Vitalik memuji kemampuan model Qwen dalam mengidentifikasi anonimitas: AI melihat kebiasaan berpikir matematisnya, penyamaran prosa benar-benar gagal.

Vitalik Buterin menyatakan bahwa tantangan identifikasi anonim AI yang ia luncurkan pada tahun 2024 telah memiliki pemenang. Ia pertama-tama menulis revisi EIP-7503 (wormhole zero-knowledge) dalam bahasa Mandarin, kemudian menggunakan Qwen 2.5 untuk menerjemahkan secara lokal dan mengoreksi secara manual, berusaha menyembunyikan identitas penulis, tetapi tetap berhasil dikenali oleh AI melalui kebiasaan berpikir unik dalam penjelasan matematika dan algoritma.
(Prasyarat: Iterasi besar ketiga Ethereum) Vitalik menjelaskan peta jalan Lean Ethereum: hampir semua komponen penting akan diganti)
(Tambahan latar: Alibaba akan menghubungkan Qwen AI ke 4 miliar produk Taobao: perbandingan harga otomatis, pemesanan, manajemen logistik)

Daftar Isi

Toggle

• Pengaturan Eksperimen: Tulis dalam bahasa Mandarin, lalu terjemahkan kembali ke bahasa Inggris
• Cara AI Memecahkan Masalah: Pikiran matematis lebih sulit disamarkan daripada gaya prosa
• Makna Lebih Luas: Identifikasi AI beralih dari 'perbandingan gaya tulisan' ke 'pembacaan pola pikir'

Pendiri Ethereum Vitalik Buterin pada hari Selasa mengumumkan di platform X bahwa eksperimen tantangan identifikasi anonim AI yang ia luncurkan dua tahun lalu telah memiliki pemenang. Eksperimen ini membuktikan bahwa model besar tidak hanya dapat mengenali gaya prosa, tetapi juga dapat menangkap jejak pemikiran manusia dalam penalaran matematika dan desain algoritma.

Pengaturan Eksperimen: Tulis dalam bahasa Mandarin, lalu terjemahkan kembali ke bahasa Inggris

Menurut deskripsi Vitalik, alur eksperimen secara keseluruhan cukup langsung namun dirancang dengan cermat: pada tahun 2024 ia menulis versi revisi EIP-7503 (wormhole zero-knowledge) dalam bahasa Mandarin, kemudian menggunakan model Qwen 2.5 untuk menyelesaikan terjemahan secara lokal, dan terakhir mengoreksi hasil terjemahan secara manual, berusaha menghapus jejak penulisnya sepenuhnya.

Inti dari eksperimen ini terletak pada dua lapisan penyamaran: lapisan pertama adalah menulis dalam bahasa Mandarin lalu menerjemahkan kembali ke bahasa Inggris, menggunakan proses terjemahan untuk mengaburkan gaya prosa; lapisan kedua adalah koreksi manual untuk memastikan hasil terjemahan alami dan lancar. Strategi Vitalik berfokus pada pengaburan gaya prosa—ia berpikir selama gaya tulisan dikaburkan, identitas penulis dapat disembunyikan.

Cara AI Memecahkan Masalah: Pikiran matematis lebih sulit disamarkan daripada gaya prosa

Namun hasilnya menunjukkan bahwa model Qwen melewati penyamaran lapisan prosa, langsung mengunci kebiasaan berpikir unik Vitalik dalam penjelasan matematika dan algoritma. Secara spesifik, fitur kunci yang ditangkap model meliputi:

• Contoh Numerik Spesifik — Vitalik terbiasa menggunakan angka konkret untuk membangun intuisi saat menjelaskan konsep abstrak
• Rantai Logika — Langkah penalarannya menunjukkan pola koneksi unik, cara deduksi dari premis ke kesimpulan memiliki ciri pribadi
• Gaya Penjelasan Algoritma — Irama bahasa saat mendeskripsikan algoritma, pilihan metafora, dan kedalaman detail memiliki pola yang dapat dikenali

Vitalik menggambarkan bahwa meskipun penyamaran gaya prosa cukup berhasil, AI sepenuhnya melewati strategi pengaburannya dan langsung menyelesaikan identifikasi melalui 'sidik jari kebiasaan berpikir'.

Makna Lebih Luas: Identifikasi AI beralih dari 'perbandingan gaya tulisan' ke 'pembacaan pola pikir'

Makna eksperimen ini tidak hanya terletak pada validasi kemampuan model Qwen. Ini mengungkapkan titik balik tren dalam analisis teks AI: model identifikasi awal lebih bergantung pada gaya prosa (panjang kalimat, preferensi kata, penggunaan tanda baca), sementara model generasi baru telah mampu menangkap fitur kognitif yang lebih dalam—struktur penalaran, cara pengorganisasian konsep, dan strategi pemecahan masalah.

Kemampuan ini memiliki banyak makna dalam aplikasi praktis: identifikasi penulis makalah akademis, pelacakan asal dokumen teknis, bahkan deteksi strategi multi-lapis 'manusiakan' lalu 'samarkan' saat AI menulis atas nama seseorang, semuanya akan menghadapi tekanan identifikasi yang lebih besar. Meskipun eksperimen Vitalik tidak berskala besar, ia menyediakan studi kasus empiris yang konkret untuk bidang sidik jari teks AI.

Artikel ini berasal dari cuitan Vitalik Buterin di X, berita cepat Jinse Finance, diterjemahkan oleh editor Flip dari Dynamic District