أغلقت Pangram، وهي شركة ناشئة في نيويورك أسسها خريجا الذكاء الاصطناعي من جامعة ستانفورد Max Spero وBradley Emi، جولة تمويل من الفئة (Series A) بقيمة 9 ملايين دولار بقيادة Menlo Ventures. سيعمل هذا التمويل على تطوير API للمنصات وإضافة Chrome extension مقابل 20 دولارًا شهريًا، تدعي قدرتها على تحديد النصوص المساعدة بالذكاء الاصطناعي بدقة تصل إلى 99%—وهو ادعاء قد يعيد تشكيل كيفية تحقق الصحفيين والباحثين والموظفين من الأصالة.

طفرة "المحتوى الرديء" (slop) المولد بواسطة الذكاء الاصطناعي

تقوم النماذج اللغوية الكبيرة (LLMs) الآن بإنتاج المقالات ومنشورات وسائل التواصل الاجتماعي وحتى الاستشهادات القانونية على نطاق واسع. والنتيجة: فيض من محتوى الـ SEO الرديء، وحملات التضليل المنسقة، ومنطقة رمادية يقوم فيها البشر بتنقيح المسودات المولدة بواسطة الذكاء الاصطناعي. بدأت المؤسسات بالفعل في اتخاذ ردود فعل؛ حيث حذر خادم ما قبل الطباعة arXiv من أن المؤلفين الذين يقدمون مخرجات LLM غير مراجعة قد يواجهون حظرًا لمدة عام، وبدأت المحاكم في فرض عقوبات على المحامين الذين يعتمدون على استشهادات مفبركة أنتجها الذكاء الاصطناعي. يتزايد الضغط للفصل بين مخرجات البشر والآلات، وتراهن Pangram على أن تقنيتها يمكن أن تصبح طبقة التحقق الافتراضية.

المحاكاة الاصطناعية (Synthetic mirroring): التدريب على نسخة توأم لكل وثيقة

يستخدم نموذج Pangram الرائد، Pangram 4، طريقة تطلق عليها الشركة اسم "المحاكاة الاصطناعية" (synthetic mirroring). فلكل وثيقة كتبها إنسان في مجموعة التدريب الخاصة بها—والتي تضم عشرات الملايين من القطع الموثقة—قام الفريق بإنشاء نظير لها باستخدام نموذج LLM متطور. تطابق النسخة الاصطناعية الأصل في الموضوع والطول والنبرة، ولكن يتم إنتاجها بواسطة الذكاء الاصطناعي. ومن خلال تغذية كلتا النسختين في نفس الشبكة العصبية، تعلم Pangram النموذج كيفية رصد البصمات الإحصائية الدقيقة التي تستمر عبر النصوص المولدة بواسطة الذكاء الاصطناعي، حتى عندما يستخدم الكتاب أدوات "أنسنة الذكاء الاصطناعي" (AI humanizer) المصممة لإخفاء مخرجات الآلة.

يعتمد المنافسون على البيانات الوصفية (metadata) أو العلامات المائية غير المرئية، والتي يمكن إزالتها أو تجاهلها. بدلاً من ذلك، تركز Pangram على التحليل الأسلوبي: الأنماط في اختيار الكلمات، وإيقاع الجملة، وتوزيع الرموز (tokens) التي تظل ثابتة عبر مخرجات النموذج. ووفقًا لبيان الشركة، نجح النظام في الاختبارات الداخلية في تحديد الكتابة المساعدة بالذكاء الاصطناعي بدقة تصل إلى 99%.

من الـ APIs إلى المتصفحات: أين ستستقر هذه التكنولوجيا

تضع Pangram نفسها كبنية تحتية بدلاً من كونها تطبيقًا لغرض واحد. يتكامل الـ API الخاص بها بالفعل مع Substack، حيث تعرض النشرات الإخبارية ملصقًا يشير إلى نسبة المحتوى المولد بواسطة الذكاء الاصطناعي. وتشمل قائمة المستخدمين الأوائل أيضًا منصة الأسئلة والأجوبة Quora، والعديد من مراكز الكتابة الجامعية، ووكالات التوظيف التي تحتاج إلى التحقق من أصالة طلبات المرشحين.

بالنسبة للمستخدمين الأفراد، تقدم الشركة الناشئة إضافة Chrome extension تضع "درجة صحة المحتوى" (feed health score) على مواقع مثل X وLinkedIn وReddit وMedium. توضح هذه الدرجة النسبة المئوية للنص الذي يعتقد النموذج أنه بشري مقابل الذكاء الاصطناعي. يدفع المشتركون 20 دولارًا شهريًا للحصول على تصنيف في الوقت الفعلي والقدرة على تحديد المقاطع المشبوهة لمزيد من المراجعة.

نظرة تشكيكية

تجذب ادعاءات الدقة بلا شك التدقيق. فكشف المساعدة في الذكاء الاصطناعي في "المنطقة الرمادية"—حيث يقوم الكاتب بتحرير مسودة أنتجها نموذج ما—يظل هدفًا متحركًا. ومع تحسن النماذج التوليدية، قد تتقلص الفجوة الأسلوبية التي تعتمد عليها Pangram، مما يؤدي إلى سباق تسلح بين تقنيات الكشف وتقنيات التهرب. كما يحذر النقاد من النتائج الإيجابية الخاطئة (false positives): فوسم قطعة بشرية مشروعة بأنها مولدة بواسطة الذكاء الاصطناعي قد يضر بالسمعة، خاصة في السياقات الأكاديمية أو القانونية حيث تكون المخاطر عالية.

تقر Pangram بهذا التحدي، مشيرة إلى أنها تعيد تدريب نموذجها باستمرار على "مرايا اصطناعية" (synthetic mirrors) جديدة مع ظهور نماذج LLM جديدة. ومع ذلك، لم تكشف الشركة عن نتائج اختبارات معيارية مستقلة تتجاوز اختباراتها الداخلية، مما يترك المجتمع الأوسع للتحقق من رقم الـ 99%.

ما يجب مراقبته

ستكشف الأشهر القليلة القادمة عما إذا كانت Pangram قادرة على الانتقال من التكامل التجريبي إلى اعتماد أوسع في المنصات. وتشمل المؤشرات الرئيسية ما يلي:

  • توسع عقود الـ API بما يتجاوز القائمة الحالية للشركاء الأوائل.
  • ملاحظات المستخدمين من المؤسسات حول معدلات النتائج الإيجابية الخاطئة وتأثير ذلك على سير العمل التحريري.
  • ردود فعل مطوري LLM، الذين قد يستجيبون بتحديثات للنماذج تهدف إلى محاكاة الأسلوب البشري بشكل وثيق.
  • التطورات التنظيمية التي قد تجعل أدوات الكشف عن الذكاء الاصطناعي إلزامية لبعض المنشورات أو التقديمات الأكاديمية.

إذا حافظت الشركة الناشئة على تفوقها في الكشف مع الحفاظ على معدلات خطأ منخفضة، فقد تصبح معيارًا فعليًا للأصالة الرقمية. وإذا لم يحدث ذلك، فقد ينقسم السوق إلى مجموعة من الأدوات المتنافسة، لكل منها مقايضاتها الخاصة.

الخلاصة

يساهم ضخ مبلغ 9 ملايين دولار في Pangram في تعزيز استراتيجية كشف تعتمد على نظام تدريب قائم على الوثائق المزدوجة (twin-document training regime) بهدف تحقيق دقة شبه مثالية في رصد المساعدة المقدمة من الذكاء الاصطناعي. وسيتوقف نجاحها على مدى قدرة هذه الطريقة على التوسع عبر النماذج اللغوية المتطورة، ومدى اكتسابها لثقة المنصات والمؤسسات الأكثر احتياجاً إليها.