第一一九章 落后
推荐阅读：神印王座II皓月当空、风起龙城、弃宇宙、夜的命名术、剑来、渡劫之王、第九特区、天下第九、三寸人间、大符篆师
全本小说网 www.quanbenxs.net，最快更新永不下车最新章节！
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，然后发布到黑客论坛上。
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。
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，然后发布到黑客论坛上。
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。