Pangram, нью-йоркский стартап, основанный выпускниками Стэнфордского университета по направлению ИИ Максом Сперо и Брэдли Эми, закрыл раунд серии А на сумму 9 миллионов долларов под руководством Menlo Ventures. Финансирование пойдет на развитие API для платформ и расширения для Chrome стоимостью 20 долларов в месяц, которое обещает выявлять тексты, созданные с помощью ИИ, с точностью 99% — заявление, которое может изменить способы проверки подлинности журналистами, учеными и рекрутерами.

Всплеск AI-генерируемого «слопа»

Большие языковые модели теперь массово штампуют статьи, посты для социальных сетей и даже юридические цитаты. Результат: поток низкокачественного SEO-спама, скоординированные кампании по дезинформации и «серая зона», где люди лишь дорабатывают черновики, созданные ИИ. Институты уже реагируют. Препринт-сервер arXiv предупредил, что авторы, представляющие непроверенные результаты работы LLM, могут столкнуться с годовым баном, а суды начали применять санкции к юристам, которые полагаются на сфабрикованные цитаты, созданные ИИ. Давление с целью отделить человеческий контент от машинного растет, и Pangram делает ставку на то, что его технология может стать стандартом уровня верификации по умолчанию.

Синтетическое зеркалирование: обучение на «двойниках» каждого документа

Флагманская модель Pangram, Pangram 4, использует метод, который компания называет «синтетическим зеркалированием» (synthetic mirroring). Для каждого написанного человеком документа в обучающем наборе — а это десятки миллионов проверенных материалов — команда создает его аналог с помощью передовой LLM. Синтетический двойник соответствует оригиналу по теме, длине и тону, но создан искусственным интеллектом. Подавая обе версии в одну и ту же нейросеть, Pangram учит модель распознавать тонкие статистические отпечатки, которые сохраняются в текстах, созданных ИИ, даже если авторы используют инструменты «очеловечивания» ИИ, предназначенные для маскировки машинного вывода.

Конкуренты полагаются на метаданные или невидимые водяные знаки, которые можно удалить или проигнорировать. Pangram вместо этого фокусируется на стилистическом анализе: паттернах в выборе слов, ритме предложений и распределении токенов, которые остаются неизменными для вывода конкретной модели. Согласно пресс-релизу компании, в ходе внутренних тестов система определяла тексты, созданные с помощью ИИ, с точностью 99%.

От API до браузеров: где будет применяться технология

Pangram позиционирует себя как инфраструктурное решение, а не как приложение для одной задачи. Его API уже интегрируется с Substack, где в рассылках отображается метка, указывающая на долю контента, созданного ИИ. Среди ранних последователей также значатся платформа вопросов и ответов Quora, несколько университетских центров письма и рекрутинговые агентства, которым необходимо проверять оригинальность работ кандидатов.

Для индивидуальных пользователей стартап предлагает расширение для Chrome, которое накладывает «показатель здоровья ленты» (feed health score) на таких сайтах, как X, LinkedIn, Reddit и Medium. Этот показатель разделяет процент текста, который модель считает человеческим, и созданным ИИ. Подписчики платят 20 долларов в месяц за маркировку в реальном времени и возможность помечать подозрительные фрагменты для дальнейшей проверки.

Скептический взгляд

Заявления о точности неизбежно вызывают пристальное внимание. Обнаружение помощи ИИ в «серой зоне» — когда автор редактирует черновик, созданный моделью — остается труднодостижимой целью. По мере совершенствования генеративных моделей стилистический разрыв, на который полагается Pangram, может сократиться, что спровоцирует гонку вооружений между методами обнаружения и методами обхода. Критики также предупреждают о ложноположительных срабатываниях: маркировка легитимного человеческого текста как созданного ИИ может нанести ущерб репутации, особенно в академической или юридической среде, где ставки очень высоки.

Pangram признает сложность задачи, отмечая, что компания постоянно переобучает свою модель на новых «синтетических зеркалах» по мере появления новых LLM. Однако компания не раскрыла результаты независимых бенчмарков, помимо своих внутренних тестов, оставляя широкому сообществу возможность самостоятельно проверить цифру в 99%.

За чем следить

Следующие несколько месяцев покажут, сможет ли Pangram выйти за рамки пилотных интеграций и получить более широкое внедрение на платформах. Ключевыми индикаторами станут:

  • Расширение API-контрактов за пределы текущего списка ранних партнеров.
  • Отзывы институциональных пользователей о частоте ложноположительных срабатываний и влиянии на редакционные процессы.
  • Реакция разработчиков LLM, которые могут ответить обновлением моделей, направленным на более точное имитирование человеческого стиля.
  • Регуляторные изменения, которые могут сделать инструменты обнаружения ИИ обязательными для определенных публикаций или академических работ.

Если стартап сохранит преимущество в обнаружении, поддерживая при этом низкий уровень ошибок, он может стать стандартом де-факто для цифровой подлинности. Если нет, рынок может раздробиться на множество конкурирующих инструментов, каждый из которых будет иметь свои компромиссы.

Итог

Инвестиции Pangram в размере 9 миллионов долларов направлены на развитие стратегии обнаружения, основанной на режиме обучения с использованием парных документов, что позволяет заявлять о почти идеальной точности выявления использования ИИ. Успех этой стратегии будет зависеть от того, сможет ли метод масштабироваться на постоянно развивающиеся языковые модели и завоюет ли он доверие платформ и организаций, которые нуждаются в нем больше всего.