธ์ที่สร้างโดย AI มีลักษณะคล้าย IP หรือไม่, แล้วมันควรเป็นผู้จัดการเรื่องการให้ใบอนุญาตด้วยเช่นกัน มันสามารถบอกได้ว่า IP ในผลลัพธ์คืออะไร, ผู้ถือสิทธิ์คือใคร, ว่าพวกเขาควรได้รับเครดิตหรือไม่, และสุดท้ายให้การชดเชยไหลผ่านระบบนั้น เทคโนโลยีพื้นฐานเหมือนกัน มันเป็นเครื่องยนต์ความแม่นยำที่สร้างหลักฐานสถิติที่ตรวจสอบได้และทำซ้ำได้ หากผลลัพธ์ข้ามเกณฑ์ที่ผู้ชมอาจสับสนว่ามันเป็นของจริง, ผู้ถือสิทธิ์มีสิทธิได้รับการชดเชย.

เงื่อนไขเดียวคือผู้ที่ดำเนินชั้นนั้นต้องเป็นกลาง ไม่สามารถสร้างเนื้อหาเองได้และไม่สามารถเลือกข้างในข้อตกลงใด ๆ งานของมันคือให้ทั้งสองฝ่ายมีบันทึกที่เชื่อถือได้เดียวกันและให้พวกเขาทำธุรกรรมโดยตรง ความเป็นกลางนี้เป็นเหตุผลที่ผู้ถือสิทธิ์ยินดีลงทะเบียนแคตาล็อกของตนกับระบบนั้นตั้งแต่แรก.

เมื่อวิดีโอที่สร้างโดย AI ใกล้เคียงกับคุณภาพและความสม่ำเสมอที่จำเป็นสำหรับการผลิตระดับมืออาชีพ, คุณคิดว่าความสัมพันธ์ระหว่างบริษัท AI กับฮอลลีวูดจะเป็นอย่างไรในที่สุด? คุณคาดว่าการจัดการสิทธิ์จะกลายเป็นชั้นการตรวจสอบภายนอกรอบโมเดล, หรือสิ่งที่ในที่สุดต้องฝังเข้าไปโดยตรงในโมเดลเอง?

เป็นโลกที่น่าสนใจที่เรากำลังก้าวเข้าไปเมื่อบริษัท AI ทำให้การผลิตคอนเทนต์ถูกลงอย่างไม่เคยมีมาก่อน ผลลัพธ์คือเราจะเห็นการเพิ่มจำนวนคอนเทนต์อย่างมาก, บางส่วนดี, บางส่วนแย่, บางส่วนมีรสชาติ, บางส่วนไม่มี ฮอลลีวูดโดยประวัติศาสตร์มองตนเองว่าเป็นผู้กำหนดรสชาติ, สร้างผลงานที่ผู้คนรักและหลงใหล AI ตอนนี้ให้เครื่องมือที่ทรงพลังที่สุดสำหรับนักเล่าเรื่อง.

สำหรับส่วนที่สองของคำถาม, คำตอบที่ซื่อสัตย์คือทั้งสองอย่าง, ตามลำดับ การตรวจสอบการบังคับใช้อาจย้ายเข้าไปในโมเดลตามเวลา, เพราะนั่นเป็นที่ที่ทำได้ถูกและเร็วที่สุด แต่ชั้นอ้างอิง, หมายถึงบันทึกของสิ่งที่มีอยู่, ผู้เป็นเจ้าของ, และเงื่อนไขการใช้, ต้องคงเป็นอิสระ, เช่นเดียวกับการตรวจสอบ ความจริงคือบริษัทโมเดลไม่สามารถเป็นผู้ให้คะแนนผลลัพธ์ของตนเองได้, และผู้ถือสิทธิ์จะไม่มอบแคตาล็อกของตนให้กับบริษัทที่ธุรกิจคือการสร้างอนุพันธ์จากมัน นี่คล้ายกับตลาดการเงิน, ที่บริษัททำการปฏิบัติตามกฎภายในแต่ยังต้องตอบสนองต่อผู้ตรวจสอบภายนอก.

การจัดการสิทธิ์จะเกิดขึ้นเมื่อฮอลลีวูดและบริษัท AI ร่วมมือกันตัดสินใจว่าต้องการอยู่ร่วมกันอย่างไร ในที่สุดเป้าหมายของพวกเขาก็เหมือนกัน, คือสร้างคอนเทนต์ใหม่ที่ผู้คนรัก เพียงแต่ต้องทำอย่างถูกต้อง.

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม ARCOS Labs.