莫回索性將無線路由關閉，結果發現超極本上網完全不受影響，隻要輸入網址，超極本就能正常訪問互聯網，一切都像是正常的一樣，隻不過最不正常的是它根本不需要接入設備，甚至在屏蔽實驗室裏都一切如常。
莫回輸入天網服務器的ip地址，超極本順利鏈接到服務器上，所有文件調用正常，各種指令執行正常。
莫回感覺超極本還有很多未知的秘密等待他的挖掘。
~~~~~~
數字世界的框架很快搭建完成，世界的基礎就是數字紐約，裏麵已經入駐將近兩千萬人，這兩千萬人實際上都是數字人。
這些數字人基本上與現實的人一一對應，但是這些數字人入駐之後不過是一個個枯燥的數字人模型，它們與對應人的外形雖然高度相似，但是目前顯得非常的呆板。
數字人建模完成了，隻不過是給某個現實人配了一個數字人模型而已，做到這一步其實還無法體現出數字世界的價值來。
接下來莫回需要給數字人添加“人”的屬性，讓它從一個數字模型，變成一個有血有肉，可以模擬現實人行為的這個帶“人性”的數字模型。
想要做到這一點有很多工作需要做，首先要做的一點是理順社會關係網絡，將每個數字人置於一個社交網格中，然後標定他們相互之間的人際關係。
比如tom和jerry是大學同學，那麽在數字世界中，就需要將他們所有的同班同學全部標定出來，建立聯係。
同樣的，tom如果11年到13年在穀歌的市場部工作，那麽他那個時期的同時也需要標定出來，tom的鄰居，tom的父母，等等這些主要的社交鏈接都需要標定出來。
為了搭建這個社交網絡結構，莫回專門引入深度學習技術，這個技術擁有一定的自主學習能力，在學習中能夠具備一定的智能性，這個技術正好可以幫助莫回來解決數據解析的問題。
有了分析技術，莫回還需要數據源，用來標定每個人的主體社交聯結，這個主體社交聯結是指那些比較容易能夠觀察到的，顯性的社會關係，比如親戚關係、鄰居關係、同學關係、同事關係，這些關係基本上很難造假和模糊，比較容易定義。
為了獲得這部分主體社交聯結數據，莫回通過上帝之手的力量，調來了美國主要的幾個招聘網站的簡曆庫，其中linkedin的數據就具備這種社交網絡的雛形。
簡曆上的數據都是能互相印證和排錯的，你的簡曆可以造假，但是你的社交聯結很難造假。
有了美國主要招聘網站的簡曆庫，數據人的社交網絡的主體框架就搭建出來了，但是每個人除了那些主體社交關係之外，還存在很多其他的社交關係，比如網友、比如臉書上加的好友，比如客戶關係，比如工作中認識的朋友，比如參加各類party認識的朋友，比如參加各類社團認識的朋友。
這類關係是很難出現在簡曆、檔案、法律記錄中的，而這部分關係占比還偏偏很高，這同樣需要找到合適的數據源。
按照數據統計，一個人一生中大概能認識4000人左右，這個認識通常是指你能記住他的長相，知道他的名字，與他交談過，並且你們的關係是相互的，他也同樣認識你。
這4000人出現在人生的各個時期，他們通常是你的各個階段的同學、鄰居、同事。
這些人基本上隻出現在你人生中的某一階段，然後隨著你年齡的增長，他們都會被逐漸忘卻。
如果你是個20多歲的人，那麽你現在應該已經記不得幾個小學同學的名字了，而他們的長相你也需要花很長時間進行回憶了。
如果你是個30歲的人，那麽你的初中同學差不多也開始步入淡忘的階段。
以此類推，人對於十年前的關係已經大部分忘卻了，就算是5年前的關係也忘卻了相當部分。
我們日常能夠記住的人，基本上維持在300個左右，這300人是日常經常接觸的，現在能夠記起來他們長相的。
隨著接觸頻率的降低，以及生活距離的拉大，這些人中必定也有相當一部分慢慢淡出你的記憶。
莫回現在需要做的事情就是將這4000個人找出來，給數字人賦值，讓他們在數字世界裏建立相互之間的社交聯結。
除此之外，莫回還需要給這些社交聯結賦值，比如哪個人具體是什麽性質的關係，相互影響度如何？關係的親密度如何？
這些也是非常關鍵的信息，就是說莫回需要把每個人日常生活中常接觸的那300個人找出來，建立準確的關係定義。
這部分數據就是不是一份薄薄的簡曆能夠搞定的了，這些隻能從個人的大數據中找了，好在通用利用軌跡2.0已經將這些數據渠道打通，莫回隻需要調用就好了。
除了各種公共信息之外，莫回還能拿到用戶在各大網站上的隱私數據，將所有這些數據匯集起來，利用深度學習軟件進行大範圍篩選和比較。
比如a和b認識，就可以用深度學習技術，分析a和b的所有網絡信息記錄，從多個角度定義他們之間的關係，甚至還可以輔助視頻監控記錄，通過分析兩人見麵時的表情和肢體語言，進行對應的心理分析，以便更加準確的定義兩人之間的關係。
因為很多資料都是現成的，所以分析速度很快，超極本的超級性能在這種大範圍高密度數據麵前充分發揮著作用。
所有這些數據唯一的障礙就是傳輸速度和調取速度，很多數據都沉澱在各個運營商機房的磁盤陣列深處，這都需要一點點調取出來。
好在超極本比較給力，讓莫回在神不知鬼不覺中，悄悄完成了這項浩繁的工作。(未完待續。)
莫回輸入天網服務器的ip地址，超極本順利鏈接到服務器上，所有文件調用正常，各種指令執行正常。
莫回感覺超極本還有很多未知的秘密等待他的挖掘。
~~~~~~
數字世界的框架很快搭建完成，世界的基礎就是數字紐約，裏麵已經入駐將近兩千萬人，這兩千萬人實際上都是數字人。
這些數字人基本上與現實的人一一對應，但是這些數字人入駐之後不過是一個個枯燥的數字人模型，它們與對應人的外形雖然高度相似，但是目前顯得非常的呆板。
數字人建模完成了，隻不過是給某個現實人配了一個數字人模型而已，做到這一步其實還無法體現出數字世界的價值來。
接下來莫回需要給數字人添加“人”的屬性，讓它從一個數字模型，變成一個有血有肉，可以模擬現實人行為的這個帶“人性”的數字模型。
想要做到這一點有很多工作需要做，首先要做的一點是理順社會關係網絡，將每個數字人置於一個社交網格中，然後標定他們相互之間的人際關係。
比如tom和jerry是大學同學，那麽在數字世界中，就需要將他們所有的同班同學全部標定出來，建立聯係。
同樣的，tom如果11年到13年在穀歌的市場部工作，那麽他那個時期的同時也需要標定出來，tom的鄰居，tom的父母，等等這些主要的社交鏈接都需要標定出來。
為了搭建這個社交網絡結構，莫回專門引入深度學習技術，這個技術擁有一定的自主學習能力，在學習中能夠具備一定的智能性，這個技術正好可以幫助莫回來解決數據解析的問題。
有了分析技術，莫回還需要數據源，用來標定每個人的主體社交聯結，這個主體社交聯結是指那些比較容易能夠觀察到的，顯性的社會關係，比如親戚關係、鄰居關係、同學關係、同事關係，這些關係基本上很難造假和模糊，比較容易定義。
為了獲得這部分主體社交聯結數據，莫回通過上帝之手的力量，調來了美國主要的幾個招聘網站的簡曆庫，其中linkedin的數據就具備這種社交網絡的雛形。
簡曆上的數據都是能互相印證和排錯的，你的簡曆可以造假，但是你的社交聯結很難造假。
有了美國主要招聘網站的簡曆庫，數據人的社交網絡的主體框架就搭建出來了，但是每個人除了那些主體社交關係之外，還存在很多其他的社交關係，比如網友、比如臉書上加的好友，比如客戶關係，比如工作中認識的朋友，比如參加各類party認識的朋友，比如參加各類社團認識的朋友。
這類關係是很難出現在簡曆、檔案、法律記錄中的，而這部分關係占比還偏偏很高，這同樣需要找到合適的數據源。
按照數據統計，一個人一生中大概能認識4000人左右，這個認識通常是指你能記住他的長相，知道他的名字，與他交談過，並且你們的關係是相互的，他也同樣認識你。
這4000人出現在人生的各個時期，他們通常是你的各個階段的同學、鄰居、同事。
這些人基本上隻出現在你人生中的某一階段，然後隨著你年齡的增長，他們都會被逐漸忘卻。
如果你是個20多歲的人，那麽你現在應該已經記不得幾個小學同學的名字了，而他們的長相你也需要花很長時間進行回憶了。
如果你是個30歲的人，那麽你的初中同學差不多也開始步入淡忘的階段。
以此類推，人對於十年前的關係已經大部分忘卻了，就算是5年前的關係也忘卻了相當部分。
我們日常能夠記住的人，基本上維持在300個左右，這300人是日常經常接觸的，現在能夠記起來他們長相的。
隨著接觸頻率的降低，以及生活距離的拉大，這些人中必定也有相當一部分慢慢淡出你的記憶。
莫回現在需要做的事情就是將這4000個人找出來，給數字人賦值，讓他們在數字世界裏建立相互之間的社交聯結。
除此之外，莫回還需要給這些社交聯結賦值，比如哪個人具體是什麽性質的關係，相互影響度如何？關係的親密度如何？
這些也是非常關鍵的信息，就是說莫回需要把每個人日常生活中常接觸的那300個人找出來，建立準確的關係定義。
這部分數據就是不是一份薄薄的簡曆能夠搞定的了，這些隻能從個人的大數據中找了，好在通用利用軌跡2.0已經將這些數據渠道打通，莫回隻需要調用就好了。
除了各種公共信息之外，莫回還能拿到用戶在各大網站上的隱私數據，將所有這些數據匯集起來，利用深度學習軟件進行大範圍篩選和比較。
比如a和b認識，就可以用深度學習技術，分析a和b的所有網絡信息記錄，從多個角度定義他們之間的關係，甚至還可以輔助視頻監控記錄，通過分析兩人見麵時的表情和肢體語言，進行對應的心理分析，以便更加準確的定義兩人之間的關係。
因為很多資料都是現成的，所以分析速度很快，超極本的超級性能在這種大範圍高密度數據麵前充分發揮著作用。
所有這些數據唯一的障礙就是傳輸速度和調取速度，很多數據都沉澱在各個運營商機房的磁盤陣列深處，這都需要一點點調取出來。
好在超極本比較給力，讓莫回在神不知鬼不覺中，悄悄完成了這項浩繁的工作。(未完待續。)