Nelson Chu, ARCOS Labs Kurucusu ve CEO’su – Röportaj Serisi

Nelson Chu, ARCOS Labs Kurucusu ve CEO’su, finans altyapısı, yatırım ve dijital platformlar alanında geniş bir geçmişe sahip tekrarlayan bir girişimci ve teknoloji yöneticisidir. ARCOS Labs’i kurmadan önce, özel kredi piyasalarını modernize etmeyi amaçlayan bir teknoloji platformu inşa ettiği Percent’in kurucusu ve CEO’su olarak sekiz yıl çalıştı ve şu anda Yönetim Kurulu Başkanı olarak görev yapıyor. Kariyerinin erken dönemlerinde Chu, yaşlıları ve engelli bireyleri destek çalışanlarıyla bağlayan bir çevrimiçi platform olan MySupport’u ortak kurdu; bu platform daha sonra RISE Services tarafından satın alındı ve stratejik danışmanlık firması Lumenary’yi kurdu. Ayrıca BlockFi ve Recharge Capital gibi şirketlere danışman ve yatırımcı olarak hizmet verdi ve kariyerine BlackRock, Bank of America ve Merrill Lynch’te finans hizmetleri rollerinde başladı.

ARCOS Labs, Applied Research in Creative Output Synthesis’in kısaltmasıdır ve üretken modellerin telif hakkı korunan eserler, karakterler ve insan benzerlikleriyle giderek daha fazla etkileşime girdiği bir dünyada AI’nın sorumlu bir şekilde çalışmasını sağlayacak altyapıyı geliştirir. Şirket, adli IP istihbaratı ve hak yönetimine odaklanır; teknolojisi AI tarafından yaratıcı varlıkların nasıl yeniden üretildiğini belirlemeyi ve ölçmeyi, kullanımını izlemeyi ve lisanslama ve uygulama çerçevelerini desteklemeyi amaçlar. Öncü platformu VN, yaratıcılar, stüdyolar, yetenek ajansları ve hak sahiplerine AI sistemlerinin fikri mülkiyetlerini nasıl kullandığı konusunda daha fazla görünürlük ve kontrol sağlamayı hedefler; aynı zamanda ARCOS, AI eğitim modellerini incelemek için topluluk temelli bir girişim olan Lightbar’ın da arkasındadır. Şirket, daha geniş bir hedefle, yaratıcılar ve AI sistemlerinin ölçekli bir şekilde bir arada var olabilmesi için gereken güven ve hak altyapısını inşa etmeyi amaçlayarak, Ağustos 2026’da gizlilikten çıkmıştır.

Özel kredi pazarının parçalanmış yapısına verimlilik ve şeffaflık getirmek için gereken altyapıyı oluşturmak üzere Percent’i sekiz yıl boyunca inşa ettiniz. Bu tür bir finansal altyapıyı inşa ederken edindiğiniz dersleri, üretken AI çağında fikri mülkiyet ve hak yönetimi gibi çok farklı bir sorunu ele alırken ARCOS Labs’e nasıl uyguluyorsunuz?

Bunların birçoğu geçerliliğini korur. Percent’i başlattığımızda, özel kredi piyasası parçalanmış ve belirsizdi. Her anlaşma farklı şekilde tanımlanıyordu, bu yüzden hiçbir şey güvenle karşılaştırılamıyor ya da fiyatlandırılamıyordu. İlk ders, standartlaşmanın pazardan önce gelmesi gerektiğidir. Anlaşmaların her seferinde aynı şekilde tanımlanıp doğrulanmasını sağlayan göz alıcı olmayan altyapıya yıllar harcadık ve verimli işlemler ancak bunun ardından ortaya çıktı. Üretken AI çağında IP de aynı soruna sahiptir. Bir varlığın ne olduğu ve kime ait olduğu konusunda standart bir kayıt yoktur, modellerin bunu nasıl kullandığı ise daha da belirsizdir. Bu kayıt oluşana kadar, uygulama ya da lisanslama gibi tüm sonraki süreçler rastgele kalır.

İkinci ders, güvenin doğrulama üzerine kurulduğudur. Özel kredi yatırımcıları, bir anlaşmanın performansı hakkında ihraççının sözüne asla güvenmezler. Kendi başlarına kontrol edebilecekleri verilere ihtiyaç duyarlar. Hak sahipleri de bugün AI şirketleriyle aynı konumdadır. Koruma önlemleriyle ilgili teminatlar çok az ağırlığa sahiptir. Bağımsız olarak yeniden üretilebilen kanıt, tartışmayı değiştiren şeydir.

Üçüncü ders, teşviklerle ilgilidir. Parçalanmış, tavuk ve yumurta problemi olan bir pazar, her iki taraf da çözümün kendilerine fayda sağlayacağına ikna olduğunda çalışır. Percent ile, sorunu bir taraf için çözmeye yönelik girişimleri izledik ve bu hiçbir zaman sürdürülebilir olmadı. IP ve hak yönetiminde ise teşvikler şu anda ciddi şekilde uyumsuzdur. Model şirketleri büyümek, müşterilerine değerli araçlar sunmak ve bazen pazarlama taktiği olarak ihlal edici içerik üretmek ister; yakın örnekler arasında Sora ve ByteDance bulunuyor. Hak sahipleri ise, hatta öngöremedikleri değişimlere ayak uydurmaya çalışırken, içerik üretiminin çok daha kolay hale geldiği bir dönemde ilgili kalmaya çalışıyor. Böyle bir pazarda kazanan altyapı, her iki tarafın da güvenebileceği, genellikle işlemin kendisine katılmayan altyapıdır.

Daha büyük eğri de tanıdık. Özel kredi, ölçüm altyapısı ortaya çıktığında ana akım bir varlık sınıfı haline geldi ve IP’nin de aynı geçişin başında olduğuna inanıyorum.

Yaratıcı eserleri üretken AI’dan korumanın, daha iyi telif hakkı yasaları, içerik denetleme politikaları veya filigranlama yerine yeni bir teknik altyapı katmanı gerektirdiğine sizi ne ikna etti?

Temelde, modeller teknolojik bir çözümdür ve bu yüzden yaratıcılığı modellerden korumak istiyorsanız, teknik bir çözüm gereklidir. Telif hakkı yasası hâlâ belirsizdir; bu, Cox, Anthropic gibi davalarda ve Almanya’da GEMA ile yaşananlarda görülür. Adil kullanım kavramı hâlâ açık bir sorundur ve henüz karara bağlanmamıştır; mahkemeler de, olması gerektiği gibi, karar vermek için uzun zaman alacaktır. İçerik denetimi, modellerin kendilerini denetlemesine dayanır; bu, gözlemlerimize göre onlardan çok şey talep eder ve neredeyse imkânsızdır. Filigranlama umut verici bir fikirdir, ancak yine insanların kendilerini denetlemesine bağlıdır ve kolayca kaldırılabilir. Tüm bunları göz önünde bulundurarak, tek gerçek yolun bunu kendimiz yapıp, bu çok gerçek ve çok önemli soruna teknolojiyle bir yanıt sunmak olduğunu anladık.

VN, AI tarafından üretilen içeriğin korunan karakterlere, yaratıcı eserlere ve insan benzerliklerine ne kadar benzediğini ölçmek için tasarlanmıştır. Teknik açıdan sistem, bir çıktının yalnızca benzer olmaktan hak sahibini endişelendirecek bir seviyeye ne zaman geçtiğini nasıl belirliyor?

Sonuçta kararı kullanıcıya bırakıyoruz. Rolümüz, çıktının istatistiksel olarak ne kadar benzer olduğunu belirlemek, her duruş ve olasılığı yakalamak ve ardından bunu korunan karakter, yaratıcı eser veya insan benzerliğiyle karşılaştırmaktır. Bazı kullanıcıların, çalışmayı yayımlayamayacakları bir eşik değeri vardır. Daha büyük şirketler genellikle daha katıdır çünkü üretilen tüm içerik onların olması gerekir. Eğlence amaçlı deney yapan prosumer kullanıcılar ise daha yüksek bir eşik kabul edebilir ve daha fazla varyasyona izin verebilir.

Bir stüdyo, yetenek ajansı veya benzer bir müşteri için adli test yaparken, maruz kalma analizini sağlarız:

• Hangi modeller içeriği en doğru şekilde üretir
• Hangi modeller bunu tamamen üretebilir
• Hangi modeller bunu sorunlu durumlara sokabilir

Sonuçta, işimiz analizi yapmak ve sonuçları sunmaktır; ancak müşterinin bunları nasıl kullanacağı tamamen kendi kararına bağlıdır.

Seedance 2.5 testiniz, tanınabilir karakterler etrafında daha güçlü korumalar bulurken, daha az öne çıkan fikri mülkiyet etrafında daha zayıf korumalar ortaya koydu. Bu fark, AI şirketlerinin şu anda telif hakkı korumalarını nasıl inşa ettiklerine dair ne söylüyor ve uzun kuyruk IP’nin özellikle korunmasını neden zorlaştırıyor?

Her AI şirketi farklıdır ve bu konuyu farklı derecelerde önemsiyor. Seedance 2.0 bu yılın başında yayınlandığında, ByteDance geri tepkileri göz önünde bulundurarak kendilerine yarattığı sorunu hızla fark etti ve korumalarını geliştirmeye başladı. Bazı tanınmış, popüler modeller ya isteyerek ya da ihmalden dolayı kayıtsız görünüyor, ancak fikri mülkiyete saygı asla bir hata olarak görülmeyecek; sadece henüz aynı sonuca varmadılar.

Uzun kuyruk koruması, teknolojinin çalışma şekli nedeniyle zordur:

Prompt‑level checks: Girdi istemini ihlal edici içerik açısından inceleyin, modelin devam edip etmeyeceğine karar vermesine izin verin. Ne yazık ki, istemi incelerken bile, onu atlatmanın birçok yolu vardır. İstemi biraz farklı şekilde ifade edebilirler, karakteri adını vermeden tanımlayabilirler, yazım hataları kullanabilirler. İstemler dedektörleri kolayca aşabilir ve modeller, kullanıcının isteminden farklı çıktılar üretebilir ve ihlal edici bir karakter içerebilir.

Output‑analysis checks: Her çıktıyı bilinen karakterlerin veritabanıyla tarayın. Tanınabilir karakterler daha yüksek duyarlılık tetiklerken, uzun kuyruk karakterler gözden kaçabilir çünkü DVD’ye doğrudan aktarılmıştır ve veritabanında yer almaz; bu nedenle kapsamlı denetim kaçınılmaz olarak zordur.

Hız da önemlidir. Görüntü üretim modelleri için tek bir görüntüyü kontrol etmek nispeten hızlıdır. Ancak video üretimi, birçok kareyi taramayı gerektirir; bu da çıktıyı önemli ölçüde yavaşlatabilir ve kullanıcı deneyimini etkileyebilir.

Bu kaygıları dengelemek hassastır, ancak bazı modeller bunu çözmek için çaba harcamıştır. Sonuçta, bir modelin fikri mülkiyete saygı göstermeye istekli ve ilgili olup olmadığına bağlıdır.

Bir model, telif hakkıyla korunan bir karakteri doğrudan üretme isteğini reddedebilir, ancak yeterince ayrıntılı bir tanım verildiğinde yine de o karakteri yeniden üretebilir. AI güvenlik testlerinin, bu tür dolaylı yeniden üretimi belirlemek için basit istem reddetme oranlarının ötesine nasıl evrilmesi gerekir?

Bu açık bir sorundur. Bir model, ayrıntılı ya da çok basit bir tanımdan bir karakteri yeniden üretebiliyorsa, bu karakterin eğitim verisine derinlemesine yerleştiğini gösterir. Bu da verinin nasıl toplandığıyla ilgili tamamen ayrı bir soruyu gündeme getirir ve şu anda mahkemeler bu konuyu ele alıyor.

Güvenlik testleri, yalnızca istemleri incelemenin ötesine geçmeli ve gerçek çıktıları analiz etmeye evrilmelidir. Modeller, difüzyon yoluyla görüntüler üretir, sonucun vizyonunu kademeli olarak inşa eder. Bu süreç ve eğitim şekilleri nedeniyle, telif hakkıyla korunan karakterleri istem dışı olarak, ön planda ya da arka planda, hatta bazen istem olmadan bile yeniden üretebilirler. Bunu yakalamanın tek güvenilir yolu, modeli doğrudan test etmek ve gerçekten ne ürettiğini ölçmektir.

Benzerlik tespiti kaçınılmaz olarak yanlış pozitiflerle ilgili soruları gündeme getirir. Meşru yaratıcı etkiyi, tesadüfi benzerliği ve bir stüdyo ya da hak sahibinin araştırma yapmasını gerektirecek istatistiksel olarak anlamlı bir yeniden üretmeyi nasıl ayırıyorsunuz?

Bu çalışma sürekli iyileştirme gerektirecek. Bir insanın kolayca tanıyabileceği en doğru görsel benzerlik başlangıç noktası olmalı ve bugün bu konuda iyi bir çalışma yapılabiliyor. Sentetik yaratımlara ya da stil sorularına girdiğinizde, kanıtlamak ve uygulamak çok daha zor hale geliyor.

Superman örneğini ele alalım. Bir model, Christopher Reeve’in gözleri, Henry Cavill’ın çenesi, başka bir aktörün yanak kemikleri gibi özelliklerle genel bir Superman yaratırsa, bu özellikler çok zor tersine mühendislik yapılabilecek ve kaynağı belirlenemeyen bir Superman ortaya çıkar.

Yanlış pozitifleri kontrol altında tutan iki unsur vardır. Birincisi, tek bir benzerlik sayısına yalnızca tek başına güvenmememizdir. Sonuçlar, genel benzerliğin gerçek yeniden üretmeden ayrılabilmesi için benchmark yapılır ve her test tekrarlanabilir: aynı koşullarda aynı girdiler aynı sayıları üretir. İkincisi, analiz, bir hak sahibinin gerçekten yanıt vermesi gereken yasal sorulara eşlenir. Karakterler ve yaratıcı eserler için bu soru “önemli benzerlik”tir. Markalar ve benzerlikler için ise “karışma olasılığı”dır; yani sıradan bir izleyicinin çıktıyı gerçek sanıp yanılma ihtimali. Bizim görevimiz, bu soruların arkasına savunulabilir, tekrarlanabilir bir sayı koymaktır. Bir şeyin araştırma seviyesine yükselip yükselmediği her zaman hak sahibinin kararına bağlıdır.

Üretken modeller hızla değişiyor ve bir güncellemeden sonra çok farklı davranabiliyor. Hak sahipleri, izleme sürecinin aşırı maliyetli ya da teknik olarak yönetilemez hale gelmeden, yüzlerce modeli ve binlerce korunan varlığı sürekli nasıl değerlendirebilir?

Bu neredeyse imkânsız, bu yüzden IP sahipleri geride kalıyor ve ABD ile Asya’dan gelen en yeni modelleri zar zor takip edebiliyor.

Gerçekçi olarak, onların tarafında hızlarını koruyup onların adına mücadele edebilecek birine ihtiyaçları var. İşte bu yüzden işe başladık. Bu stüdyoların, bu üretim modellerinin hızına ayak uydurabilecek bir teknoloji şirketine ihtiyaç duyduğunu gördük ve başkası bu görevi üstlenmemişti.

Cevabın diğer yarısı kayıt tutmaktır. Bir model güncellemeden sonra çok farklı davranabilir, bu yüzden zamana bağlı olmayan bir puan değersizdir. Ürettiğimiz her sonuç, hangi modelin ne zaman test edildiğini, hangi korunan varlığa karşı test edildiğini ve sayıların ne olduğunu kaydeder. Bu, sürekli ve imkânsız bir izleme sorununu yönetilebilir bir hâle getirir: bir model güncellendiğinde, sıfırdan başlamak yerine kayda karşı yeniden test edip karşılaştırırsınız.

Tespit, sorunun sadece bir kısmını çözer. Bir sistem, bir AI modelinin korunan bir karakteri veya benzerliği yeniden üretebileceğini belirlediğinde, sonraki adım ne olmalı ve teknik mekanizmalar sonunda yaratıcıların IP’lerinin engellenip engellenemeyeceğini, lisanslanıp lisanslanamayacağını veya belirli koşullar altında kullanılabileceğini belirtmelerine nasıl izin verebilir?

Hem yasal hem de teknik boyutlar vardır. Hukuki açıdan, IP sahibi nasıl ilerleyeceğine karar verir. Sağladığımız kanıtları dava için gerekçe olarak kullanabilir veya model geliştiricileriyle müzakerelerde avantaja çevirebilir. Seçim tamamen onlara aittir.

Teknik açıdan, bir hak sahibi, ürününü veya IP’sini üretebilecek belirli modellere onay verebilmeli ve bu modellere katılabilmelidir. Çıktıyı kontrol etmeli, serbest bir ortamı önlemelidir. Kısıtlayıcı koruma önlemlerine zorlanmak yerine, önceden belirlenmiş şartlarla her üretimi gelir elde edecek şekilde kullanabilmelidir. Bu, diğer sektörlerdeki uygulamaları yansıttığı için burada da geçerli olmalıdır.

Yetkisiz AI kullanımını tespit etmek için kullanılan aynı altyapı, sonunda AI sistemlerinin bir varlığın sahibini, hangi izinlerin mevcut olduğunu ve tazminatın hak sahibine nasıl akacağını programlı bir şekilde belirleyebileceği meşru bir lisans pazarı oluşturmayı mümkün kılar mı?

Altyapı, AI tarafından üretilen bir çıktının bir IP’ye benzeyip benzemedığını belirleyebiliyorsa, lisanslamayı da sonunda aynı altyapı çözmelidir. Üretilen çıktıda hangi IP’nin bulunduğunu, hak sahibinin kim olduğunu, ona kredi verilip verilmeyeceğini ve nihayetinde tazminatın ona akmasını söyleyebilir. Teknoloji temelde aynı. Bu, doğrulanabilir, tekrarlanabilir istatistiksel kanıt üreten bir doğruluk motorudur. Bir çıktı, izleyicinin gerçek olduğunu makul bir şekilde düşünebileceği bir eşiği aşarsa, hak sahibi tazminata hak kazanır.

Tek koşul, bu katmanı yöneten kişinin tarafsız kalmasıdır. Katman kendi başına içerik üretemez ve herhangi bir tekil anlaşmada taraf tutamaz. Görevi, her iki tarafa aynı güvenilir kaydı sağlamak ve doğrudan işlem yapmalarına izin vermektir. Bu tarafsızlık, hak sahiplerinin kataloglarını ilk etapta ona kaydetmeye istekli olmalarının nedenidir.

AI tarafından üretilen video, profesyonel prodüksiyon için gereken kalite ve tutarlılığa yaklaştıkça, AI şirketleri ile Hollywood arasındaki ilişkinin sonunda nasıl olacağını düşünüyorsunuz? Hak yönetiminin modellerin etrafında dış bir doğrulama katmanı mı yoksa sonunda doğrudan modellere entegre edilmesi gereken bir şey mi olmasını bekliyorsunuz?

AI şirketlerinin içerik üretimini her zamankinden çok daha ucuz hale getirdiği bir dünyaya giriyoruz, bu ilginç bir durum. Sonuç olarak, iyi, kötü, zevkli ve zevksiz içeriklerin çoğalmasını bekleyebiliriz. Hollywood geleneksel olarak kendini zevk yargıcısı olarak görür, insanların sevdiği ve aşık olduğu eserler yaratır. AI artık anlatıcılar için şimdiye kadar ki en güçlü aracı sunuyor.

Sorunun ikinci kısmına gelince, dürüst cevap her ikisi de, sırasıyla olacaktır. Uygulama kontrolleri zamanla modellere dahil olacaktır, çünkü bu en ucuz ve en hızlı yoldur. Ancak referans katmanı, yani var olanların kaydı, kimin sahip olduğu ve hangi şartlarla kullanılabileceği bağımsız kalmalı; doğrulama da aynı şekilde. Bir model şirketi kendi çıktısını puanlayamaz ve hak sahipleri kataloglarını, iş modeli türevler üretmek olan bir şirkete teslim etmez. Bu, firmaların iç denetimi yürüttüğü ancak hâlâ dış denetçilere yanıt vermek zorunda olduğu finansal piyasalarla benzer bir durumdur.

Hak yönetimi, Hollywood ve AI şirketlerinin bir araya gelip nasıl birlikte var olmak istediklerine karar verdiklerinde gerçekleşecektir. Sonuçta, hedefleri aynı: insanların sevdiği yeni içerikler yaratmak. Tek yapılması gereken, bunu doğru şekilde yapmaktır.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular ARCOS Labs adresini ziyaret etmelidir.