Виталик хвалит способность модели Qwen распознавать анонимность: ИИ видит его математические привычки мышления, а прозаические маскировки полностью неэффективны.

Vitalik Buterin сообщил, что у его AI-вызова на анонимную идентификацию, запущенного в 2024 году, появился победитель. Он сначала написал на китайском языке пересмотренную версию EIP-7503 (Zero-Knowledge Wormhole), затем перевел её локально с помощью Qwen 2.5 и вручную отредактировал, пытаясь скрыть авторство, но AI всё равно распознал его через уникальные мыслительные привычки в математических и алгоритмических объяснениях.

（Предыстория: Третья крупная итерация Ethereum » Vitalik анализирует дорожную карту Lean Ethereum: почти все важные компоненты будут заменены） （Дополнительно: Alibaba планирует интегрировать AI Qwen в 4 миллиарда товаров Taobao: автоматическое сравнение цен, оформление заказов, управление логистикой）

Содержание

Toggle

• Настройка эксперимента: сначала написать на китайском, затем перевести обратно на английский
• Способ решения AI: математическое мышление сложнее замаскировать, чем прозаический стиль
• Расширенное значение: AI-идентификация переходит от «сравнения стиля письма» к «чтению моделей мышления»

Сооснователь Ethereum Виталик Бутерин во вторник объявил в X, что у его экспериментального AI-вызова на анонимную идентификацию, запущенного два года назад, появился победитель. Этот эксперимент подтвердил, что большие модели могут не только распознавать прозаический стиль, но и улавливать отпечатки человеческого мышления в математических рассуждениях и проектировании алгоритмов.

Настройка эксперимента: сначала написать на китайском, затем перевести обратно на английский

Согласно описанию Виталика, весь процесс эксперимента был довольно прямолинейным, но тщательно спроектированным: в 2024 году он написал на китайском языке пересмотренную версию EIP-7503 (Zero-Knowledge Wormhole), затем перевел её локально с помощью модели Qwen 2.5, а затем вручную отредактировал результаты перевода, пытаясь полностью стереть свои авторские следы.

Суть эксперимента заключалась в двухуровневой маскировке: первый уровень — написание на китайском с последующим переводом обратно на английский, чтобы размыть прозаический стиль в процессе перевода; второй уровень — ручная правка для обеспечения естественности и плавности перевода. Стратегия Виталика была сосредоточена на запутывании прозаического стиля — он считал, что если стиль письма будет размыт, то авторство можно скрыть.

Способ решения AI: математическое мышление сложнее замаскировать, чем прозаический стиль

Результат, однако, показал, что модель Qwen обошла маскировку прозаического слоя и напрямую нацелилась на уникальные мыслительные привычки Виталика в математических и алгоритмических объяснениях. В частности, модель уловила следующие ключевые характеристики:

• Конкретные числовые примеры — Виталик при объяснении абстрактных концепций привык использовать конкретные числа для создания интуитивного понимания
• Логические цепочки — его шаги рассуждений демонстрировали уникальные паттерны связи, способ вывода от предпосылок к заключению имел личные особенности
• Стиль объяснения алгоритмов — ритм языка, выбор метафор и глубина деталей при описании алгоритмов имели узнаваемые паттерны

Виталик отметил, что хотя маскировка прозаического стиля была довольно успешной, AI полностью обошёл его стратегию запутывания и завершил идентификацию напрямую через «отпечатки мыслительных привычек».

Расширенное значение: AI-идентификация переходит от «сравнения стиля письма» к «чтению моделей мышления»

Значение этого эксперимента заключается не только в подтверждении возможностей модели Qwen. Он выявил поворот в тенденции AI-анализа текста: ранние модели идентификации в основном полагались на прозаический стиль (длина предложений, предпочтение слов, использование знаков препинания), в то время как новое поколение моделей уже способно улавливать более глубокие когнитивные особенности — структуру рассуждений, способы организации концепций и стратегии решения проблем.

Эта способность имеет множество значений в практическом применении: идентификация авторов научных статей, отслеживание происхождения технических документов и даже обнаружение многоуровневых стратегий «очеловечивания» с последующей «маскировкой» при использовании AI для написания текстов — всё это столкнётся с большим давлением на распознавание. Хотя эксперимент Виталика был небольшим по масштабу, он предоставил конкретный эмпирический пример в области AI-отпечатков текста.

Эта статья основана на твите Vitalik Buterin в X, новостях Jinse Finance, переведена редактором Flip из Dynamic Zone