Віталік хвалить здатність моделі Qwen розпізнавати анонімність: ШІ бачить наскрізь його математичні звички мислення, маскування прозою повністю не працює.

Віталік Бутерін заявив, що AI-виклик з анонімної ідентифікації, який він ініціював у 2024 році, має переможця. Спочатку він написав китайською мовою переглянуту версію EIP-7503 (Zero-Knowledge Wormhole), потім використав локальний переклад за допомогою Qwen 2.5, вручну виправив його, намагаючись приховати авторство, але AI все одно виявив унікальні звички мислення, пов'язані з математичними та алгоритмічними поясненнями.
(Попередній контекст: Третя велика ітерація Ethereum — Vіtalik аналізує дорожню карту Lean Ethereum: майже всі важливі компоненти будуть замінені)
(Додатковий контекст: Alibaba планує інтегрувати AI Qwen Qianwen у 4 мільярди товарів Taobao: автоматичне порівняння цін, оформлення замовлень, управління логістикою)

Зміст статті

Toggle

• Налаштування експерименту: спочатку написати китайською, потім перекласти назад англійською
• Спосіб вирішення AI: математичне мислення важче замаскувати, ніж стиль прози
• Розширене значення: AI-ідентифікація переходить від «порівняння стилів письма» до «зчитування патернів мислення»

Засновник Ethereum Віталік Бутерін у вівторок оголосив на платформі X, що експеримент з AI-викликом анонімної ідентифікації, який він розпочав два роки тому, має переможця. Цей експеримент підтвердив, що великі мови не лише здатні розпізнавати стилі прози, але й можуть вловлювати сліди мислення людини в математичному міркуванні та розробці алгоритмів.

Налаштування експерименту: спочатку написати китайською, потім перекласти назад англійською

Згідно з описом Віталіка, процес експерименту був досить прозорим, але ретельно продуманим: у 2024 році він написав переглянуту версію EIP-7503 (Zero-Knowledge Wormhole) китайською мовою, потім використав модель Qwen 2.5 для локального перекладу, а остаточно вручну виправив переклад, намагаючись повністю стерти сліди свого авторства.

Основний фокус експерименту полягав у двошаровому маскуванні: перший шар — написання китайською та переклад назад англійською, використовуючи процес перекладу для розмивання стилю прози; другий шар — ручне редагування для забезпечення природності та плавності перекладу. Стратегія Віталіка зосереджувалася на заплутуванні стилю прози — він вважав, що якщо стиль письма буде розмитим, авторство можна приховати.

Спосіб вирішення AI: математичне мислення важче замаскувати, ніж стиль прози

Результати показали, що модель Qwen обійшла маскування на рівні прози, безпосередньо націлившись на унікальні звички мислення Віталіка в математичних та алгоритмічних поясненнях. Зокрема, ключові характеристики, які модель виявила, включали:

• Конкретні числові приклади — Віталік має звичку використовувати конкретні числа для створення інтуїції при поясненні абстрактних концепцій
• Логічні ланцюги — Його кроки міркувань демонструють унікальні патерни зв'язку, спосіб виведення від передумови до висновку має особисті особливості
• Стиль пояснення алгоритмів — Ритм мови, вибір аналогій та глибина деталізації при описі алгоритмів мають впізнавані патерни

Віталік зауважив, що хоча маскування стилю прози було досить успішним, AI повністю обійшов його стратегію заплутування і завершив ідентифікацію безпосередньо через «відбитки звичок мислення».

Розширене значення: AI-ідентифікація переходить від «порівняння стилів письма» до «зчитування патернів мислення»

Значення цього експерименту виходить за рамки лише підтвердження можливостей моделі Qwen. Він виявив тенденційний зсув в AI-аналізі тексту: ранні моделі ідентифікації більше покладалися на стиль прози (довжина речень, словникові уподобання, використання пунктуації), тоді як нове покоління моделей вже здатне вловлювати глибші когнітивні особливості — структури міркувань, способи організації концепцій та стратегії вирішення проблем.

Ця здатність має багатогранне значення в практичних застосуваннях: ідентифікація авторів наукових статей, відстеження джерел технічних документів, а також виявлення багаторівневих стратегій, коли спочатку «олюднюється», а потім «маскується» AI-писаний контент — все це зіткнеться з більшим тиском. Хоча експеримент Віталіка був невеликим за масштабом, він надав конкретний емпіричний приклад у сфері AI-текстових відбитків.

Текст походить з повідомлень Віталіка Бутеріна в X, новин Golden Finance, перекладено редактором Flip з Dynamic Zone