尽可能随机地大声说出数字，一个接一个。别想太多，一直说下去。说清楚些，如果庄家偶尔听错一个，也别停。你说得越多，结果就越准。在你说每个数字前，庄家会把它的猜测封进信封。说出数字，信封随即打开。你从1到9中挑选。前10个数字是热身，让庄家逐渐熟悉你。最后，你的票根会显示你与来自一项心理学研究的206人的比较情况。

大声说出数字，尽量随机，一个接一个地说。别想太多，一直说下去就行。说清楚些，如果庄家偶尔听错一个，也不要停。

在你每次说数字前，庄家会把猜测封进一个信封。你一说出数字，信封就打开。

你从 1 到 9 中选数字。最后，你的票根会显示你与一项心理学研究中 206 人的比较情况。

庄家如何读懂你

庄家会同时运行十个小预测器，并相信最近猜得最准的那个。有些预测器统计哪个数字后面倾向于跟哪个数字；有些追踪你选数字时上行或下行的步长；有一个专门查看你上一次连续说出同样几个数字是什么时候；还有一个会注意哪些数字你已经有一阵子没说了。最后一个承担了大部分工作，因为人们总会忍不住去选那些被自己冷落的数字。而在真正的随机序列里，每个数字都与它之前的数字相互独立。

庄家先从一项心理学研究中 418 人那里获得起步数据，这些人每人从 1 到 9 中选了 200 个数字；随后，它会随着你的进行不断调整以适应你。你的前 10 个数字是热身：庄家会猜测，但还不计入结果。你说得越多，庄家就越了解你，你的结果也越可靠。

多数人把这个预测数字的小游戏当成一场“和算法斗智”的娱乐实验，讨论主轴集中在人类到底能不能真正随机，以及用策略、π、伪随机脚本或“反向跟随”能不能骗过模型。少数人则关心语音隐私、追问站点用了什么语音识别模型，或吐槽结果页统计话术看不懂、疑似 bug。

担心语音输入会被拿去训练模型

• 看到语音选项的第一反应是警惕：对方会不会拿自己的声音去训练模型，尽管站点也提供了“手动输入数字”的替代方式。（少数人） > 有人疑神疑鬼到第一反应就是“你们会拿我的声音训练模型吗”，不过也注意到了手动输入的选项。（@pavel_lishin）

认为人类本质上不随机，简单模型就能高命中率

• 人类选数字会留下明显模式，比如分布过于平均、频繁交替、爱选上一个数的相邻值，因此哪怕粗糙的概率模型也能高比例命中；有人亲身经历是凭直觉容易被预测，违背直觉反而分数更好。（较多人） > 有个课堂实验里，简单程序预测人下一次按 f 还是 d 能有 70%–80% 命中率，连写程序的人自己都赢不了；唯一被预测成 50% 的学生说秘诀只是“用了自由意志”。（@costco）

认为可以用 π、RNG 或脚本生成数字来“作弊”

• 用 π 的小数位、Math.random 之类的伪随机源，或者心里先想两个整数再做取模运算，都能显著提高不可预测性；最反直觉的是，用 Math.random 生成的序列让站点判定它比心理学实验里 206 人中的 205 个都更随机，只说“只有 1 个人比你还随机”。（较多人） > 有人写脚本用 Math.random 点击数字，结果模型只猜中 9%，被判定为“极难读”，并很想知道到底是谁比随机脚本还随机。（@steveadams86）

用反向跟随、避开重复猜测和预热误导来对抗模型

• 一旦发现模型开始重复猜某个数，就连续避开它；或者在前几轮故意一直输同一个数字做“预热”，之后冷落这个数字，模型就会被带偏。也有人选择滞后地输入机器上一轮的猜测，模型似乎一直没识破。（较多人） > 有人开始只是滞后地输入机器上一轮的猜测，结果它好像一直没发现。（@christophilus）

认为结果页的统计话术或异常分数令人看不懂

• 有人被判定“分布比随机更均匀”，但给出的数字却是“最常用的数字占 23%，随机抽取里最繁忙的数字也大约 23%”，两者看起来一样，让人一头雾水；也有人遇到 50 次里被猜中 0 次、或后半段模型一直猜同一个数字，怀疑是不是把模型弄崩了。（少数人） > 有人的结果页写着“你比随机分布更均匀”，却同时给出“你最常用的数字占 23%，随机抽取最繁忙数字也约 23%”，令人直呼看不懂。（@nightpool）

有价值的补充

• 有人联想到同类项目：Aaronson oracle 的站点做的是预测按键，思路和这个数字预测游戏很像；还有人早年为求职做过 humanrandomness.com，让人挑“别人不太会选的数字”，并靠这个项目从失业状态拿到了旧金山的工作机会。（@cubefox、@tibbar）
• xkcd 1210 与 Dilbert 的“随机数生成器”漫画被当作自嘲类比：前者让人承认自己并不随机，后者讽刺某些号称随机的生成器其实并不随机。（@andai、@m463）