研究人员利用数学破解 Wordle

背景

Wordle 是由《纽约时报》推出的一款风靡全球的猜词游戏。每天，数百万玩家挑战在六次猜测机会内猜出一个由五个字母组成的秘密单词。游戏开始时，玩家面对五个空白格，没有任何提示，可以输入任意字母。

随着每一次猜测，游戏会通过颜色高亮提供反馈：

• 灰色：表示该字母不在秘密单词中。
• 黄色：表示该字母在秘密单词中，但位置不正确。
• 绿色：表示该字母在秘密单词中，且位置正确。

玩家依据这些线索不断调整猜测，直到所有字母变为绿色（获胜）或耗尽猜测次数（失败）。尽管规则简单，但如何在有限的步数内高效缩小候选词范围，一直是玩家和研究人员关注的难点。

核心内容

纽约州立大学宾汉姆顿大学（Binghamton University, State University of New York）的研究团队，在助理教授 Congyu “Peter” Wu 的带领下，利用信息论（Information Theory）开发了一种新的解题方法，该方法在模拟测试中达到了 99% 的成功率。

传统的高频字母猜测策略（如优先猜测包含 A、E、R 等常见字母的单词）虽然直观，但并非最优解。研究团队引入香农熵（Shannon Entropy）——一种衡量不确定性的数学指标——来确定哪些猜测能提供最丰富的信息。

该策略的核心理念发生了根本性转变：猜测的目的不再仅仅是“猜中”当前最可能的答案，而是最大化“信息增益”。正如团队博士生 Donald Stephens 所指出的：“论文中一个微妙但重要的见解是，猜测不必是最可能的答案；它只需要具有信息量即可。”

通过应用香农熵，目标从“提高猜对的概率”转变为“最大化期望的不确定性减少”。这意味着，即使某个猜测词本身不是最终答案，如果它能根据反馈将剩余的可能单词池大幅缩小，那么它就是最佳选择。

为了在实际游戏中应用此方法，玩家需要运行一个辅助脚本或程序。玩家输入游戏给出的颜色反馈，程序随即计算出下一个能提供最大信息量的最佳猜测词。

在对比实验中，这种基于信息论的方法在模拟中解决了 99% 的 Wordle 谜题，而传统的基于常见字母猜测的方法仅解决了 90%。

关键要点

• 方法论创新：研究团队将香农熵应用于 Wordle 游戏，通过最大化信息增益来优化猜测策略，而非单纯追求单次猜测的正确率。
• 成功率显著提升：在模拟测试中，新方法的成功率为 99%，显著高于传统常见字母策略的 90%。
• 策略本质转变：核心洞察在于“猜测不必是正确答案，但必须具有高信息量”。优先选择能最快缩小候选词范围的词汇，而非看似最可能的词汇。
• 实施门槛：该方法需要玩家配合运行辅助程序，实时输入反馈并获取建议，属于一种“人机协作”的解题模式。
• 起源与转化：该研究最初源于宾汉姆顿大学系统科学与工业工程学院的一门课程项目，旨在展示信息论的实际应用价值，后经过严谨论证发展为正式发表的学术论文。

意义与影响

这项研究不仅展示了数学工具在解决日常娱乐问题中的强大威力，也体现了学术教育与实践应用的紧密结合。

学术与教育价值 该论文《Solving Wordle Using Information Theory》（利用信息论解决 Wordle）已发表在《东北复杂系统期刊》（Northeast Journal of Complex Systems）。作者 Talal Aladaileh 表示，这一从课程项目到正式出版物的转变，充分证明了宾汉姆顿大学系统科学与工业工程学院项目的严谨性、深度和质量。该课程不仅传授概念，更鼓励学生以产生持久影响的方式应用知识。

工程思维的体现 助理教授 Congyu “Peter” Wu 评价道，该项目的创造性价值在于将科学领域中的静态测量指标（香农熵）转化为动态解决方案，从而更好地完成一项流行任务。这展示了团队对课堂材料的深刻理解以及作为工程师的才能。

信息论的现实应用 这项研究为信息论提供了一个生动且易于理解的现实案例。它证明了通过量化“不确定性”并优化“信息获取效率”，可以在资源受限（如有限的猜测次数）的情况下实现任务成功率的最大化。这种思路不仅适用于猜词游戏，也可延伸至其他需要高效决策和信息处理的领域。