Pangram获900万美元融资，誓用“像素级”鉴别力对抗互联网AI垃圾内容泛滥

【科技24时区】当生成式人工智能（AIGC）如潮水般涌入互联网的每一个角落，从搜索引擎的SEO垃圾文到社交媒体上的虚假宣传，一种被称为“AI Slop”（AI垃圾内容）的现象正悄然侵蚀着数字世界的信任基石。就在这一背景下，总部位于纽约的初创公司Pangram宣布完成900万美元融资，其核心使命直指痛点：在人类创作与机器生成的混沌边界中，重建内容的可信度。

这笔由Menlo Ventures领投，Haystack、ScOp、Script Capital和Cadenza跟投的资金，恰逢Pangram推出其新一代检测模型之际。除了备受关注的文本检测模型Pangram 4，该公司还同步发布了处于研究预览阶段的图像检测模型Pangram Image。据官方数据，新版文本模型在识别AI辅助写作及人机混合内容方面的准确率已突破99%，甚至能更敏锐地捕捉那些试图通过“人性化处理”来规避检测的程序痕迹。而图像检测功能虽暂未全面开放，但计划在未来几周内向公众推广。

Pangram的故事始于两年前，彼时ChatGPT的横空出世如同打开了潘多拉魔盒。联合创始人Max Spero和Bradley Emi——两位斯坦福大学的人工智能与机器学习毕业生——目睹了互联网被机器人、低质SEO内容以及所谓“LLM驱动的俄罗斯虚假信息活动”和“阿联酋影响下的Twitter运动”所充斥。Spero在接受TechCrunch采访时坦言：“知道眼前所见是否由AI生成，具有极高的价值。这直接改变了人们对待文本的态度：是带着怀疑去审视潜在的‘幻觉’，还是信任这是一位真实记者经过严谨调研的成果？”

不同于依赖元数据或隐藏水印的传统手段，Pangram的技术逻辑更为底层且精妙。该系统本质上是一个庞大的机器学习模型，其训练基础是数千万份已知的人类文档。团队为每一份文档创建了一个“合成镜像”，即由前沿大语言模型（LLM）重写，但在主题、长度和语调上保持完全一致。Spero解释道：“我们的模型正在学习AI一贯做出的风格选择和细微差别，从而以高置信度判断某段内容是否出自AI之手。”这种基于统计学差异而非表面特征的方法，使其具备了更强的鲁棒性。

对于Pangram而言，检测的目的并非简单地将所有内容二元对立地划分为“纯人工”或“纯AI”。更深层的意义在于区分AI介入的程度。例如，作者自行撰写初稿后使用AI进行润色或校对，这种行为本身无可厚非，关键在于透明度。Spero认为，只要使用者披露了AI的使用情况，适度的辅助是可以接受的。然而，现实往往更加复杂。从加拿大政客在演讲中误读AI提示词引发的嘲笑，到律师因引用ChatGPT虚构案例而面临制裁，缺乏鉴别的后果日益严峻。学术界的反应尤为迅速，预印本档案库arXiv今年出台了新政策，若投稿中包含未审查的LLM输出证据（如虚构参考文献或“需要我修改吗？”等元评论），作者将被禁止投稿一年。

在这场对抗“AI污染”的军备竞赛中，Pangram并非孤军奋战。Winston AI、Originality.ai、Copyleaks和GPTZero等竞争对手也在各自构建检测壁垒。尽管没有任何技术是完美的，但Pangram的出现无疑为抵制充斥在网络、法庭和学术论文中的AI生成内容提供了一剂强心针。目前，用户可通过每月20美元的订阅费使用其网页版服务，或下载Chrome扩展程序。该插件能在X、LinkedIn、Substack、Reddit和Medium等平台上实时标记帖子，并提供一个“信息流健康评分”，直观展示屏幕上人类内容与AI内容的比例。此外，Pangram还通过API向外部提供服务，Substack近期便集成了该技术，用于向读者展示哪些新闻通讯作者使用了AI；Quora、高校、出版商及招聘机构也是其客户群体的一部分。

那么，Pangram的实际表现究竟如何？笔者进行了一系列实测。结果显示，该模型虽然令人印象深刻，但绝非无懈可击。它能轻松识别出由ChatGPT和Claude生成的完整新闻文章，即便笔者尝试对AI文本进行人工编辑以模拟人类语气，也极少能骗过系统。然而，当笔者将某些句子完全重写后，Pangram仍将其标记为AI生成，这表明其对特定句式结构的敏感度可能过高。有趣的是，当笔者要求ChatGPT和Claude刻意规避检测器时，Pangram并未上当。

在另一项测试中，笔者将自己的一篇原创文章交给AI进行润色，Pangram给出的AI辅助评分为13%，这一结果大致准确，但也暴露出模型的局限性：它既能捕捉到某些细微的用词变化，又会忽略其他类似的改动，甚至将部分纯人工撰写的句子误判为AI辅助。值得注意的是，当笔者提交未经任何AI处理的原文时，模型给出了100%的人类评分。这或许暗示了新闻文体本身的客观性与AI生成文本在统计特征上的某种重合，导致干燥、规范的新闻稿容易被误伤。为了验证这一点，笔者转而测试了自己更具个人风格的Substack通讯内容。前半部分为人工撰写，后半部分由AI模仿风格续写。在此场景下，Pangram成功地区分了两者，证明了其在面对个性化表达时的有效性。

图像检测方面的测试同样引人注目。与OpenAI或Google DeepMind主要依赖水印检测自身模型输出的做法不同，Pangram的图像检测系统基于像素级分布，通过学习真实照片与AI生成图像之间微妙的统计差异来工作。Spero声称，该模型甚至能识别嵌入在真实世界照片中的AI生成图像。在笔者的测试中，无论是逼真的照片还是卡通风格的图像，模型均能轻易识别。热力图清晰地显示出AI图像的位置，证实了其定位能力。不过，也存在一次误判，将一张拍摄了AI生成图片的照片错误地标记为人类内容。

Spero强调，他并不希望这项技术演变成一场针对AI使用者的“猎巫行动”，而是旨在建立一种机制，以抵御劣质内容的泛滥。“我看到的未来是，AI内容将持续激增，”Spero说道，“我们获取新GPU的速度远快于新生人口的增长速度。如果我们不主动倾向于保护人类内容，那么我们将看到越来越多的AI产物，最终淹没任何属于人类的信号。”在这个算法日益主导的时代，Pangram的努力或许正是为了守住那最后一道防线，确保人类的声音不被机器的洪流彻底吞没。