第一一九章 落后(1/2)

关于如何调查“匿名者”，追寻永生的同类们，想法、思路大概都一样。

那么，作为永生之路上的后来者，能力又不太可能胜过所有的竞争者，找不到线索也很正常。

之所以出现这样的情形，无非是因为，在网络上调查一个iD的身份和行迹，黑客的手段都差不多，人类的思维模式也多少会有相似之处；他方然能想到的办法，先行者差不多都会早一步想到、并采取行动。

但是ai的行动策略，某种程度上，就和人的思维不太一样。

对人工智能的研发认识有限，方然对ai应用于具体事务的原理也不甚了了，不过，既然aiasg能通过机器学习的方式逐渐模仿人的软件开发活动，那么原则上讲，使用类似的系统来模仿自己的搜索活动，应该也是可以的。

至于说，ai能够在这样的任务中发挥到什么程度，aiasg的表现可以作为对照：

根据自己掌握的资料，在经历过一次大规模升级后，就在不久之前，开发团队在aiasg工作流程的一次梳理中，发现其具备了“有限意义”的创造性开发能力：在开发某服务器驻留程序时，面对某具体需求，系统自主完成了一段算法、并将其内嵌到软件中，而且这段算法，在aiasg的数据库中，是找不到的。

对给定的问题，提供算法，人工智能的这一进展是突破性的。

某种程度上，如果按某些研究者的观点，这甚至可以作为ai具有某种“意识”的证据，虽然系统实现的算法，在数据库中有若干相近的算法作为基础，但对这些算法进行组合、协调，用来解决全新的问题，这在以前完全是人类算法设计师才具有的能力，也是人类智慧独一无二的标志。

现在，哪怕只是解决简单的问题，ai自己也能做到。

对人工智能的这一进展，方然看在眼里，觉得有些不可思议，但眼下他没时间去探究这意味深长的突破，而是设法从“国际商用机器”的内部网络里，寻找aiasg开发过程中的项目资料，继而得到该项目的部分早期代码。

一边看代码，一边查开发文档，方然很快发现该项目的复杂度超乎想象，核心的人工智能模块没什么新意，倒是负责分析软件需求的部分，十分庞大而精密，这部分的代码也是最零散而不成系统的，好在对自己的设想而言，这部分用处并不大，于是他将意图组织、掩饰，然后发布到黑客lùn tán上。

自己开发可用的系统，耗费时间太长，方然索性将其发布为商业项目。

在ai大行其道，哪怕外行都能看出大趋势的今天，网络上人工智能相关的开发项目浩如烟海，混杂在大量类似的开发计划里，“自动搜索分析”的项目描述并不起眼。

在人工智能的应用难度上，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手机讯息，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