Нельсон Чу, засновник і генеральний директор ARCOS Labs — серія інтерв’ю

Nelson Chu, засновник і генеральний директор ARCOS Labs, є досвідченим підприємцем і технологічним керівником зі знаннями у фінансовій інфраструктурі, інвестуванні та цифрових платформах. Перш ніж заснувати ARCOS Labs, він провів вісім років як засновник і генеральний директор Percent, де створив технологічну платформу, призначену для модернізації ринку приватного кредитування, а зараз є головою правління. Раніше у своїй кар’єрі Чу співавтворив MySupport — онлайн‑платформу, що з’єднує людей похилого віку та осіб з інвалідністю з працівниками підтримки, яку згодом придбали RISE Services, і заснував стратегічну консалтингову фірму Lumenary. Він також був радником і інвестором у компаніях, серед яких BlockFi та Recharge Capital, розпочинаючи кар’єру у фінансових послугах у BlackRock, Bank of America та Merrill Lynch.

ARCOS Labs, скорочено від Applied Research in Creative Output Synthesis, розробляє інфраструктуру, призначену для того, щоб штучний інтелект працював відповідально, оскільки генеративні моделі все частіше взаємодіють із захищеними авторським правом творами, персонажами та людськими образами. Компанія зосереджена на судово‑експертній інтелектуальній власності та управлінні правами, використовуючи технології для ідентифікації та вимірювання того, як креативні активи відтворюються ШІ, відстеження їх використання та підтримки ліцензування й правозастосування. Її флагманська платформа VN створена, щоб надати творцям, студіям, агентствам талантів та правовласникам більшу прозорість і контроль над тим, як системи ШІ використовують їхню інтелектуальну власність, а ARCOS також стоїть за Lightbar — ініціативою масового збору даних для дослідження моделей навчання ШІ. Компанія офіційно вийшла з режиму прихованості у серпні 2026 року з ширшою метою створення інфраструктури довіри та прав, необхідної для спільного існування творців і систем ШІ у великому масштабі.

Ви провели вісім років, будуючи Percent навколо інфраструктури, необхідної для підвищення ефективності та прозорості фрагментованого ринку приватного кредитування. Які уроки з побудови такої фінансової інфраструктури ви зараз застосовуєте в ARCOS Labs, вирішуючи зовсім іншу проблему управління інтелектуальною власністю та правами в епоху генеративного ШІ?

Багато з цього перенесено. Коли ми запускали Percent, приватний кредит був фрагментованим і непрозорим. Кожна угода описувалась по‑різному, тому нічого не можна було порівнювати чи оцінювати з упевненістю. Перший урок — стандартизація має передувати ринку. Ми роками працювали над непомітною «трубопроводною» інфраструктурою, яка дозволяла описувати та верифікувати угоду однаковим способом кожного разу, і лише після цього з’явилися ефективні транзакції. Інтелектуальна власність в епоху генеративного ШІ має ту ж проблему. Не існує стандартного реєстру, що визначає, що таке актив і хто його власник, не кажучи вже про те, як моделі його використовують. Поки такий реєстр не існує, усе подальше залишається випадковим, будь то правозастосування чи ліцензування.

Другий урок — довіра будується на верифікації. Інвестори у приватному кредитуванні ніколи не приймали слово емітента щодо результатів угоди. Вони хотіли дані, які могли перевірити самостійно. Правовласники перебувають у такій же позиції щодо компаній ШІ сьогодні. Гарантії щодо захисних механізмів мають мало ваги. Докази, які можна незалежно відтворити, змінюють дискусію.

Третій урок стосується стимулів. Будь‑який фрагментований ринок типу «курка‑яйце» працює лише тоді, коли кожна сторона переконана, що рішення їй вигідне. У Percent ми спостерігали спроби вирішити проблему лише для однієї зі сторін, і це не трималося. В управлінні інтелектуальною власністю та правами стимулювання зараз сильно розбіжні. Компанії‑моделі хочуть зростати, надавати цінні інструменти своїм клієнтам і іноді створювати порушуючий контент як маркетингову тактику, як це сталося з Sora та ByteDance. Правовласники ж намагаються встигати за змінами, які вони навіть не можуть передбачити, залишаючись актуальними в епоху, коли створення контенту стало значно простішим. Інфраструктура, яка переможе на такому ринку, — це та, якій довіряють обидві сторони, а це зазвичай означає інфраструктуру, яка не бере участі у самій транзакції.

Більша картина також знайома. Приватний кредит став основним класом активів, коли з’явилася інфраструктура для його вимірювання, і я вважаю, що інтелектуальна власність перебуває на початку подібного переходу.

Що переконало вас, що захист творчих робіт від генеративного ШІ потребує нового технічного інфраструктурного шару, а не лише кращого законодавства про авторське право, політик модерації контенту чи водяних знаків?

По‑сути, моделі є технологічним рішенням, і тому, якщо ви хочете захистити креативність від моделей, потрібне технічне рішення. Закон про авторське право залишається розмитим, що видно на прикладах справ, таких як Cox, Anthropic, а також того, що відбувається в Німеччині з GEMA. Концепція добросовісного використання досі є відкритим питанням і ще не вирішена, а суди, як і слід, потребуватимуть багато часу, щоб винести рішення. Модерація контенту спирається на те, що моделі самі себе модерує, що є надмірним навантаженням і практично неможливим, згідно з нашими спостереженнями. Водяні знаки — перспективна ідея, проте вона також залежить від самих людей, які мають їх контролювати, і їх легко видалити. Враховуючи все це, ми зрозуміли, що єдиний реальний шлях — це здійснити це самостійно і надати технологічну відповідь на цю дуже реальну та важливу проблему.

VN розроблена для вимірювання того, наскільки AI‑згенерований контент схожий на захищені персонажі, творчі роботи та людські образи. На технічному рівні, як система визначає, коли вихід переходить від простого схожості до того, що має викликати занепокоєння у правовласника?

Зрештою ми залишаємо рішення за користувачем. Наша роль — визначити, наскільки статистично схожий вихід, охоплюючи кожну позу та можливість, а потім порівняти його із захищеним персонажем, творчою роботою чи людським образом. Деякі користувачі встановлюють поріг, нижче якого вони не можуть публікувати роботу. Великі компанії, як правило, суворіші, оскільки весь створений контент має бути їхнім. Користувачі‑просуми, які експериментують для задоволення, можуть приймати вищий поріг і дозволяти більше варіацій.

Під час проведення судово‑експертного тестування для студії, агентства талантів або подібного клієнта ми надаємо аналіз впливу:

• Які моделі генерують контент найточніше
• Які моделі можуть його взагалі створити
• Які моделі можуть розмістити його у проблемних ситуаціях

Зрештою наша робота — виконати аналіз і надати результати, а те, як клієнт їх використовує, повністю його рішення.

Ваше тестування Seedance 2.5 виявило значно сильніші захисні механізми щодо впізнаваних персонажів, ніж щодо менш помітної інтелектуальної власності. Що ця різниця говорить про те, як компанії ШІ наразі будують свої захисні механізми авторського права, і чому довгий хвіст IP особливо важко захистити?

Кожна компанія ШІ різна, і кожна приділяє цій проблемі різну увагу. Коли на початку цього року вийшов Seedance 2.0, ByteDance швидко усвідомив проблему, яку створив для себе, і почав покращувати свої захисні механізми. Деякі відомі та популярні моделі здаються байдужими, чи то за вибором, чи через недогляд, проте повага до інтелектуальної власності ніколи не буде сприйматися як помилка; вони просто ще не дійшли до такого висновку.

Захист довгого хвоста важкий через особливості технології:

Перевірки на рівні запиту: Аналізувати вхідний запит на предмет порушуючого контенту, дозволяючи моделі вирішувати, чи продовжувати. На жаль, навіть при аналізі запиту залишаються багато способів обійти його. Можна сформулювати його трохи інакше, описати персонажа без назви, використати помилки. Запити легко обходять детектори, і моделі також можуть «галюцинувати», створюючи вихід, який відрізняється від запиту користувача і може містити порушуючого персонажа.

Перевірки аналізу виходу: Сканувати кожен результат проти бази даних відомих персонажів. Впізнавані персонажі викликають підвищену чутливість, тоді як персонажі довгого хвоста можуть залишатися непоміченими, бо їх немає у базі даних, і тому всебічний контроль є складним.

Швидкість також має значення. Для моделей генерації зображень перевірка одного зображення досить швидка. Однак генерація відео вимагає сканування багатьох кадрів, що може суттєво сповільнити вихід і вплинути на досвід користувача.

Балансування цих питань делікатне, проте деякі моделі докладають зусиль, щоб вирішити цю проблему. Зрештою, це залежить від того, чи готова модель поважати інтелектуальну власність.

Модель може відмовити у прямому запиті на генерацію захищеного персонажа, але все ж відтворити його, коли отримує достатньо детальний опис. Як має розвиватися тестування безпеки ШІ, виходячи за межі простих відмов у запитах, щоб виявляти такі непрямі відтворення?

Це очевидна проблема. Коли модель може відтворити персонажа за детальним або навіть дуже простим описом, це свідчить про те, що персонаж глибоко закладений у навчальних даних. Це піднімає зовсім інше питання про те, як ці дані були зібрані, і саме зараз це розглядається в судах.

Тестування безпеки має виходити за межі аналізу запитів і перейти до аналізу фактичних виходів. Моделі генерують зображення через дифузію, поступово формуючи візуальне уявлення результату. Через цей процес і спосіб їх навчання вони можуть ненавмисно відтворювати захищені персонажі, як у передньому плані, так і на задньому, іноді без запиту. Єдиний надійний спосіб виявити це — безпосередньо протестувати модель і виміряти, що вона фактично створює.

Виявлення схожості неминуче піднімає питання про хибнопозитивні результати. Як ви розрізняєте легітимний креативний вплив, випадкову схожість і відтворення, яке статистично значуще достатньо, щоб студія або правовласник розпочали розслідування?

Ця робота потребуватиме постійного вдосконалення. Найточніше візуальне подібність, яку людина може легко впізнати, має слугувати відправною точкою, і це те, що сьогодні можна робити добре. Коли мова йде про синтетичні створення чи питання стилю, довести і забезпечити виконання стає значно складніше.

Візьмемо, наприклад, Супермена. Якщо модель створить загального Супермена з очима Крістофера Ріва, підборіддям Генрі Кавілла, скронями іншого актора тощо, ці риси створюють Супермена, який надзвичайно важко розшифрувати і простежити, звідки взялися окремі елементи.

Два фактори утримують хибнопозитивні результати під контролем. По‑перше, ми ніколи не покладаємося лише на одне число схожості в ізоляції. Результати бенчмаркуються, щоб загальна схожість можна було відокремити від фактичного відтворення, і кожен тест відтворюваний: ті ж вхідні дані за тих самих умов дають ті ж числа. По‑друге, аналіз відповідає юридичним питанням, які правовласник має відповісти. Для персонажів і творчих робіт це питання суттєвої схожості. Для брендів і образів — це ймовірність плутанини, тобто чи звичайний глядач може бути введений в оману, вважаючи вихід реальним. Наша задача — надати захищене, повторюване число для цих питань. Чи підніметься питання до рівня розслідування, завжди вирішує правовласник.

Генеративні моделі швидко змінюються і можуть поводитися дуже по‑різному після оновлення. Як правовласники можуть постійно оцінювати сотні моделей і потенційно тисячі захищених активів, не роблячи процес моніторингу надто дорогим чи технічно нездійсненним?

Це майже неможливо, саме тому правовласники відстають і ледве встигають за останніми моделями зі США та Азії.

Реалістично, їм потрібна людина у їхньому колі, яка зможе йти в ногу з темпом і боротися за їхні інтереси. Ось чому ми розпочали цю справу. Ми побачили, що студіям потрібна технологічна компанія, яка зможе встигати за швидкістю цих генеративних моделей, і ніхто інший не готовий це робити.

Друга частина відповіді — це ведення записів. Модель може поводитися зовсім по‑різному після оновлення, тому оцінка, яка не прив’язана до конкретного часу, безцінна. Кожен наш результат фіксує, яку модель тестували, коли, проти якого захищеного активу, і які були цифри. Це перетворює моніторинг з неможливого постійного процесу в керований: коли модель оновлюється, ви повторно тестуєте і порівнюєте з записом, а не починаєте все спочатку.

Виявлення вирішує лише частину проблеми. Коли система визначає, що модель ШІ може відтворювати захищений персонаж або образ, що має статися далі, і які технічні механізми можуть зрештою дозволити творцям вказати, чи їхня IP може бути заблокована, ліцензована або використана за певних умов?

Існують як юридичні, так і технічні аспекти. Юридично правовласник вирішує, як діяти. Він може використати наші докази як підставу для позову або застосувати їх у переговорах з розробниками моделей. Вибір залишається за ним.

Технічно правовласник повинен мати можливість надати згоду та підключитися до конкретних моделей, які можуть генерувати їхній продукт чи IP. Він має контролювати вихід, запобігаючи сценарію «все дозволено». Замість того, щоб їх змушували до обмежувальних захисних механізмів, вони повинні мати можливість монетизувати кожну генерацію на заздалегідь встановлених умовах. Це відповідає практикам в інших галузях, тому має застосовуватись і тут.

Чи може та сама інфраструктура, що використовується для виявлення несанкціонованого використання ШІ, зрештою створити легітимний ринок ліцензування, де системи ШІ програмно визначають, хто володіє активом, які дозволи доступні та як компенсація має надходити правовласнику?

Якщо інфраструктура може визначити, чи схожий AI‑згенерований результат на IP, вона ж має остаточно вирішувати питання ліцензування. Вона може визначити, який IP міститься у згенерованому результаті, хто є правовласником, чи слід його визнати, і забезпечити надходження компенсації. Технологія в основному однакова. Це движок достовірності, який створює перевірені, відтворювані статистичні докази. Якщо результат перетинає поріг, коли глядач може розумно сплутати його з реальним, правовласник має право на компенсацію.

Єдина умова — той, хто керує цим шаром, має залишатися нейтральним. Він не може сам генерувати контент і не може займати сторону в окремих угодах. Його завдання — надати обом сторонам один і той же надійний запис і дозволити їм безпосередньо здійснювати транзакції. Така нейтральність є причиною, чому правовласники будуть готові реєструвати свої каталоги саме в ньому.

Коли AI‑згенероване відео наближається до якості та послідовності, необхідних для професійного виробництва, яким, на вашу думку, буде остаточне відношення між компаніями ШІ та Голлівудом? Чи очікуєте ви, що управління правами стане зовнішнім шаром верифікації навколо моделей, чи це зрештою має бути вбудовано безпосередньо в моделі?

Це цікава ера, у яку ми вступаємо, оскільки компанії ШІ зробили виробництво контенту значно дешевшим, ніж будь‑коли раніше. У результаті ми можемо очікувати розквіт контенту — хорошого, поганого, зі смаком і без нього. Голлівуд традиційно вважає себе арбітром смаку, створюючи твори, які люди люблять і в яких закохуються. ШІ тепер пропонує найпотужніший інструмент для розповідачів.

Щодо другої частини питання, я вважаю, що чесна відповідь — і те, і інше, послідовно. Перевірки виконання, ймовірно, з часом перемістяться всередину моделей, бо саме там їх найдешевше і найшвидше запускати. Але референтний шар, тобто запис того, що існує, хто є власником і на яких умовах це може бути використано, має залишатися незалежним, так само як і верифікація. Компанія‑модель не може оцінювати власні виходи, а правовласники не передадуть свої каталоги компанії, чия діяльність полягає у створенні похідних продуктів. Це схоже на фінансові ринки, де фірми здійснюють внутрішню комплаєнс‑перевірку, але все одно підлягають зовнішньому аудиту.

Управління правами відбудеться, коли Голлівуд і компанії ШІ об’єднаються, щоб визначити, як вони хочуть співіснувати. В кінцевому підсумку їхня мета однакова — створювати новий контент, який людям подобається. Тільки це треба робити правильно.

Дякуємо за чудове інтерв’ю, читачі, які бажають дізнатися більше, повинні відвідати ARCOS Labs.