hero

如果有一個網站，你貼上某人剛寫的一段文字，它就能幫你找出這個人用任何假名發過的所有文章——而且還滿準的。dynomight 認為這不只可能，而且很快就會實現。他用資訊理論證明了這件事不需要什麼黑科技：你寫作風格中攜帶的 entropy，遠超過在五億人口中唯一識別你所需的 29 bits。這篇文章試圖回答一個讓所有假名寫作者背脊發涼的問題：匿名在數學上到底可不可能？

原文摘要

假名的數學終點：一個猜想

dynomight 的核心猜想是：如果你在網路上用不同身份發表足夠多的文字，這些身份可以僅靠文字本身被連結起來。原因是你寫下的每一段文字都留下了統計學意義上的「指紋」。他設想了一個網站：你貼上一段全新文字，網站回傳這個作者用任何名字發表過的所有文章。據他所知，公開網路上還沒有這種網站，但他認為技術上可行，而且很快就會變得容易。

更強版本的猜想是——我們正在走向一種「泛用型假名末日」（generalized pseudpocalypse）。未來，你只要透過任何高頻寬的通道與世界互動，就會暴露你的身份。戴面具、用變聲器？你的體型、步態和化學訊號會出賣你。不帶手機、說服立法者禁止車牌？你的車子會被微小刮痕或引擎獨特的雜音追蹤。鎖死瀏覽器指紋、用 Monero 付款、串三層 VPN？你滑動螢幕的手指軌跡就是你的簽名。我們每個人都太獨特了，而資訊理論的極限正在逼近。

從 29 bits 說起

dynomight 從第一原理出發：假設每個人出生時被分配一個隨機二進位字串，你在網路上發文必須用這個字串簽名。字串很短（比如 0110）的話很多人都跟你一樣；但如果字串夠長，你的就幾乎保證是唯一的。轉折點在哪？若你只知道作者活在 Anglosphere（英語圈，約 4.9 億人），大約是 29 bits——因為 2²⁸·⁸⁶ ≈ 4.9 億。少於 29 bits，別人很可能跟你共享同樣的字串；多於 29 bits，你的字串幾乎保證是唯一的。

現實中我們不必用政府核發的不可變字串來簽名，但我們的寫作方式——語氣、性格、選詞——提供了大量關於「你是誰」的線索。理論上，只要寫得夠多，身份必然可被連結。dynomight 用了一個比喻：每個人有一組代表寫作風格特徵的 bit string，每次寫作就像隨機洩漏其中幾個 bits（例如：你寫 em-dash 時加不加空格，就洩漏了 bit[18] 的值）。你在假名 A 下寫得夠多，完整的 bit string 就被揭露了。換到假名 B 下，一開始全是問號，但慢慢地、不可避免地，bits 會開始浮現。

從攻擊者角度看：如果 A 和 B 在 K 個重疊的 bits 上全部吻合，而不同人之間每個 bit 吻合的機率是 50%，那在有 N（= 4.9 億）個其他人的情況下，存在另一個隨機的人也全部吻合的機率是 1 - (1-2⁻ᴷ)ᴺ。當 K 明顯超過 log₂(N) ≈ 29 時，這個機率趨近於零。所以攻擊者不需要看到其他 4.9 億人的資料就知道 A 和 B 是同一個人。

當然，現實中我們不會真的洩漏「不可變特徵字串」的 bits。但你可以讓模型更寫實：加上雜訊（文字只提供關於作者的雜訊資訊）、讓 bit 分佈不均勻（某些寫作風格比其他的更常見）、讓不同 bit 有不同被揭露的機率。這些只會讓數學變復雜，但不會改變基本結論：如果你的寫作風格包含至少 29 bits 的資訊，而且你寫得夠多，你就完了。

你到底洩漏了什麼：特徵空間

dynomight 試圖列出可以從文字中猜測的特徵。光是人口統計就有 14 項：年齡、教育程度、種族、家庭狀況、收入、婚姻狀態、心理健康、母語、職業、身體健康、政治傾向、地區、宗教信仰、性別。

人格特質方面，他採用 HEXACO 模型——誠實謙遜、情緒性、外向性、親和性、盡責性、經驗開放性——六大因子各四個面向，共 24 個可從文字推斷的人格維度。他認為只要寫作樣本夠長，這些特質都可以被合理準確地猜到。

寫作風格特徵更是驚人地多。dynomight 追溯到 1440 年 Lorenzo Valla 證明《君士坦丁贈禮》是偽造文書（因為用語屬於 400 年後的時代），再到 1964 年 Mosteller 和 Wallace 用功能詞頻率解決《聯邦黨人文集》作者歸屬爭議。他整理了以下幾大類別：

低層次頻率特徵：字詞長度、句子長度、段落長度、標點符號頻率（逗號、冒號、破折號、括號）、功能詞頻率（the、of、and、to）、副詞頻率（強化詞如 very/really、證據標記如 apparently/obviously、弱化詞如 somewhat/rather）、代名詞使用偏好（I/we vs. you vs. he/she/they）、情態動詞（can、could、might、must、should、will、would）、模糊限制語（perhaps、maybe、possibly）、連接詞、已知的穩定比率（the/a、this/that、these/those）、字元 N-gram（3-gram、4-gram）、詞彙 N-gram。

詞彙特徵：詞彙量大小、詞彙多樣性／型符比、稀有詞頻率、語義密度、話語標記位置與組合（So、anyway、so anyway）、縮寫與首字母縮略詞使用、拉丁語源 vs. 日耳曼語源詞偏好。

句法特徵：句法複雜度（從屬指數、剖析樹平均深度）、被動語態使用、名詞化、動詞時態與體、句子結構偏好（分支偏好、副詞子句位置、句末重量）、多連接詞使用、句法結構重複／打破。

風格特徵：語域／正式度、句子長度模式、重音音節間隔偏好（抑揚格 vs. 揚抑格）。

規則偏好特徵：微小標點選擇（em-dash 前後空格、三個句點 vs. 真正的省略號）、大小寫習慣、所有格符號、連字號、牛津逗號、冠詞省略、關係代名詞省略、who vs. whom、分裂不定詞。

個人習性特徵：空白習慣、拼字錯誤（loose/lose）、文法錯誤（between you and I）、持續的獨特錯字、其他持續性錯誤（重複詞、未閉合括號）。

dynomight 強調，這些還只是人類小腦袋想得出來的「淺層」特徵。他堅信在夠大的資料集上尋找統計模式，可以發現更多連英文都無法描述的「深層」特徵——但它們就在那裡，等著被挖掘。

到底有幾個 bits：人口統計、人格、風格

人口統計 bits：dynomight 為 14 個人口統計變數各自選定了類別數量（年齡 20 個、教育 6 個、種族用實際分佈計算 entropy、地區 23 個⋯⋯），計算每個變數在均勻分佈下的最大資訊量，再根據實際不均勻程度打折。他發現即使分佈很不均勻（例如 90/10），資訊量下降也不如直覺那麼多——60/40 分佈仍有 0.971 bits，要接近 90/10 才降到 0.5 bits。

接著他考慮相關性：65-70 歲的蘇格蘭亞裔女性的職業、家庭狀況、宗教歸屬，跟 15-20 歲的澳洲東南部拉丁裔顯然不同。他估計相關性會讓總資訊量減少 10% 到 60%，取中間值，最終估計人口統計特徵貢獻約 17.2 bits。

人格 bits：24 個 HEXACO 面向各給五個等級（2.32 bits × 24 = 55.68 bits），再因六大因子內各面向的相關性（0.3-0.6）打折 30%，得到約 39.0 bits。

風格 bits：這是最難估計的部分。dynomight 採用一個粗糙但務實的方法：上面列舉的每個風格特徵葉節點各給 1 bit，假設分佈不均和相關性（降低資訊）被更多未列出的深層特徵（增加資訊）互相抵消，得到一個可疑的整數：50.0 bits。

加總：17.2 + 39.0 + 50.0 = 106.2 bits。這不只在 4.9 億人中綽綽有餘，即使在一個有 9.3 × 10²⁵ 人的星球上也足夠唯一識別每個人。

猜測 bits：核彈衰變的類比

但問題不只是這些 bits 存不存在——而是能不能從少量文字中被猜出來。dynomight 用了一個精采的類比：核彈爆炸後產生的放射性同位素。碘-131 急著衰變，幾週內釋放大量輻射後消失；鍶-90 不太想衰變，輻射較少但持續數十年；銫-135 持續幾百萬年但輻射量低到不構成問題。

他認為文字中的識別 bits 也是如此。你的正式程度和平均句長幾乎立刻暴露；拉丁語源 vs. 日耳曼語源的偏好需要一段時間才浮現；而你的社交膽量和「你住在昆士蘭而不是東南澳洲」這種資訊洩漏得非常慢——慢到幾乎等於沒洩漏。

校準點：他拿自己前面寫的 4,500 字給 LLM 猜自己的特徵，結果「讓人不安地準」。他認為經過 4,500 字後，大約可以猜到 60% 的人口統計特徵、70% 的人格特徵、80% 的風格特徵。把這三組各用指數衰減曲線建模，計算結果是：當你洩漏 29 bits 時——也就是假名被破解的門檻——大約只需要 1,071 個字。

別太認真：承認假設的脆弱

dynomight 坦承上面的數字站在一座吱吱作響的假設之塔上。他做這些計算不是要你相信那個精確數字，而是要讓你難以反駁以下三點：

  1. 你的寫作中攜帶的識別資訊遠超過 29 bits。
  2. 有些 bits 洩漏得很慢，但有些洩漏得非常快。
  3. 「快速洩漏的 bits」已經足夠多，讓你從一個「相當小」的寫作樣本中被識別。

他承認在特徵選擇、類別數量賦予、分佈估計、相關性打折、猜測準確度等方面做了大量可議的選擇，但這些論點有足夠大的誤差邊際支持——「你可以做不同的選擇，但很難得出不同的結論。」

實際上怎麼做？目前的 stylometry 還差很遠

你可能會問：為什麼 dynomight 要用這麼多捏造的數字？不是有一個叫做 stylometry（文體測量學）或 authorship attribution（作者歸屬）的領域嗎？現有的研究成果大概是這樣：找 50 個人，每人幾百篇 1,000-2,000 字的寫作樣本，然後辨識新樣本出自誰——準確率 ~95%。但這只是在 50 人的池子中辨識。dynomight 的主張需要在 4.9 億人的池子中做到——相差七個數量級。

關鍵是，現有論文使用的方法極其薄弱。dynomight 的數學假設你在「資訊理論極限」上運作，完美利用所有可用資訊。要接近這個極限，你需要「現代」機器學習配方：巨型資料集 + 巨型神經網路 + 巨型 GPU 預算——大概是「所有人類寫過的所有文字」+「數百億參數」+「數千萬美元」。他找不到任何論文接近這個規模。

LLM 已經證明了：如果你用這個配方，電腦可以接近生成文字的資訊理論極限。dynomight 認為同樣的配方可以在辨識作者上達到同樣效果。當前的通用 LLM 只是「不小心」擅長這件事——就像通用 LLM 下棋會被專門的西洋棋 AI 輾壓一樣，專門的 stylometry 方法也可以輾壓通用 LLM。只是那些專門方法似乎還不存在，或至少尚未公開。所以別以為當前的 LLM 能力就是上限——即使假設 LLM 的通用進展今天就停止。

對策

適應它：如果每個人都必須用唯一不可變的字串簽名，會發生什麼？人們可能更接受「完整的自己」公開化、從公開頻道退縮到群組聊天、或自我審查。過去二十年政府與科技公司推動的實名制給出了歷史類比：效果因文化和政治體系而異。dynomight 對文化適應持樂觀態度，但承認自我審查的混合效應——它可能阻止某些青少年的網路霸凌，但也為「不一樣」的人創造了更大的霸凌表面積。在西方，人們似乎很樂意表達少數政治觀點，但這可能掩蓋了大多數人的自我審查——多數人不願意參與政治死鬥，被少數好鬥者壓制。

不要打造這項技術：短期內可行。多年來，一個中等資金的團隊就可以打造一個從照片辨識路人身份的手機 app，但幾乎沒有讀者真的能接觸到這種 app。如果通用 LLM 的 stylometry 能力繼續提升，AI 公司可能基於安全考量訓練模型拒絕執行這類任務。但政府一定會打造並使用。隱私倡議者或許能在司法上取得限制（例如最高法院要求 FBI 取得搜索令才能對美國公民進行去假名化），但當技術變得夠便宜時，要阻止一般人／惡意行動者取得就會非常困難。

技術對策：最明顯的做法是讓 LLM 重寫你的文字來移除識別 bits——「同質化」你的寫作以消除所有風格和人格痕跡。dynomight 認為這在小心操作下可能相當有效，因為你留下的識別 bits 相對於識別門檻並不算多。理論上你仍會洩漏一些資訊，但這會大幅增加你能維持假名寫作的字數。

但這讓他感到悲哀。這種對策透過摧毀文字中所有人性痕跡來保護假名。這對假名的「壞」用途（網路霸凌、協調暴力）有效，但對「好」用途——例如有人喜歡用假名寫作，因為這讓他們感覺更誠實、更脆弱、更像真正的自己——完全無效。

另一個方向是「偽裝」而非「同質化」：施加一個非常強烈但隨機的風格，而不是抹除風格。

泛用型假名末日

dynomight 把論證擴展到文字之外。走在公共場所——你的臉、步態、聲音、DNA、視網膜、真實指紋。上網——即使鎖死瀏覽器指紋並用 VPN/Tor，一個夠強的對手仍可透過分析全域封包流來識別你。使用手機或電腦——按鍵動態或滑鼠/手指的微小移動軌跡。去超市用現金結帳且店裡沒有攝影機——只要買超過幾樣東西，你的購物模式就能識別你。現金本身有序號，越來越多 ATM 在追蹤序號。你的車有微小刮痕，引擎聲不會跟其他同型號同年的車完全一樣。你把耳機插進機場充電站——耳機的類比充電電路有獨特的偏差。你上廁所——許多地方已經在測試汙水來監測藥物使用和疾病流行，想像一下加上高時間解析度和個別住戶流量測量會怎樣。你是擁有潛艇的國家——分散式聲學感測、衛星合成孔徑雷達、重力梯度儀、量子磁力儀能不能偵測到？

總體趨勢是：沒有對策的情況下，幾乎一切都可以被識別。對策可以增加難度，但成本高昂，而軍備競賽總體上有利於識別者，不是不想被識別的人。

dynomight 強調這不全然是壞事。文明的基礎是讓人們可以達成交易，某種程度上較少的隱私使這更容易。在這個我們很容易創造出文明毀滅級技術的脆弱世界裡，或許我們很幸運地發現自己活在一個非隱私的世界。但他確實擔心：隱私長期以來為法律和規範提供了一種「餘裕」（slack），限制了制度執行規則的權力。如果隱私正在消失，我們需要思考如何保存這種餘裕——尤其是當制度不想要保存它的時候。

附錄：給懷疑的資訊理論愛好者

dynomight 在附錄中提供了嚴謹的形式化處理。他指出文中的「bit」嚴格來說是寫作與寫作風格之間的互資訊（mutual information）I(x;s)——而非風格的 Shannon entropy（因為風格不是離散變數）。

他證明了兩個關鍵定理：

定理一（簡單模型）：假設世界有你加上 N 個其他人，每人有一個 M-bit 的隨機二元身份字串。你揭露其中 K 個 bits，被唯一識別（沒有其他人也符合這 K 個 bits）的機率是 (1-2⁻ᴷ)ᴺ。要保持被識別機率低於約 36.7%，必須 K ≤ log₂(N)。

定理二（下界）：即使攻擊者完全知道所有人的風格向量，如果互資訊 I(x;s) 明顯小於 log₂(N)，可靠的識別在數學上不可能——Fano 不等式保證攻擊者的平均成功率最多為 (I(x;s)+1)/log₂(N)。

但反過來不成立：即使互資訊超過 log₂(N)，一般情況下並不保證可以識別。問題是 I(x;s) 是「平均」資訊量——某些罕見的人和文字樣本可能包含巨量資訊，但大多數人通常什麼都不洩漏。要保證識別實際可行，需要額外假設資訊洩漏率在不同作者和不同文字之間變化不大。dynomight 在特定假設下證明：只要作者 s 的 D(s) = KL(p(X s)   p(X)) 明顯大於 log₂(N)，且資訊洩漏的變異數有界，攻擊者就能以極低的偽陽性風險識別該作者。

城武觀點

不對稱監控：真正的恐怖不是技術，是識別權的壟斷

dynomight 用整個附錄的定理證明了一件事：在資訊理論的意義上，假名注定失敗。但他的整個論證都建立在一個前提上——攻擊者有能力完美提取你文字中的所有 bits。這裡的關鍵詞是「有能力」。在現實中，跑得起「數百億參數、數千萬美元預算」的模型的人是誰？政府和大型科技公司。假名對他們透明，但他們對你是黑箱。這不是數學問題，是權力問題。Pseudpocalypse 真正的恐怖不在於假名的數學極限被證明了，而在於識別能力的不對稱分配——當只有權力者能跑這些模型時，假名變成了一種只對弱者存在的幻覺。城武立場：與其討論假名能不能活，不如討論誰有權識別誰。

「Pseudpocalypse」這個詞本身就是誇大的

作者把現象命名為 Pseudpocalypse，暗示這是末日級事件。但你仔細看他的論證——他其實是在說「假名的數學極限到了」。這更像是 Flat Earth 被證明是圓的，而不是隕石撞地球。我們從來沒有真正活在假名自由的時代。國家安全局在 LLM 出現之前以經有能力追蹤假名寫作者了——靠 metadata、靠 IP、靠滲透端點。LLM 做的事情不是創造了新的追蹤能力，而是把既有的追蹤成本從「需要一個情報機構」降到「需要一個 GPU cluster」。Pseudpocalypse 這個詞把一個成本下降包裝成了一個本體論層級的事件。城武立場：這不是末日，這是幻覺的終結。假名從來沒有安全過——只是以前追蹤你的成本太高，高到你誤以為自己是隱形的。

匿名在數學上不可能：隱私權需要新的法律基礎

dynomight 最有趣的部分不是文字 stylometry，而是第二層論證：你的一切都在洩漏身份——步態、引擎聲、手指滑動軌跡、購物模式、耳機充電曲線。這指向一個更深的結論：在資訊理論的意義上，「匿名」本身是一個物理上不可能的狀態。如果這是真的——我認為它是真的——那隱私權的法律基礎需要徹底重構。現行隱私法的核心假設是「我有權不被識別」，但如果你根本不可能不被識別，這個權利就變成了一張空頭支票。我們需要的是一個從「識別權」轉向「傷害權」的典範轉移：我不是要求你無法識別我（那在數學上不可能），我是要求你不能用識別我的後果來傷害我。這不是技術問題，是政治問題。而政治問題不會因為 29 bits 的數學證明就自動解決。

城武的未解檔案——假名的死亡不是因為數學證明了它會死，而是因為終於有人願意把算式寫出來，讓我們看見那個一直站在角落的權力結構。