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

Vitalik Buterin afirmou que um desafio de identificação anónima de IA que lançou em 2024 já tem um vencedor. Ele primeiro escreveu a revisão do EIP-7503 (wormhole de conhecimento zero) em chinês, depois usou o Qwen 2.5 para tradução local e corrigiu manualmente, na tentativa de ocultar a sua identidade como autor, mas ainda assim foi descoberto pela IA através dos hábitos de pensamento únicos nas explicações matemáticas e algorítmicas.
(Contexto anterior: Terceira grande iteração da Ethereum > Vitalik analisa o roteiro Lean Ethereum: quase todos os componentes importantes serão substituídos)
(Complemento de contexto: A Alibaba vai integrar a IA Qwen nos 4 mil milhões de produtos do Taobao: comparação automática de preços, encomendas, gestão logística)

Índice

Alternar

• Configuração experimental: escrever primeiro em chinês, depois traduzir de volta para inglês
• Abordagem da IA: o pensamento matemático é mais difícil de disfarçar do que o estilo de prosa
• Significado alargado: a identificação por IA evoluiu de 'comparação de estilo de escrita' para 'leitura de padrões de pensamento'

O fundador da Ethereum, Vitalik Buterin, publicou na terça-feira na plataforma X que o desafio de identificação anónima de IA que lançou há dois anos já tem um vencedor. Esta experiência validou que os grandes modelos não só conseguem reconhecer estilos de prosa, mas também capturar as marcas de pensamento humano no raciocínio matemático e no design de algoritmos.

Configuração experimental: escrever primeiro em chinês, depois traduzir de volta para inglês

De acordo com a descrição de Vitalik, todo o processo experimental foi bastante direto mas engenhoso: em 2024, ele escreveu a versão revista do EIP-7503 (wormhole de conhecimento zero) em chinês, depois usou o modelo Qwen 2.5 para fazer a tradução localmente e, por fim, corrigiu manualmente os resultados da tradução, na tentativa de eliminar completamente os vestígios da sua autoria.

O núcleo desta experiência reside em duas camadas de disfarce: a primeira é escrever em chinês e depois traduzir de volta para inglês, usando o processo de tradução para ofuscar o estilo de prosa; a segunda é a correção manual, garantindo que os resultados da tradução são naturais e fluidos. A estratégia de Vitalik concentrou-se na confusão do estilo de prosa — ele acreditava que, desde que o estilo de escrita fosse obscurecido, a identidade do autor poderia ser ocultada.

Abordagem da IA: o pensamento matemático é mais difícil de disfarçar do que o estilo de prosa

No entanto, os resultados mostraram que o modelo Qwen contornou o disfarce da camada de prosa e visou diretamente os hábitos de pensamento únicos de Vitalik nas explicações matemáticas e algorítmicas. Especificamente, as características-chave capturadas pelo modelo incluem:

• Exemplos numéricos concretos — Ao explicar conceitos abstratos, Vitalik tem o hábito de usar números concretos para criar intuição
• Cadeias lógicas — Os seus passos de raciocínio apresentam um padrão de conexão único, com uma forma de derivação de premissas a conclusões que tem características pessoais
• 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, apesar do disfarce do estilo de prosa ter sido bastante bem-sucedido, a IA contornou completamente a sua estratégia de confusão e completou a identificação diretamente através das 'impressões digitais dos hábitos de pensamento'.

Significado alargado: a identificação por IA evoluiu de 'comparação de estilo de escrita' para 'leitura de padrões de pensamento'

O significado desta experiência não reside apenas na validação da capacidade do modelo Qwen. Ela revela uma viragem de tendência na análise textual de IA: os primeiros modelos de identificação dependiam muito do estilo de prosa (comprimento das frases, preferências lexicais, uso de pontuação), enquanto os modelos de nova geração já conseguem capturar características cognitivas mais profundas — estrutura de raciocínio, forma de organização de conceitos e estratégias de resolução de problemas.

Esta capacidade tem múltiplos significados nas aplicações práticas: identificação de autores em artigos académicos, rastreio de documentos técnicos, e até mesmo a deteção de estratégias multicamadas de 'humanização' seguida de 'disfarce' ao usar IA como ghostwriter, tudo isto enfrentará uma maior pressão de identificação. Embora a experiência de Vitalik não tenha sido de grande escala, forneceu um caso empírico concreto para o campo das impressões digitais textuais de IA.

Este artigo é baseado num tweet de Vitalik Buterin no X, e numa notícia rápida do Jinse Finance, compilado pelo editor Flip da BlockTempo.