紐約新創公司 Pangram 已募得 900 萬美元，並藉著這項融資公告推出其 AI 偵測軟體的新一代版本，押注隨著 AI 撰寫的文字與合成圖片愈來愈難與網路上的人類作品區分，市場需求將持續上升。根據 TechCrunch，這輪融資由 Menlo Ventures 領投，Haystack、ScOp、Script Capital 與 Cadenza 參與投資。

除了融資之外，Pangram 也發布了名為 Pangram 4 的新文字偵測模型，並將影像偵測器 Pangram Image 放入研究預覽（research preview）。該公司將這兩項產品定位為，應對出版、教育、招募與社群平台中日益加劇的信任問題的基礎設施：問題不在於工作流程裡是否存在 AI，而在於讀者與審查者能否辨識何時使用了 AI，以及它對最終成果影響有多大。

這很重要，因為生成式 AI 市場正從新奇走向治理。自從 ChatGPT 讓 AI 輔助寫作變得普及後，團隊已從嘗試文字生成，轉向管理其副作用，包括幻覺式引用、垃圾 SEO 文案、合成個人檔案內容，以及揭露義務爭議。Pangram 以一個直接的主張切入這場討論：偵測即使不完美，也能成為開放網路與企業工作流程中實用的信任層。

Pangram 發表了什麼

核心消息是融資與產品更新的組合。TechCrunch 報導，Pangram 已募得 900 萬美元，用於擴展其偵測軟體，並推出文字版 Pangram 4，以及限量預覽的 Pangram Image。

Pangram 表示，Pangram 4 不僅能辨識完全由 AI 生成的文字，也能辨識人類與 AI 混合的草稿，以及經過所謂 humanizer 工具處理的文字。這是一個值得注意的產品選擇。許多第一波偵測器專注於二元分類：人類或機器。Pangram 則傾向於更具操作性的使用情境，也就是學校、出版商與平台想知道 AI 是否參與了提交內容，即使最終結果經過人類編修。

公司也表示，Pangram Image 的目標是跨多個模型家族偵測 AI 生成的視覺內容，而不是依賴與單一模型供應商綁定的浮水印檢查。根據 TechCrunch 的報導，Pangram 說影像系統會檢查像素層級的統計模式，有時即使 AI 生成圖片出現在一張 otherwise 真實的照片中，也能辨識出合成內容。

據 TechCrunch 指出，Pangram 提供每月 20 美元的消費者網頁訂閱服務，也透過 API 與 Chrome 擴充功能分發軟體。該擴充功能會在 X、LinkedIn、Substack、Reddit 與 Medium 等服務上即時標示內容，並提供一個「feed health score」，顯示畫面上人類內容與 AI 內容的估計比例。

為什麼這家新創認為時機成熟

根據 TechCrunch，Pangram 由曾在史丹佛受訓的 AI 與機器學習畢業生 Max Spero 與 Bradley Emi 約兩年前創立。公司的論點是，網路內容不只是越來越受到 AI 輔助，更是低品質或具誤導性的機器生成素材數量增加，因而產生了對過濾與揭露工具的需求。

在當前的執法氛圍下，這個論點更容易理解。TechCrunch 指出，arXiv 的一項新政策可能會對作者施加一年提交禁令，如果看起來作者沒有檢查大型語言模型的輸出，包括幻覺式參考文獻或殘留的聊天機器人 meta 註解。這些例子聽起來或許極端，但它們說明了一個更廣泛的制度轉變：問題不再只是生成式 AI 能產生糟糕輸出，而是機構現在需要在發佈、送交或審查前有程序去抓出它。

在這個脈絡下，Pangram 並不是要完全阻止 AI 使用。TechCrunch 報導，Spero 將 AI 輔助描述為在使用者揭露的前提下可能可以接受。這個區分對產品團隊很重要。商業機會可能更多在於歸因、工作流程政策與信任評分，而不只是全面管制。能夠把完全生成的內容與經過輕度 AI 潤飾的人類作品區分開來的偵測器，對編輯與法遵團隊而言，比粗糙的通過/不通過分數更有用。

Pangram 如何說明這項技術運作

根據 TechCrunch，Pangram 的偵測系統是以數千萬份已知的人類文件訓練而成。接著公司會為每份文件建立 Spero 所稱的「synthetic mirror（合成鏡像）」：一個 AI 撰寫的對應版本，設計上要匹配原文的主題、長度與語氣。之後再訓練模型，學習人類版本與生成版本之間反覆出現的風格差異。

這與基於中繼資料或浮水印的系統不同。Pangram 表示，它不依賴隱藏浮水印或複製貼上的痕跡，而是試圖從語言與影像統計中推斷作者特徵。

對建構者來說，這裡的承諾是可移植性。如果偵測器依賴某個模型供應商的浮水印，它就會受限於供應商的覆蓋範圍，並且容易受到會移除或模糊信號的轉換影響。相較之下，以輸出特徵訓練的分類器，可能更能跨越 Claude 與 ChatGPT 等模型廣泛泛化。代價是，當人類寫作看起來像模型輸出，或使用者大量編修生成草稿時，這類分類器系統可能較脆弱。

這個限制也出現在 TechCrunch 自行的測試中。該媒體報導，Pangram 經常能標記出由 ChatGPT 與 Claude 完全生成的文章，而且不容易被刻意設計用來規避偵測器的提示詞擊敗。不過測試也發現句子層級的誤判，包括人類改寫的段落仍被標示為 AI 輔助的情況。在一篇人類撰寫文章的潤飾版本中，偵測器據稱給出了一個看似合理的中度 AI 輔助分數，但仍將一些個別句子誤判。

證據、基準測試與尚未驗證的部分

這則故事中最強的效能主張來自 Pangram 本身，若沒有獨立基準測試，應視為廠商自述。TechCrunch 報導，Pangram 表示 Pangram 4 在偵測 AI 輔助寫作與人類-AI 混合內容方面準確率超過 99%，且約每 1 萬份人類文件中只有 1 份會被錯誤標記為 AI。

對於一個歷來在泛化、誤判與對抗式改寫上都表現吃力的偵測類別而言，這些數字相當雄心勃勃。TechCrunch 文章提供了整體偏正面的個案測試，特別是在明顯生成的文字與風格化電子報寫作上，但這不能取代已公開的基準測試方法。文章沒有提供公開評估集、模型比較流程，或按領域、語言與編修強度劃分的詳細結果。

同樣的保留態度也適用於採用訊號。TechCrunch 報導，Substack 已整合 Pangram 的技術，向讀者顯示哪些作者在電子報中使用 AI；其他 API 客戶還包括 Quora、學校與大學、出版商與代理，以及招募人員。這些客戶類別確實有意義，尤其是提到 Substack 與 Quora，但來源並未提供合約規模、部署深度、使用量、留存或擴張指標。

競爭同樣重要。TechCrunch 點名 Winston AI、Originality.ai、Copyleaks 與 GPTZero 為追逐相似需求的競爭者。這表示 Pangram 並不是從零創造一個類別，而是在混合作者偵測、humanizer 抵抗能力，以及跨模型影像分析上尋求差異化，而不是僅憑「需要 AI 偵測」這個基本前提。

這對建構者與企業買家意味著什麼

對產品團隊而言，Pangram 的更新顯示 AI 偵測正從教室抄襲的小眾工具，成熟為信任與內容審核層。像 Pangram 4 這樣的工具，在組織需要工作流程分流、揭露訊號或 QA 觸發，而非最終裁決時，更容易被合理化。實務上，這可能意味著把法律草案標記給人工審查、在招募中識別合成申請，或在 Substack 上標註電子報內容，讓讀者獲得更多背景資訊。

對企業來說，關鍵問題是可靠性與政策契合度。一個能抓到明顯機器文字、但偶爾會誤標謹慎的人類寫作的偵測器，只要它只是用來輔助審查流程，就還算可管理；但若它成為對員工、學生、承包商或創作者施加處分的唯一依據，就風險很高。買家會想了解信心分數、申訴管道，以及不同內容類型下效能如何變化。

還有平台策略層面的考量。隨著 Reddit、Medium、LinkedIn 與 X 等服務充滿 AI 輔助貼文，第三方信任疊層可能本身就成為一項功能。Pangram 的 Chrome 擴充功能正朝這個方向前進，將內容來源轉化為使用者可見的瀏覽層。平台是否會接受這層疊加，或選擇打造自己的替代方案，仍是未解問題。

接下來要關注什麼

首先，關注 Pangram 4 與 Pangram Image 的獨立測試。公開基準、多語言評估，以及與 GPTZero、Copyleaks、Winston AI 與 Originality.ai 的並列比較，會比發表時的說法更重要。

其次，觀察 Pangram Image 是否能迅速從研究預覽進入廣泛可用，以及它在經過編輯、壓縮或重新發布的圖片上是否仍然有效。合成圖片偵測對分布偏移特別敏感。

第三，追蹤超越名稱提及的客戶證據。如果 Substack 更深入使用 Pangram，或 Quora、大學、出版商披露更大規模的部署，那會比單獨一輪融資更能說明市場動能。

最後，留意政策變化。如果更多期刊、學校、市集或社群平台加入 AI 揭露規則，像 Pangram 這樣的工具可能會被整合進提交與審核系統，而不只是停留在可選的外掛層。

Creati.ai 觀點

Pangram 的募資，與其說是關於單一偵測器，不如說是生成式 AI 周圍正在出現新的控制層。AI 產品的第一波著重於創作速度；下一波則愈來愈重視驗證、揭露與信任。這為 Pangram 這類公司創造了空間，尤其如果它們能整合進真實工作流程，而不只是提供一次性的掃描服務。

困難不在於證明合成內容存在，而在於讓偵測在不過度擴張的情況下仍然有用。對建構者與買家而言，Pangram 4 與 Pangram Image 的價值，取決於它們是否能以經過校準的不確定性來支援決策。在企業 AI 中，這一類的贏家可能是把偵測視為機率型基礎設施，而不是法庭式裁決引擎的供應商。