【2026年4月】美国纽约州宾厄姆顿讯——宾厄姆顿大学研究人员在一项最新研究中表示，将已有约70年历史的信息理论应用于流行在线文字游戏 Wordle，可通过优化首个及后续猜测，显著提高玩家在限定次数内解出谜题的概率。

Wordle 是一款由 Josh Wordle 开发的单人在线猜词游戏。玩家需在六次以内猜出一个由五个字母组成的秘密单词。每次输入猜测后，系统会通过颜色标记反馈结果：不在目标单词中的字母显示为灰色，存在但位置错误的字母显示为黄色，字母和位置均正确则显示为绿色。玩家据此排除不可能选项，逐步缩小候选范围。

研究团队指出，Wordle 不仅是简单的猜词游戏，还可被视为一个“动态反馈系统”。资深作者 Congyu “Peter” Wu 博士及其同事在论文中表示，每一次猜测都会产生新的信息，改变游戏状态，并影响后续决策。随着玩家根据反馈不断排除可能性，系统的不确定性逐步降低。

为刻画这种不确定性的变化，研究人员引入了香农熵这一信息理论中的核心概念，用以量化游戏中“剩余可能答案集合”的无序程度。论文指出，随着反馈缩小可能解的范围，游戏状态的熵值随之下降，解答过程从初始的高度不确定逐步走向更为有序。

在此基础上，团队构建了一套基于香农熵的猜词策略。与传统偏好优先尝试包含高频字母（如 A、E、R）的单词不同，该方法并不以“当前最可能就是答案”的单词为首选，而是优先选择那些预期能最大幅度减少候选单词池、信息量更大的猜测。

Wu 博士解释称，在任意一次猜测时，玩家此前的尝试已经排除了大量选项。此时，从剩余可能单词出发，某些猜测会带来更快的信息增益，使后续解题路径更高效。共同作者、宾厄姆顿大学博士生 Donald Stephens 补充说，论文中的一个关键观点是，“猜测本身不一定要是最可能的正确答案，只要它足够具有信息量即可”。

研究团队表示，通过应用香农熵，决策目标从“最大化当次猜对的概率”转变为“最大化预期的不确定性减少”。在模拟中，这一策略在平均意义上减少了完成谜题所需的猜测次数，并提高了在六次尝试内成功解出的比例。

按照研究设想，若要在实际游戏中实时采用该方法，玩家需要在游戏之外运行一个脚本或程序，将每轮的颜色反馈输入程序，由程序计算并给出下一轮“信息量最大”的推荐猜测。

为评估该策略的效果，研究人员将其与基于常见字母分布的传统启发式方法进行了对比。模拟结果显示，基于熵的单词选择策略在测试中成功解出约 99% 的 Wordle 谜题，而以常见字母为主的传统方法成功率约为 90%。

论文作者在结论中称，实验结果表明，相较于依赖字母频率的经验性策略，基于信息熵的单词选择在表现上有所提升，并为 Wordle 游戏中的决策过程提供了一个系统化的分析框架。

相关研究成果已发表于 2026 年4月出版的《东北复杂系统杂志》（Northeastern Journal of Complex Systems），论文题为《使用信息理论破解 Wordle》（Cracking Wordle Using Information Theory），作者为 Talal Aladaileh 等，刊载于第 8 卷第 1 期，文章编号为 6，DOI 为 10.63562/2577-8439.1146。