HN 上那条 Show HN：How random are you? 我点进去本来只想看评论区乐子。一个让你输数字、程序预测你下一次选几的小游戏，有人说自己 190 个计分数字被猜中 18 个，9%，比盲猜还低两点，一副“预测器被我榨干”的口气。我第一反应：这预测器得有多拉胯。结果自己也钻进去，半宿没出来。这头牛今天非钻穿不可，嘿嘿。
玩法不复杂：键盘或者语音报数，每报一个它猜下一个；猜中次数单独计，拿纯瞎猜做基线。九个数字，盲猜基线 1/9，11.11%。最后它告诉你，一项 206 人的心理学研究里有几个人“比你更随机”。我一开始没把那个研究当回事——网页版嘛，参考罢了。现在回头看，那才是题眼，稍后说。
我先走键盘。评论区有人说键盘比口头报数更容易表现得随机，我当时的理解是：手动戳数字不带出口音、节奏这些附加信息。于是我只用键。我还给自己定了规矩——别连续重复、九个数字尽量轮着来、偶尔故意连着按同一个。点了一百多个，系统显示命中率在 10% 上下浮，跟瞎猜线贴脸。我挺得意。
接着我想，手点说到底还是会调动“我觉得什么像随机”的偏见。那就别用手，直接挂 Math.random。脚本写得糙，本地模拟点击，间隔别固定，不然又白送节奏线索：
let count = 0;
const timer = setInterval(() => {
const pick = Math.floor(Math.random() * 9) + 1;
click(pick); // 模拟按钮
if (++count >= 190) clearInterval(timer);
}, Math.floor(Math.random() * 300) + 50);
你猜怎么着？190 个数字，它猜中 18 个，9%。活见鬼，跟我手动装随机一个水平。当时我有点膨胀：这预测器果然就这。
中间我一度拍桌子想骂作者拿玩具模型糊弄人。然后翻到作者在评论区说过，预测器核心是多个即时构建的 n-gram 马尔可夫模型，配一些非马尔可夫的简单启发式。我清醒了。n-gram 专吃短程局部依赖，我喂什么它记什么。手装随机时，它记我那些“轮着来”的套路；挂 Math.random 时，它没东西可记，只能靠启发式瞎猜。我把预测器逼到盲猜线，没什么可夸的——只是换了个它没法建模的源。
后来我反推它怎么猜的，写了个极简还原：
function guess(history) {
const key = history.slice(-3).join('.');
const nexts = ngramCounts[key] || uniformNine;
return weightedPick(nexts);
}
这不是源码，别误会。但从它遇固定序列就开始死磕复读的行为看，八九不离十。作者自己就承认，有个叫 numerical avoider 的预测器，权重一高就发羊癫疯，死磕同一个数字，后来才修好。我笑出声——连预测器都怕过拟合，跟我第一次调学习率一个德行。
好，既然人类手动和 Math.random 都落在那儿，游戏不是白做了？我开始钻这个点。为什么 Aaronson oracle 那种二选一预测能到 70-80%，这边九选一反而只有人类自评 8-13%？差太多了。后来发现是网页版的设计给测试对象漏了气。
作者在评论区大方承认：实时显示预测结果会让玩家根据反馈调整策略，可能比原始研究更随机。原始研究用的是 3×3 数字网格加节拍器，逼你在固定节奏里选，直到结束才给反馈。看到这行我脑子里“啪”一下。
实时反馈一开，这游戏已经不是测“你多随机”了，是测“你多快学会不被猜到”。玩家看一眼预测结果，下次就绕开；绕开之后又打乱自己的策略；几轮下来，人和预测器在玩追逃，不是在测熵。HN 上那一堆 9%、10%、13% 的成绩——包括我自己的——根本不是随机值高，是逃跑学得好。Math.random 不需要逃跑，它本来就无结构，所以预测器自然掉回盲猜线。这游戏想给人制造“我比随机还随机”的幻觉，嘿，它真做到了。
Aaronson oracle 那个事更狠。实验让用户交替按 f/d，二选一，盲猜基线 50%。Scott Aaronson 说简单模型就能到 70%，挑战里 70-80%，有一个学生恰好只有 50%，被当成稀罕物。想想那个学生：要么特别会摆平自己，要么根本没把脑子交给“随机感”。剩下的人全栽在局部依赖上——你按完 f 之后想“刚才 f 多了，来个 d”，这个想法本身就可预测。
课堂掷硬币也一样：一组真掷 50 次，一组编 50 次，教授回来一眼分出两张表。为什么？真人序列里会出现长连正、长连反，人类编的序列过度打散。HTHTHT 跟 HHHHHH 在真实随机下概率一样，但人不敢写后者，怕显得不随机。越怕越出卖自己。
还有个心理技巧：快速想一个 1 到 50 之间、两位数字互不相同的奇数，很多人会报 37。原评论用二进制 100101 藏着答案，另一个人猜了 13。我心里蹦出来的也是 13。嘿，评论区一堆人被“37”或者“13”牵着走，我能有多随机？
于是有人想用外挂：mod 3、手表秒数、π 的小数位换序。听着数学味很重，全是确定性的。π 数字换序在原版游戏里也就 14%，比盲猜还差。mod 3 你选的是 0/1/2 的余数，每个数字背后是周期；手表秒数更不用说了，tick 本身就在给你定时。预测器最不怕确定性，它怕的是没有明天。
真懂行的会搬出 von Neumann 去偏。抛硬币里，HH/TT 丢掉，HT/TH 映射成 0/1，才能拿到无偏位：
function vonNeumannBit() {
for (;;) {
const a = Math.random() > 0.5;
const b = Math.random() > 0.5;
if (a === b) continue;
return a ? 1 : 0;
}
}
但这是硬币，游戏里是九个数字。想把无偏位流映射成 1-9 还不引入偏差，要么带拒绝采样，要么折腾到放弃。而且一旦在浏览器里用 Math.random() 做去偏，你测的早就不是人，是 V8 的伪随机发生器。游戏边界就没了。
我还注意到有人想冲 0% 命中。别。九个数字盲猜基线 1/9，11.11%。你把预测器打到 0%，不是它猜不透你，是它学会了把你的策略加个反号。0% 和 100% 信息一样多，它翻转一下就能吃掉你。真正的赢是让它钉在盲猜线上，每一次下注都像抛骰子。你让它一次都猜不中，反倒把反向模式暴露了。你说气不气。
钻到这把各路货色丢进表格：
| 输入源 | 表现 | 备注 |
|---|---|---|
| 手动装随机（键盘） | 8%–13% 自评 | 有实时反馈，边打边跑 |
| Math.random 自动 | 9% | 真伪随机源，预测器掉回盲猜线 |
| π 数字换序 | 14% | 有确定结构，比不动脑还差 |
| 盲猜基线（1/9） | 11.11% | 预测器上下都得拿它当锚 |
| Aaronson oracle（二选一、无反馈） | 简单模型 70%–80% | 同族问题，脱离实时反馈后人类被吃死 |
这表里最拉胯的不是 Safari，这次 Safari 连参赛资格都没有——是去掉反馈后的人。Aaronson oracle 那个 70-80% 才是我们这种生物的原生随机值，其它成绩都是游戏给了实时逃跑通道之后打出来的虚分。
语音那块也值得钻半句。作者选了 Vosk，词表能缩到数字，在 WebKit、Firefox 上试下来“尚可”。有人推 yapsnap，说词错率更好，CPU 跑得也快。结果模型 150MB，Vosk 才 30MB，作者开始考虑量化。这个体量差，网页里难成气候。
| 语音识别 | 模型体积 | 备注 |
|---|---|---|
| Vosk | ~30MB | 词表可限制在数字，WebKit / Firefox 尚可 |
| yapsnap | ~150MB | 词错率更好，CPU 快，但体积大到没法直接塞网页 |
我用语音模式报了几轮，真的比键盘更糟。嘴巴会自己找节奏，三、五、七……停下来还想下一句，像把思路一起念出去。给了预测器更多纹理。要稳，还是键盘。
最后，说句跟这篇八竿子打不着的。我写完这段时晚上十一点多，手机热点断了一次，重连要输密码，密码里有个 3。我手指停在那儿，满脑子“别选 3，别选 3，刚才已经出现过两次 3 了”。那一刻我意识到，我根本不是随机，我是用力过猛地装随机。人类这脑子，太爱拿自作聪明冒充熵源。真正该做的，是把“我觉得这样够乱吧”当 bug 修掉。
扯远了，反正——嘿嘿，下次见。