Nelson Chu，ARCOS Labs 创始人兼首席执行官 – 访谈系列

Nelson Chu，ARCOS Labs 创始人兼首席执行官，是一位多次创业的企业家和技术高管，背景涵盖金融基础设施、投资和数字平台。在创立 ARCOS Labs 之前，他在 Percent 担任创始人兼首席执行官八年，构建了一个旨在现代化私人信贷市场的技术平台，现任董事会主席。早期职业生涯中，Chu 共同创立了 MySupport——一个将老年人和残障人士与支持工作者连接的在线平台，后被 RISE Services 收购，并创立了战略咨询公司 Lumenary。他还曾担任 BlockFi、Recharge Capital 等公司的顾问和投资人，职业起点是 BlackRock、美国银行和美林证券等金融机构的职位。

ARCOS Labs，英文全称 Applied Research in Creative Output Synthesis，致力于开发基础设施，帮助 AI 在生成模型日益与受版权保护的作品、角色和人类形象交互时负责任地运行。公司专注于取证式知识产权情报和权利管理，其技术旨在识别并衡量创意资产被 AI 再现的方式，追踪其使用情况，并支持许可和执法框架。其旗舰平台 VN 旨在为创作者、制片厂、人才经纪公司和权利持有人提供更大的可视性和控制权，以了解 AI 系统如何使用其知识产权，同时 ARCOS 还推出了 Lightbar——一个用于调查 AI 训练模型的众包计划。公司于 2026 年 8 月公开脱颖而出，目标是构建创作者与 AI 系统大规模共存所需的信任与权利基础设施。

您花了八年时间围绕基础设施打造 Percent，以在碎片化的私人信贷市场中实现效率和透明度。您从构建这种金融基础设施中学到的经验，现在如何应用到 ARCOS Labs，以应对生成式 AI 时代完全不同的知识产权和权利管理问题？

很多经验是可以迁移的。当我们启动 Percent 时，私人信贷市场碎片化且信息不透明。每笔交易的描述方式各不相同，导致无法自信地进行比较或定价。第一课是标准化必须先于市场形成。我们花了多年时间搭建那些不太光鲜的底层管道，使得每笔交易都能以相同的方式描述和验证，随后才出现了高效的交易。生成式 AI 时代的知识产权也面临同样的问题。没有统一的资产记录，也没有明确的所有权，更别说这些模型是如何使用这些资产的。只有当这样的记录存在时，下游的执法或许可等工作才不会是临时拼凑的。

第二课是信任建立在验证之上。私人信贷的投资者从不只听发行人的口头说明，他们需要自己可以核查的数据。今天的权利持有人在面对 AI 公司时也处于同样的境地。关于安全防线的保证几乎没有分量。能够被独立复现的证据才会改变对话。

第三课涉及激励机制。任何碎片化的、鸡与蛋的市场只有在双方都确信解决方案对自己有利时才会运作。对于 Percent，我们看到仅为单方面解决问题的尝试都无法持久。在知识产权和权利管理领域，激励目前严重失衡。模型公司希望增长，为客户提供有价值的工具，有时甚至把侵权内容作为营销手段，最近的例子有 Sora 和字节跳动。与此同时，权利持有人必须跟上他们甚至无法预见的变化，同时在内容创作变得极其容易的时代保持相关性。能够在这种市场中获胜的基础设施是双方都能信任的，通常意味着它本身不参与交易本身。

更大的趋势同样熟悉。私人信贷在拥有衡量其价值的基础设施后成为主流资产类别，我相信知识产权正处于同样转型的起点。

是什么让您确信，要保护创意作品免受生成式 AI 的侵害，需要构建全新的技术基础设施层，而不是主要依赖更完善的版权法、内容审核政策或水印技术？

根本上，模型本身是一种技术方案，如果想要防止模型侵犯创意，就必须采用技术手段。版权法仍然模糊，这在 Cox、Anthropic 案例以及德国 GEMA 的情况中已有体现。合理使用的概念仍未明确，法院需要很长时间才能给出裁决。内容审核依赖模型自行审查，这对模型要求极高，且几乎不可能实现。水印是一个有前景的思路，但同样依赖人们自我监管，且容易被去除。综合上述，我们认识到唯一可行的办法是自行研发技术，为这一现实且重要的问题提供解决方案。

VN 旨在衡量 AI 生成内容与受保护的角色、创意作品和人类形象的相似程度。在技术层面，系统如何判断何时输出仅仅是相似，而已达到应引起权利持有人关注的程度？

最终我们把决定权交给用户。我们的职责是统计输出与受保护对象的相似度，确保捕获每一种姿态和可能性，然后与受保护的角色、作品或人像进行比对。部分用户设定了阈值，低于该阈值的作品不得发布。大型公司往往更严格，因为所有生成的内容必须归属于他们。业余用户出于娱乐实验，可能接受更高的阈值，容忍更多变体。

在为制片厂、人才经纪公司或类似客户进行取证测试时，我们提供曝光分析:

• 哪些模型最准确地生成该内容
• 哪些模型能够生成该内容
• 哪些模型可能将其置于有问题的情境中

最终，我们的工作是完成分析并提供结果，客户如何使用则完全由他们自行决定。

您对 Seedance 2.5 的测试发现，对可识别角色的防护远强于对不太显著的知识产权的防护。这种差异说明了 AI 公司在构建版权防护方面的现状如何？为什么长尾 IP 尤其难以保护？

每家 AI 公司情况各异，对此问题的重视程度也不尽相同。当 Seedance 2.0 今年早些时候发布时，字节跳动迅速意识到其自身造成的问题并开始改进防护。一些知名且流行的模型似乎表现出漠视，无论是出于选择还是疏忽，但尊重知识产权永远不应被视为错误，只是它们尚未得出相同的结论而已。

保护长尾困难在于技术的工作方式:

提示层级检查: 检查输入提示是否包含侵权内容，让模型决定是否继续。遗憾的是，即使检查提示，仍有许多规避方式。它们可以稍作改写，使用不同的表述，或不直接命名角色，甚至使用拼写错误。提示很容易绕过检测器，模型也可能出现幻觉，生成与用户提示不同且包含侵权角色的输出。

输出层级检查: 对每个输出进行扫描，对照已知角色数据库。可识别的角色会触发更高的敏感度，而长尾角色可能因数据库未收录而被忽视，因此全面监管必然具有挑战性。

速度同样重要。对于图像生成模型，检查单张图片相对快速。然而视频生成需要扫描大量帧，这会显著降低输出速度并影响用户体验。

在这些因素之间取得平衡十分微妙，但一些模型已投入努力尝试解决。最终，这取决于模型是否愿意并有兴趣尊重知识产权。

模型可能会拒绝直接生成受版权保护的角色请求，但在提供足够详细的描述后仍会再现该角色。AI 安全测试应如何超越单纯的提示拒绝率，以识别此类间接再现？

这是一个显而易见的问题。当模型能够仅凭详细甚至非常简短的描述再现角色时，说明该角色已深度嵌入训练数据。这引出了关于数据收集方式的全新问题，而此事正通过法院审理。

安全测试必须超越对提示的检查，转向对实际输出的分析。模型通过扩散过程生成图像，逐步构建结果的视觉。由于这一过程及其训练方式，它们可能无意中再现受版权保护的角色，无论是在前景还是背景，甚至在未被提示的情况下。唯一可靠的捕捉方式是直接测试模型并测量其实际产出。

相似度检测不可避免地会引发误报问题。您如何区分合法的创意影响、偶然的相似性以及统计上足以让制片厂或权利持有人进行调查的再现？

这项工作需要持续改进。人类能够立即辨认的最精确的视觉相似度应作为起点，而这正是目前可以做到的。进入合成创作或风格层面时，证明难度和执行难度都会大幅提升。

以超人为例。如果模型生成的超人拥有克里斯托弗·里夫的眼睛、亨利·卡维尔的下巴、另一位演员的颧骨等特征，这些特征组合成的超人极难逆向工程并追溯其来源。

控制误报的两点措施。第一，我们从不单独依赖单一相似度数值。结果经过基准测试，以便将普通相似与实际再现区分开来，并且每次测试都是可复现的：相同输入在相同条件下会产生相同数值。第二，分析映射到权利持有人实际需要回答的法律问题。对于角色和创意作品，关键是实质相似性；对于品牌和肖像，则是混淆可能性，即普通观众是否会误以为输出是真实的。我们的任务是为这些问题提供可辩护、可重复的数值。是否达到调查层面始终由权利持有人决定。

生成模型变化迅速，更新后行为可能大相径庭。权利持有人如何在监控成本高昂或技术上难以管理的情况下，持续评估数百个模型和数千个受保护资产？

这几乎不可能，这也是为何知识产权持有人落后，难以跟上来自美国和亚洲的最新模型。

实际上，他们需要有能够跟上节奏并代表他们争取权益的人。这也是我们创立公司的初衷。我们看到这些制片厂需要一家能够匹配生成模型速度的技术公司，而没有其他企业愿意承担此职责。

答案的另一部分是记录保存。模型更新后行为可能大相径庭，若评分未绑定时间点则毫无价值。我们每一次的结果都会记录测试的模型、测试时间、对应的受保护资产以及数值。这将监控从不可能的持续性问题转化为可管理的任务：模型更新时，只需重新测试并与已有记录对比，而不是从头开始。

检测仅解决了问题的一部分。当系统识别出 AI 模型能够再现受保护的角色或形象后，接下来应如何处理？以及哪些技术机制最终可以让创作者指定其 IP 是否可以被阻止、授权或在特定条件下使用？

这既涉及法律层面，也涉及技术层面。法律上，IP 持有人决定后续行动。他们可以将我们提供的证据作为诉讼依据，或在与模型开发者的谈判中使用。选择权在他们手中。

技术上，权利持有人应能够同意并选择加入特定模型的使用。他们应掌控输出，防止出现自由放任的局面。与其被迫接受限制性防护，他们应能够在预设条款下对每次生成进行变现。这与其他行业的做法相似，也应在此适用。

用于检测未授权 AI 使用的同一基础设施，是否最终能够实现合法的许可市场，使 AI 系统能够以编程方式确定资产所有者、可用权限以及补偿应如何流向权利持有人？

如果基础设施能够判断 AI 生成的输出是否类似于某项 IP，那么它也应当最终负责处理许可事务。它可以识别生成输出中的 IP、所有权人、是否应给予署名，并最终实现补偿流转。技术本质上是相同的。这是一种保真引擎，能够提供可验证、可复现的统计证据。若输出跨越阈值，使观众合理地误以为是真实作品，权利持有人就有权获得补偿。

唯一条件是运行该层的主体必须保持中立。它不能自行生成内容，也不能在任何单独交易中站队。它的职责是为双方提供同等可信的记录，让他们直接交易。这种中立性是权利持有人愿意将其目录登记在此的根本原因。

随着 AI 生成视频接近专业制作所需的质量和一致性，您认为 AI 公司与好莱坞的关系最终会如何？您是否预期权利管理会成为模型外部的验证层，还是最终必须直接嵌入模型本身？

我们正进入一个有趣的时代，AI 公司让内容制作成本前所未有地降低。因此，我们可以预见内容会大量涌现，有好有坏，有品味也有无品味。好莱坞传统上自视为品味的仲裁者，创作人们喜爱并沉醉的作品由其产出。AI 如今为讲故事者提供了最强大的工具。

关于问题的第二部分，我认为诚实的答案是两者兼而有之，且是有序的。强制检查可能会随时间迁入模型内部，因为那是最便宜、最快速的实现方式。但参考层，即记录何为存在、谁拥有、在何种条件下可使用，必须保持独立，验证亦如此。模型公司不能为自己的输出打分，权利持有人也不会把目录交给以生成衍生作品为业务的公司。这类似于金融市场，企业内部进行合规，但仍需接受外部审计。

权利管理将在好莱坞与 AI 公司共同决定共存方式时实现。归根结底，它们的目标相同——创造人们喜爱的全新内容。只要方式得当即可。

感谢这次精彩的访谈，想了解更多的读者请访问 ARCOS Labs。