你打開Wordle，信心滿滿輸入一個詞，屏幕跳出一片灰色，你開始慌了；第五次猜測還是沒對，眼看著只剩最后一次機會，手心冒汗，狂敲鍵盤又趕緊刪掉——這種體驗是不是過于熟悉？你身邊應該也有那種“每猜必中”的朋友，你懷疑他們在作弊，但今天要聊的研究可能會讓你更崩潰：確實有人作弊了，只不過他們用的不是詞典，而是信息論。

最近，賓漢姆頓大學的研究者把一項70年前誕生的數學理論搬進了這個風靡全球的猜詞游戲，結果讓成功率飆升到了99%。他們做的不復雜——就是不再老老實實猜“最可能是答案的詞”，而是反過來，先猜“能給你最多信息的詞”。聽上去有點反直覺？咱們今天就用幾條清單拆開，把這件事講明白，順便吐吐槽：我們之前被Wordle虐，可能真的是自己沒想明白游戲在玩什么。

先記住一個結論，免得你后面又繞暈：Wordle本質上不是猜詞游戲，而是信息收集游戲。你每一次敲下五個字母，真正的目的不是“這次就撞對答案”，而是“讓剩下來的可能性被砍掉一大半”。這個視角一轉，所有你以前糾結的“這個詞好像不太常見啊，該不該猜”就全有了新解釋。

下面我們就一條一條來，看看這群研究者到底是怎么用數學碾壓直覺的。

1. 你每一次猜詞，都是在給“不確定性”刮痧

賓漢姆頓大學的高級作者Congyu ‘Peter’ Wu和同事把Wordle定義成一個“動態反饋系統”。說人話就是：你每做一個動作，系統就吐給你一點新信息，然后這些信息立刻改變你下一步的動作。綠色告訴你某個字母位置全對，黃色告訴你某個字母存在但位置不對，灰色直接把一批字母扔進垃圾桶。然后你拿著這些線索，再決定下一個詞是什么。

這個過程，在信息論里有個特別貼切的度量工具——熵。這個地方不用慌，熵說白了就是“一攤子事有多混亂、多不確定”。游戲剛開始時，所有可能的單詞都還在候選人名單里，你面對的是一片巨大的混亂，熵很高。每猜一個詞，反饋就會刮掉一大批不可能的選項，混亂下降，熵也下降。就像你在一個全黑的房間里找一枚硬幣，每照一次手電筒，就知道哪些角落不用再去翻了，整個局面從“亂七八糟不知道在哪”到“哦原來就可能在沙發縫里”，越來越有序。

Wu本人的原話就是：“通過這種連續的反饋，游戲的狀態隨著玩家從線索中學習、排除可能性而發展，每一輪都會降低不確定性?！倍档筒淮_定性的那把尺子，就是香農熵——70年前克勞德·香農搗鼓出來的概念，現在被拿來分析你的每日猜詞。

所以，一旦你接受了這個設定，就不會再因為“我猜了四個字母全對，但第五個就是不對”而暴躁。因為你的每次猜測，本來就不是為了當答案王，而是為了當信息王。

2. 香農熵：一個70歲的“不確定性計算器”

既然整個游戲的本質是把不確定性降到零，那么衡量不確定性的工具就變得至關重要。研究團隊用的就是香農熵，這個東西專門用來給“不確定”打分。一個事件的結果越不確定，熵值越高；一旦結果確定了，熵就歸零。Wordle里，當你把剩余可能的單詞池壓到只剩下一個，熵就沒了，你也贏了。

我們可以用一個生活例子感受一下。假設你朋友在心里想了一個1到100之間的數字，讓你猜。你問“是42嗎？”，如果不對，你只排除了一個數，剩余還有99個，不確定性幾乎沒減少，這次的“信息量”就極低。但你如果問“大于50嗎？”，無論回答是還是否，你都一口氣砍掉50個數字，熵掉得飛快。這就是香農熵在決策里的價值：一次好問題帶來的信息增加，能讓你后續的猜測效率原地起飛。

Wordle的每一個猜測，就相當于你在問系統一個“五個字母長的問題”。問題的好壞，直接決定你能不能在六次之內把不確定性清零。研究者沒有把寶押在“問一個最可能是答案的問題”上，而是拼了命地找“能砍掉最多可能性的問題”。這就是整篇論文的核心智慧，也是讓99%成功率落地的真正推手。

3. 那個讓你翻白眼的首詞，可能是最“值錢”的選擇

讀到這里你可能開始不服了：“我憑語感選常用詞，不也是信息嗎？”沒錯，但區別在于——你很可能被“看起來像答案”給騙了。論文的另一位作者，博士生Donald Stephens直接把話說得很透：“一個猜測不一定非要是最有可能的答案，它只需要是信息量大的?！?/p>

這話聽上去很冷靜，甚至有點冷漠，但仔細一想，它直接戳破了多數人玩Wordle的直覺誤區。你傾向于去試那些你覺得“真實存在”的詞，或者元音字母多的詞，因為你下意識覺得這種詞更可能是答案。但從信息論的角度看，一個詞哪怕自己幾乎不可能是最終答案，只要它能高效地測試出大量字母是否存在、把剩余單詞池一劈為二，它就是一次優質猜測。

這里有必要停一下澄清一句：原文并沒有給出某一個具體的最優首詞，所以咱們也不編造某個“神詞”。重點在于思路的轉向——從“找答案”變成“提問”，你的猜測就不再是賭運氣，而是主動設計一場信息收割。

Stephens進一步解釋，通過使用香農熵，目標就變成了“最大化不確定性的期望減少量，而不是最大化猜中的概率”。換句話說，如果你今天考慮選A詞（你覺得它很可能是答案）和B詞（你覺得它大概率不是答案，但它能告訴你更多字母的存在與否），信息論會勸你選B，因為B帶來的信息增益能讓你后面幾步走得更快。實踐中，這種策略常常讓玩家在更少的步數內解決謎題。

4. 你的游戲是手工，他們的游戲是算法實時計算

說句有點打擊人的實話：你要想真的手操這套信息論玩法，不太現實。研究者自己也在論文里說了，如果要實時使用這個方法，玩家需要在旁邊運行一個腳本或程序。具體操作就是，你每輸入一個詞以后，把Wordle給你的彩色反饋輸進程序里，剩下的事情交給香農熵去算，程序會吐出應當使用的下一個詞。

所以，那個99%的成功率背后，并不是某個天才大腦在裸算，而是數學和計算力在替你做最優決策。你那只憑肌肉記憶敲詞的雙手，和人家那套根據當前剩余單詞池精確計算每一個候選詞信息增益的腳本，根本不在一個賽道上。但這也正好解釋了為什么我們平時雖然有時能贏，卻沒法穩定地把勝率拉滿——人類在工作記憶容量和即時概率估計上，天生就不如一個目標明確的算法。

這并不意味著你的直覺毫無價值。事實上，Wordle的開發者Josh Wordle設計游戲時，本就希望它成為一個直覺和邏輯混合的有趣挑戰。只是當研究者用信息論的透鏡去看它時，發現這個游戲的底層邏輯早就寫好了最優解的數學路徑，只是大多數人一直繞著走。

5. 99%怎么得來的，以及這個數字到底意味著什么

研究團隊宣稱他們用這套基于香農熵的方法，在Wordle中達到了99%的成功率。這背后當然不是手動打了幾萬局，而是通過大量基于算法的游戲模擬得出的統計結論。雖然原文沒有交代具體模擬了多少局，但99%這個數字已經足夠說明一個問題：把猜詞徹底當成信息收集任務去求解，幾乎可以把失敗率壓到小概率事件的范疇。

這個數字也順帶吐槽了另一種常見玩法——很多人喜歡用前兩次猜測去試出盡可能多的元音和頻率高的輔音，以為這就是“科學”。但實際上，這種策略依舊是在憑感覺去分配信息測試，而不是精確計算每一次猜測帶來的熵減期望值。兩者的差距就像用溫度計測體溫和用紅外熱像儀看全身熱分布，雖然都在測溫，但精度完全不在一個量級。

還有一點值得注意：99%并不是100%。那1%的失敗機會，或許就來自那些無論你怎么猜都信息量受限的極端單詞分布，也可能是題目本身的設計讓某些開局無論如何都無法在六步內徹底消除不確定性。研究者沒有拍胸脯說“徹底消滅失敗”，而是呈現了一個大幅提高勝率的方法，這種克制的語氣反倒讓結論更加可信。

現在回過頭來看Wordle的每一次灰黃綠閃爍，你可能會多一層理解：那不是在“告訴你答案是什么”，而是在一遍遍刷新你對剩余選項的“不確定性地圖”。你以為自己是在猜單詞，實際上你一直在做的，是用有限的機會去換回越來越精確的信息。游戲沒有變，信息論也沒有變，只是我們終于看懂了兩者之間那個巧妙的等式。

最后留一個開放的問題吧：如果以后Wordle發布了一個困難模式，或者題目池變了，這套基于熵的策略還能不能繼續99%？這可能需要新的計算，但思路大概不會過時——在任何需要逐步獲取信息的場景里，也許你都該先問問自己：我接下來這個動作，是為了撞大運，還是為了最大程度地搞清楚局面？而不只是在猜單詞這件事上。