应用难度上，搜索、分析数据，是相当基础的操作，最后还是要提交给自己来判断，这样的项目，规模并不太大，方然用新注册的ID扮演承包商，向参与项目的兼职者支付报酬，大概在西历1472年初秋，得到了第一个可用版本。

　　初步测试软件，利用“自动搜索分析器”抓取信息，方然对AI的能力进行了评估。

　　将命名为ASA的软件上线到第三方服务器后，每天抽一点时间查看日志，一周后，方然验证了自己的预测。

　　人工智能自动抓取数据分析的能力，没有想象中那么强，排除服务器计算资源的限制后，总体上还是要比他自己来做慢得多，收集到的讯息杂乱无章，即便经过筛选，也很难汇总成有条理的报告供人阅读。

　　但这只是系统第一次上线的表现。

　　在这之后，随着机器学习的进行，盘踞在代码中的神经网络架构逐渐熟悉了操作流程，搜索的准确率和速度都在提升，不仅如此，此前在AIASG运行中观察到的现象，也出现在了ASA的行为模式里。

　　这也正是方然所需要的。

　　在网络上搜索、分析资料，做法，无非是截取数据并进行处理，这一点无论是人、还是程序来做，都只有速度和广泛度的区别。

　　但问题在于，面对互联网络上数以亿计的信息节点，数以万亿计的数据文件，乃至数以ZB（十万亿亿字节）计的数据，如此庞大的数据量，没可能不加选择的进行分析处理，究竟要如何取舍，就十分棘手。

　　面对这种规模的问题，人和计算机的思路，并不一致。

　　面对数据量超出分析能力的情形，人的解决办法，往往是借助自身的经验、和已经掌握的线索，进行通过率极低的初步筛查，把百分之九十九点九的信息来源都排除在外，接下来，在实施数据截取、系统侵入时，又会进行类似的筛选，把有限的时间精力集中到最有可能取得突破的方向。

　　这样做，说好听点是更有针对性，说实话则是面对海量数据的妥协。

　　譬如方然自己，之前调查“匿名者”的时候，虽然尽可能的多方面收集讯息，但，再怎样拓宽口径，也不会去侵入汉堡王的结账系统，或者窥探汽车零部件供应商的库存数据，因为这些与“匿名者”行踪八竿子打不着的数据，没有任何搜查的必要。

　　但人工智能却不这么认为：

　　凭借远超人类的处理能力，AI更倾向于采用“广种薄收”的策略。

　　每天查看ASA系统的分析报告，经过几个月的训练，方然认为这一系统已具备了实战能力，考虑再三，他又花费时间将核心代码内嵌到伯克利大学自然科学部的服务器里，以“学术数据搜集与分析系统”的名义来运作。

　　项目部署完毕，在秋天的伯克利，方然每天的日程就多了一项内容，基本上，不论在实验室还是在寝室里，他都会打开监视器，用旁观者的视角去审视ASA的行为，一来是扮演嗅探者的角色，评估这一系统、乃至隐藏于幕后的自己被发现的风险，二来也可以更客观的观察人工智能的数据搜集策略。

　　上线不久，“自动搜索与分析”系统的表现，就出乎了方然的意料。

　　请收藏：https://m.qingmi9.com

（温馨提示：请关闭畅读或阅读模式，否则内容无法正常显示）