“一個微妙但重要的洞察是：你猜的詞不一定非得是最可能的答案，只要它的信息量夠大就行了。”說這句話的，是紐約州立大學賓漢姆頓分校的博士生唐納德·斯蒂芬斯。他口中的游戲，就是每天讓上百萬人抓耳撓腮的拼字挑戰。他和導師、助理教授吳聰宇（大家都叫他“彼得”）所在的團隊，最近研究出一套聽起來頗為反直覺的東西——一種能以99%成功率破解該游戲的數學方法。而整套思路，偏偏是讓你別那么急著去找正確答案。

有些人可能會覺得，這無非就是個猜詞挑戰：六個回合猜一個五個字母組成的單詞，字母位置對了就綠，字母有但位置不對就黃，字母完全沒出現就灰。要贏，不就是先把英語里最常見的字母——比如A、E、R、T——往上懟，然后再拼湊嗎？很多人也確實這么玩。這種“常用字母優先”的策略，在計算機模擬里能搞定大約90%的題目。聽起來不錯了，對吧？但彼得團隊用信息論調教出來的方法，直接把成功率拉到了99%。差別就在于，當你拼命去找哪個詞“最像答案”的時候，他們正在算：哪個詞能幫你一下子排除掉最多的可能性，哪怕這個詞本身看起來簡直像在胡說八道。

如果要把這項研究的核心畫成一張對比圖，它大概長這樣：上面是傳統路線——玩家看到一個滿是空格子的界面，腦子里蹦出的全是“AEIOU該上場了”，然后一路圍繞常見字母組合去試。下面是信息論路線——玩家每猜完一個詞，都把系統返回的顏色提示先喂給一個分析工具，工具迅速演算后，吐出一個你平時可能根本不會選的詞。比如當答案幾乎鎖定在“BRAVE”和“GRAVE”之間時，它卻讓你先去猜“PLUMB”。你照著做了，然后仿佛突然開了天眼，剩下的那條窄路一下子敞亮了。

這張假想圖里最惹眼的，是策略背后那個閃著金光的模塊——香農熵。信息論創始人克勞德·香農提出，一個系統的混亂程度（或者說你有多不確定）可以用“熵”來度量。拿猜詞來說，你面對的可能答案越多，你的處境就越“高熵”；每獲得一點新信息，熵就降低一點，直到你完全確定。彼得他們的想法就是：別老想著這一猜正好撞上正確答案的概率有多大，而要關心這一猜做完，那個龐大的候選詞名單能縮水多少。只要熵降得夠快，你離謎底就近得更快。

說人話的版本是這樣的：假設你去參加一個離譜的尋寶游戲，裁判心里想好了一個數字，讓你猜。你可以直接猜“是128嗎？”，但裁判只告訴你是“大了”還是“小了”。一個聰明的玩家不會一開始就逮著一個可能正確的數字亂喊，而是先問“大于50嗎？”。這樣一來，不管答案是“大”還是“小”，你都立刻砍掉了一半的可能性。這個“對半砍”的提問，本身一點離正確答案更近的感覺都沒有，但它帶來的信息量最大。這款游戲里的情形當然更復雜——你面對的不是一維的數字線，而是一個上千個單詞的候選池，每個猜詞給出的顏色反饋都是一個更細的分類器。香農熵的任務，就是在這種高維空間里找出那把能切出最均勻、最能消滅不確定性的“手術刀”。

在具體規則下，信息如何一來一回傳遞，可能很多人已經熟悉了，但為了讓這張腦內圖解更清晰，我們再把它擺明一遍。游戲開始，你眼前只有五個空白格，沒有任何提示。你輸入第一個猜測，比如恰好就是論文里舉的那個例子——“BRAVE”。系統會把每個字母的方框涂上顏色：字母位置完全正確就綠，字母在答案里但放錯了位置就黃，如果答案里壓根沒有這個字母就灰。假設真正的答案是“CRANE”，那么你猜的“BRAVE”就會回傳一個灰色B、灰色R、綠色A、灰色V、黃色E。你從這五個小色塊里讀出的信息是：B、R、V這三個字母完全不用想了，A就在第三個位置，E應該在別的某個地方。就這樣，撲朔迷離的可能性之海被你掃掉了一大片。

傳統玩家看到這一串顏色后，會順著A和E的線索，去嘗試那些符合已有提示的高頻詞，比如接著猜“PLANE”或者“SHALE”。這么做很符合直覺，也的確常常管用，畢竟英文單詞的拼寫規律就擺在那兒。可萬一那天的答案是一個結構冷門的詞，比如“JUDGE”或者“VIVID”，一路追著常見字母跑的選手很容易在最后幾步陷入“字母全知道，位置全亂套”的窘境。這也就是為什么傳統策略在模擬中留下大約10%的失敗率——它不是不努力，而是在某些局里，它的猜法沒能最有效地壓縮剩余的未知數。

信息論策略的玩法就有點“渣男心態”——暫時不急著確定關系，先把底細摸清楚。按照吳聰宇的解釋，你每猜完一個詞，前面幾輪積累的線索已經把一大堆候選詞排除掉了。在剩余的那個縮小了的名單里，有些猜詞能一下子把你帶進“信息增長更迅猛的軌道”。也就是說，在這個關卡，也許有兩個詞讓你選：一個看上去和已經揭示的線索高度吻合，另一個則顯得八竿子打不著。普通人的本能是選前者，而香農熵推著你選后者。因為后者一旦給出反饋，你剩下的可能路徑會瞬間收窄，原本還要繞三四步的局，一下子就被縮短了。

論文作者斯蒂芬斯直言，很多玩家之所以屢屢與答案失之交臂，恰恰是因為太想把每一猜都押在“對的”上，結果反而在關鍵節點錯過了那個能一錘定音的信息“開關”。當你真正理解這套算法的心思后，會發現自己過去猜詞時的那種“求對”沖動，正是勝率卡在90%就上不去的癥結所在。而99%的門檻，靠的不是更準的直覺，而是更聰明地利用每一次反饋，把不確定性切得粉碎。