Vitalik elogia capacidade do modelo Qwen de reconhecer anonimato: IA percebe seus hábitos de pensamento matemático, disfarce em prosa falha completamente.

Vitalik Buterin afirmou que o desafio de identificação anônima de IA que ele lançou em 2024 já tem um vencedor. Ele primeiro escreveu a revisão do EIP-7503 (buraco de minhoca de conhecimento zero) em chinês, depois usou o Qwen 2.5 local para traduzir e fez correções manuais, na tentativa de ocultar a identidade do autor, mas ainda assim foi identificado com sucesso pela IA através dos hábitos de pensamento únicos em explicações matemáticas e algorítmicas.
(Recapitulação: Terceira grande iteração do Ethereum) Vitalik analisa o roteiro do Lean Ethereum: quase todos os componentes importantes serão substituídos)
(Contexto adicional: Alibaba quer integrar a IA Qwen ao Taobao com 4 bilhões de produtos: comparação automática de preços, pedidos, gerenciamento de logística)

Índice do artigo

Alternar

• Configuração do experimento: Escrever primeiro em chinês, depois traduzir para o inglês
• Como a IA resolveu: O pensamento matemático é mais difícil de disfarçar do que o estilo de prosa
• Significado ampliado: A identificação por IA evoluiu de "comparação de estilo de escrita" para "leitura de padrões de pensamento"

O fundador do Ethereum, Vitalik Buterin, anunciou na terça-feira no X que um experimento de desafio de identificação anônima de IA que ele lançou há dois anos já tem um vencedor. Este experimento confirmou que grandes modelos não apenas identificam estilos de prosa, mas também capturam as impressões digitais de pensamento humano em raciocínio matemático e design de algoritmos.

Configuração do experimento: Escrever primeiro em chinês, depois traduzir para o inglês

De acordo com a descrição de Vitalik, todo o fluxo do experimento foi direto, mas cuidadosamente projetado: em 2024, ele escreveu a versão revisada do EIP-7503 (buraco de minhoca de conhecimento zero) em chinês, depois usou o modelo Qwen 2.5 para traduzir localmente e, finalmente, fez correções manuais no resultado da tradução, na tentativa de eliminar completamente seus próprios vestígios de autoria.

O núcleo deste experimento reside em duas camadas de disfarce: a primeira camada é escrever em chinês e depois traduzir para o inglês, usando o processo de tradução para obscurecer o estilo de prosa; a segunda camada são as correções manuais, garantindo que o resultado da tradução seja natural e fluente. A estratégia de Vitalik focou na confusão do estilo de prosa — ele acreditava que, desde que o estilo de escrita fosse obscurecido, a identidade do autor poderia ser escondida.

Como a IA resolveu: O pensamento matemático é mais difícil de disfarçar do que o estilo de prosa

O resultado, no entanto, mostrou que o modelo Qwen contornou o disfarce da camada de prosa e mirou diretamente nos hábitos de pensamento únicos de Vitalik nas explicações matemáticas e algorítmicas. Especificamente, os recursos-chave capturados pelo modelo incluíram:

• Exemplos numéricos específicos — Ao explicar conceitos abstratos, Vitalik tem o hábito de usar números concretos para criar intuição
• Cadeias lógicas — Seus passos de raciocínio apresentam um padrão único de conexão, com uma maneira pessoal de derivar das premissas para as conclusões
• Estilo de explicação algorítmica — O ritmo da linguagem, a escolha de metáforas e o nível de detalhe ao descrever algoritmos têm padrões identificáveis

Vitalik descreveu que, embora o disfarce do estilo de prosa tenha sido bastante bem-sucedido, a IA contornou completamente sua estratégia de confusão e completou a identificação diretamente através das "impressões digitais de hábitos de pensamento".

Significado ampliado: A identificação por IA evoluiu de "comparação de estilo de escrita" para "leitura de padrões de pensamento"

O significado deste experimento não se limita a confirmar a capacidade do modelo Qwen. Ele revela uma virada de tendência na análise textual por IA: modelos de identificação antigos dependiam principalmente do estilo de prosa (comprimento das frases, preferências de vocabulário, uso de pontuação), enquanto a nova geração de modelos já pode capturar características cognitivas mais profundas — estrutura de raciocínio, organização conceitual e estratégias de resolução de problemas.

Essa habilidade tem múltiplos significados em aplicações práticas: identificação de autores de artigos acadêmicos, rastreamento de documentos técnicos e até mesmo a detecção de estratégias em várias camadas que primeiro "humanizam" e depois "disfarçam" ao usar IA como ghostwriter enfrentarão maior pressão de identificação. Embora o experimento de Vitalik não tenha sido em grande escala, ele forneceu um caso empírico concreto para o campo das impressões digitais textuais de IA.

Este artigo é originário da postagem de Vitalik Buterin no X e do Golden Finance Flash News, traduzido pelo editor Flip do The Block