Pangram, нью-йоркський стартап, заснований випускниками Стенфордського університету зі спеціальністю штучний інтелект Максом Сперо та Бредлі Емі, залучив 9 мільйонів доларів у межах раунду серії А під керівництвом Menlo Ventures. Фінансування піде на розвиток API для платформ та розширення для Chrome за 20 доларів на місяць, яке стверджує, що виявляє текст, створений за допомогою ШІ, з точністю 99% — це твердження може змінити те, як журналісти, науковці та рекрутери перевіряють автентичність.

Сплеск ШІ-генерованого «сміття»

Великі мовні моделі тепер масово створюють статті, дописи в соціальних мережах і навіть юридичні цитати. Результат: потік низькоякісного SEO-спаму, скоординовані дезінформаційні кампанії та «сіра зона», де люди лише шліфують чернетки, створені ШІ. Установи вже реагують. Сервер препринтів arXiv попередив, що автори, які подають неперевірені результати роботи LLM, можуть отримати річний бан, а суди почали накладати санкції на юристів, які покладаються на сфабриковані цитати, створені ШІ. Тиск з метою відокремити людський продукт від машинного зростає, і Pangram ставить на те, що їхня технологія може стати стандартом рівня верифікації.

Синтетичне дзеркалювання: навчання на «двійниках» кожного документа

Флагманська модель Pangram, Pangram 4, використовує метод, який компанія називає «синтетичним дзеркалюванням» (synthetic mirroring). Для кожного написаного людиною документа у навчальному наборі — десятків мільйонів перевірених текстів — команда створила відповідник за допомогою передової LLM. Синтетичний двійник відповідає оригіналу за темою, довжиною та тоном, але створений ШІ. Подаючи обидві версії в одну й ту саму нейронну мережу, Pangram вчить модель помічати тонкі статистичні відбитки, які залишаються в текстах, створених ШІ, навіть якщо автори використовують інструменти «олюднення ШІ» (AI humanizer), розроблені для маскування машинного виводу.

Конкуренти покладаються на метадані або невидимі водяні знаки, які можна видалити або проігнорувати. Pangram натомість зосереджується на стилістичному аналізі: патернах у виборі слів, ритмі речень і розподілі токенів, які залишаються стабільними в результатах роботи моделі. Згідно з пресрелізом компанії, під час внутрішніх тестів система визначала тексти, написані за допомогою ШІ, з точністю 99%.

Від API до браузерів: де застосовуватимуться технології

Pangram позиціонує себе як інфраструктуру, а не як додаток для однієї задачі. Її API вже інтегроване зі Substack, де розсилки відображають мітку, що вказує на частку контенту, створеного ШІ. Серед перших користувачів також є платформа для запитань і відповідей Quora, кілька університетських центрів письма та рекрутингові агентства, яким потрібно перевіряти оригінальність поданих кандидатами робіт.

Для окремих користувачів стартап пропонує розширення для Chrome, яке накладає «оцінку якості стрічки» (feed health score) на таких сайтах, як X, LinkedIn, Reddit та Medium. Оцінка показує відсоток тексту, який модель вважає людським, а не створеним ШІ. Підписники платять 20 доларів на місяць за маркування в режимі реального часу та можливість позначати підозрілі уривки для подальшої перевірки.

Скептичний погляд

Твердження про точність неминуче привертають увагу. Виявлення допомоги ШІ в «сірій зоні» — де автор редагує чернетку, створену моделлю — залишається мінливою ціллю. Оскільки генеративні моделі вдосконалюються, стилістична різниця, на яку покладається Pangram, може скоротитися, що спровокує «гонку озброєнь» між методами виявлення та методами ухилення. Критики також попереджають про помилкові спрацьовування: маркування справжнього людського тексту як створеного ШІ може зашкодити репутації, особливо в академічному чи юридичному контекстах, де ставки дуже високі.

Pangram визнає цю проблему, зазначаючи, що компанія постійно перенавчає свою модель на нових синтетичних дзеркалах у міру появи нових LLM. Однак компанія не розкрила результатів незалежних тестів, окрім своїх внутрішніх випробувань, залишаючи широкій спільноті можливість самостійно перевірити цифру у 99%.

На що варто звернути увагу

Наступні кілька місяців покажуть, чи зможе Pangram вийти за межі пілотних інтеграцій і стати ширше прийнятою на платформах. Ключовими індикаторами є:

  • Розширення контрактів API за межі поточного списку перших партнерів.
  • Відгуки інституційних користувачів щодо частоти помилкових спрацьовувань та впливу на редакційні процеси.
  • Реакція розробників LLM, які можуть відповісти оновленнями моделей, спрямованими на більш точне імітування людського стилю.
  • Регуляторні зміни, які можуть зробити інструменти виявлення ШІ обов'язковими для певних публікацій або академічних робіт.

Якщо стартап збереже свою перевагу в детекції, підтримуючи при цьому низький рівень помилок, він може стати стандартом де-факто для цифрової автентичності. Якщо ні, ринок може розколотися на сукупність конкуруючих інструментів, кожен з яких матиме свої компроміси.

Підсумок

Інвестиції Pangram у розмірі 9 мільйонів доларів підживлюють стратегію виявлення, яка базується на режимі навчання з використанням парних документів, що дозволяє досягти майже ідеальних результатів у розпізнаванні допомоги ШІ. Успіх цієї стратегії залежатиме від того, чи зможе метод масштабуватися відповідно до розвитку мовних моделей і чи здобуде він довіру платформ та інституцій, які потребують його найбільше.