每天清晨，全球有数以百万计的玩家打开网页，面对五列六行的空白方格，开启一场与词汇的较量——这就是迎来上线五周年、风靡全球的文字猜词游戏 Wordle 。游戏规则看似简单：玩家必须在 6次机会 内猜出一个包含 5个字母 的隐藏目标词 。每次尝试后，系统会返回三种颜色的反馈——灰色 代表该字母不存在，黄色 代表字母正确但位置不对，绿色 则代表字母与位置完全正确 。
对绝大多数玩家而言，Wordle 是一场凭借词汇积累和直觉进行的语言游戏。然而在纽约州立大学宾汉姆顿大学（Binghamton University）的托马斯·J·沃森工程与应用科学学院，伍聪宇（Congyu “Peter” Wu）助理教授 及其团队（包括博士生 Donald Stephens、Talal Aladaileh 与 Mallak Alqaisi）却将这一流行游戏视作一个动态反馈与系统工程问题 。
这项最初源自伍教授课堂作业的研究，最终演化为发表于《东北复杂系统期刊》（Northeast Journal of Complex Systems）的深度论文 。研究表明，通过引入 信息论（Information Theory） 中经典的 香农熵（Shannon Entropy） 概念，数学策略能在模拟测试中达到 99% 的破译胜率，远超传统经验策略 。
这场破解 Wordle 的数学之旅，究竟揭示了怎样反直觉的信息论奥秘？
香农熵与比特：如何用数学量化“不确定性”？
要理解数学策略如何破解 Wordle，首先需要回到20世纪40年代。信息论之父 克劳德·香农（Claude Shannon） 在其划时代的论文《通信的数学理论》中，首次提出了将“信息”与“不确定性”进行精确量化的数学方法 。
在信息论中，信息的实质是对 不确定性（Uncertainty） 的消除 。香农提出了 香农熵 \\(H(X)\\) 的计算公式：
\\[H(X) = -\sum p(x) \log_2 p(x)\\]
度量信息的标准单位是 比特（bit） 。在 Wordle 的语境下：
- 如果一个线索能将可能的候选词范围 削减一半，它就提供了 1 比特 的信息 ；
- 如果线索能将候选池削减到原来的 四分之一，就意味着提供了 2 比特 的信息 ；
- 如果削减到 八分之一，则是 3 比特 的信息，以此类推 。
在 Wordle 游戏开始时，系统词库中大约包含 13,000 个合规猜测词，其中包含约 2,315 个可能的目标解答词 。此时，面对完全未知的答案，玩家面临着巨大的不确定性（相当于约 11.17 比特 的熵）。游戏的实质，就是通过每一次猜测获取反馈，不断降低系统剩余的香农熵，直到不确定性降为零（即只剩唯一可能的答案）。
反直觉的获胜策略：不为猜中，只为“杀伤”候选池
大部分 Wordle 玩家在日常游戏中会采取一种非常直观的策略：尽量在开局猜测堆叠常见元音字母（如 A、E、I、O、U）的词汇 。根据《纽约时报》对数十亿局 Wordle 游戏的统计，全球最受欢迎的开局词是 ADIEU 。
然而，宾汉姆顿大学团队的研究以及知名科普数学家 Grant Sanderson（3Blue1Brown）的算法推导均指出：ADIEU 这类元音密集的词，在消除不确定性方面的效率往往出奇地低 。
传统“常见字母策略”的根本局限在于：玩家的目光始终停留在 “如何一次性命中答案” 上 。但在数学家眼中，Wordle 的每一轮猜测都不必以“直接猜中”为首要目标 。
正如宾汉姆顿大学博士生 Donald Stephens 所解释的：“引入香农熵后，猜测的目标从‘提高单次猜中的概率’转变为‘最大化消除不确定性的期望值’。”
这意味着，一个看似冷门、极不可能成为最终答案的词，只要它包含的字母组合能将庞大的候选词池切割成更小、分布更均匀的碎片，它就是一个 极具价值的“战术猜测” 。
宾汉姆顿团队在对比实验中发现：
- 采用传统“高频字母优先”策略的算法，在模拟测试中的破译胜率为 90% 。
- 采用“香农熵最大化”策略的算法，破译胜率提升至 99% 。
从开局词到动态分支：算法如何步步逼近真相？
那么，香农熵策略在实际运行中是如何操作的呢？
当算法评估一个潜在的猜测词时，它会模拟该词在面对所有可能目标词时可能产生的 颜色反馈组合（一共有 \\(3^5 = 243\\) 种潜在模式）。算法会计算每种颜色模式出现的概率，并根据概率加权计算出该猜测词能带来的 预期信息增益（Expected Information Gain） 。
以 Grant Sanderson 对 Wordle 算法的优化推演为例 ：
- 单步贪婪搜索：如果仅计算第一步的预期信息熵，SOAR 等词汇表现出色，能带来高期望信息 。
- 两步深度前瞻：如果算法向前演进两步（计算第一步猜测后、面对各种颜色反馈再进行第二步猜测的综合熵），SLAIN 等词汇会脱颖而出 。
- 全局平均步数优化：若以最终解决问题所需的最少平均猜测次数为目标，在完全匹配官方 2,315 个解答词库时，SALET、TRACE 以及 CRATE 等开局词展现出了顶级的数学效率 。
在实际运行中，玩家可以通过在后台运行脚本，将 Wordle 每轮返回的颜色代码输入程序 。算法会重新计算剩余候选词的概率分布与香农熵，并推荐能最快切割剩余候选池的下一个最佳单词 。通过这种动态调适，算法绝不会陷入“盲目试错”的泥潭，而是像一把精确的数学手术刀，一步步削减不确定性 。
总结与展望：当理论工具走进现实决策
从一个有趣的课堂挑战，到发表于学术期刊的深度成果，宾汉姆顿大学研究团队向我们展示了数学与信息论在日常生活中的强大威力 。
虽然对于普通玩家而言，在玩 Wordle 时严密运行一套信息熵脚本可能会削弱纯粹依靠直觉猜词的解谜乐趣 ，但这一研究的价值远不止于破解一款网页游戏 。正如伍聪宇教授所指出的，该项目的真正创新之处在于将信息论中的静态指标（香农熵）转化为动态决策工具 。
在现实世界中，从 医疗诊断中的检查项目选择、金融领域的风险排查，到 工业系统的故障检测与防灾决策，我们同样面临着信息不透明与资源有限的困境。香农熵猜词策略核心启示在于：在面对未知与复杂系统时，最佳的决策往往不是冒进地赌一个可能的结果，而是选择那个能为我们带来最大有效信息、最快消除不确定性的行动。
💡 想继续探索信息论的妙用？ 我们可以进一步讨论如何用 Python 编写一个简易的香农熵计算器，或者探索信息论在其他经典博弈游戏（如 Mastermind 猜数字）中的应用！