關於如何調查“匿名者”，追尋永生的同類們，想法、思路大概都一樣。
那麽，作為永生之路上的後來者，能力又不太可能勝過所有的競爭者，找不到線索也很正常。
之所以出現這樣的情形，無非是因為，在網絡上調查一個id的身份和行跡，黑客的手段都差不多，人類的思維模式也多少會有相似之處；他方然能想到的辦法，先行者差不多都會早一步想到、並采取行動。
但是ai的行動策略，某種程度上，就和人的思維不太一樣。
對人工智能的研發認識有限，方然對ai應用於具體事務的原理也不甚了了，不過，既然aiasg能通過機器學習的方式逐漸模仿人的軟件開發活動，那麽原則上講，使用類似的係統來模仿自己的搜索活動，應該也是可以的。
至於說，ai能夠在這樣的任務中發揮到什麽程度，aiasg的表現可以作為對照：
根據自己掌握的資料，在經曆過一次大規模升級後，就在不久之前，開發團隊在aiasg工作流程的一次梳理中，發現其具備了“有限意義”的創造性開發能力：在開發某服務器駐留程序時，麵對某具體需求，係統自主完成了一段算法、並將其內嵌到軟件中，而且這段算法，在aiasg的數據庫中，是找不到的。
對給定的問題，提供算法，人工智能的這一進展是突破性的。
某種程度上，如果按某些研究者的觀點，這甚至可以作為ai具有某種“意識”的證據，雖然係統實現的算法，在數據庫中有若幹相近的算法作為基礎，但對這些算法進行組合、協調，用來解決全新的問題，這在以前完全是人類算法設計師才具有的能力，也是人類智慧獨一無二的標誌。
現在，哪怕隻是解決簡單的問題，ai自己也能做到。
對人工智能的這一進展，方然看在眼裏，覺得有些不可思議，但眼下他沒時間去探究這意味深長的突破，而是設法從“國際商用機器”的內部網絡裏，尋找aiasg開發過程中的項目資料，繼而得到該項目的部分早期代碼。
一邊看代碼，一邊查開發文檔，方然很快發現該項目的複雜度超乎想象，核心的人工智能模塊沒什麽新意，倒是負責分析軟件需求的部分，十分龐大而精密，這部分的代碼也是最零散而不成係統的，好在對自己的設想而言，這部分用處並不大，於是他將意圖組織、掩飾，然後發布到黑客論壇上。
自己開發可用的係統，耗費時間太長，方然索性將其發布為商業項目。
在ai大行其道，哪怕外行都能看出大趨勢的今天，網絡上人工智能相關的開發項目浩如煙海，混雜在大量類似的開發計劃裏，“自動搜索分析”的項目描述並不起眼。
在人工智能的應用難度上，搜索、分析數據，是相當基礎的操作，最後還是要提交給自己來判斷，這樣的項目，規模並不太大，方然用新注冊的id扮演承包商，向參與項目的兼職者支付報酬，大概在西曆1472年初秋，得到了第一個可用版本。
初步測試軟件，利用“自動搜索分析器”抓取信息，方然對ai的能力進行了評估。
將命名為asa的軟件上線到第三方服務器後，每天抽一點時間查看日誌，一周後，方然驗證了自己的預測。
人工智能自動抓取數據分析的能力，沒有想象中那麽強，排除服務器計算資源的限製後，總體上還是要比他自己來做慢得多，收集到的訊息雜亂無章，即便經過篩選，也很難匯總成有條理的報告供人閱讀。
但這隻是係統第一次上線的表現。
在這之後，隨著機器學習的進行，盤踞在代碼中的神經網絡架構逐漸熟悉了操作流程，搜索的準確率和速度都在提升，不僅如此，此前在aiasg運行中觀察到的現象，也出現在了asa的行為模式裏。
這也正是方然所需要的。
在網絡上搜索、分析資料，做法，無非是截取數據並進行處理，這一點無論是人、還是程序來做，都隻有速度和廣泛度的區別。
但問題在於，麵對互聯網絡上數以億計的信息節點，數以萬億計的數據文件，乃至數以zb（十萬億億字節）計的數據，如此龐大的數據量，沒可能不加選擇的進行分析處理，究竟要如何取舍，就十分棘手。
麵對這種規模的問題，人和計算機的思路，並不一致。
麵對數據量超出分析能力的情形，uu看書 .anshu 人的解決辦法，往往是借助自身的經驗、和已經掌握的線索，進行通過率極低的初步篩查，把百分之九十九點九的信息來源都排除在外，接下來，在實施數據截取、係統侵入時，又會進行類似的篩選，把有限的時間精力集中到最有可能取得突破的方向。
這樣做，說好聽點是更有針對性，說實話則是麵對海量數據的妥協。
譬如方然自己，之前調查“匿名者”的時候，雖然盡可能的多方麵手機訊息，但，再怎樣拓寬口徑，也不會去侵入漢堡王的結賬係統，或者窺探汽車零部件供應商的庫存數據，因為這些與“匿名者”行蹤八竿子打不著的數據，沒有任何搜查的必要。
但人工智能卻不這麽認為：
憑借遠超人類的處理能力，ai更傾向於采用“廣種薄收”的策略。
每天查看asa係統的分析報告，經過幾個月的訓練，方然認為這一係統已具備了實戰能力，考慮再三，他又花費時間將核心代碼內嵌到伯克利大學自然科學部的服務器裏，以“學術數據搜集與分析係統”的名義來運作。
項目部署完畢，在秋天的伯克利，方然每天的日程就多了一項內容，基本上，不論在實驗室還是在寢室裏，他都會打開監視器，用旁觀者的視角去審視asa的行為，一來是扮演嗅探者的角色，評估這一係統、乃至隱藏於幕後的自己被發現的風險，二來也可以更客觀的觀察人工智能的數據搜集策略。
上線不久，“自動搜索與分析”係統的表現，就出乎了方然的意料。
那麽，作為永生之路上的後來者，能力又不太可能勝過所有的競爭者，找不到線索也很正常。
之所以出現這樣的情形，無非是因為，在網絡上調查一個id的身份和行跡，黑客的手段都差不多，人類的思維模式也多少會有相似之處；他方然能想到的辦法，先行者差不多都會早一步想到、並采取行動。
但是ai的行動策略，某種程度上，就和人的思維不太一樣。
對人工智能的研發認識有限，方然對ai應用於具體事務的原理也不甚了了，不過，既然aiasg能通過機器學習的方式逐漸模仿人的軟件開發活動，那麽原則上講，使用類似的係統來模仿自己的搜索活動，應該也是可以的。
至於說，ai能夠在這樣的任務中發揮到什麽程度，aiasg的表現可以作為對照：
根據自己掌握的資料，在經曆過一次大規模升級後，就在不久之前，開發團隊在aiasg工作流程的一次梳理中，發現其具備了“有限意義”的創造性開發能力：在開發某服務器駐留程序時，麵對某具體需求，係統自主完成了一段算法、並將其內嵌到軟件中，而且這段算法，在aiasg的數據庫中，是找不到的。
對給定的問題，提供算法，人工智能的這一進展是突破性的。
某種程度上，如果按某些研究者的觀點，這甚至可以作為ai具有某種“意識”的證據，雖然係統實現的算法，在數據庫中有若幹相近的算法作為基礎，但對這些算法進行組合、協調，用來解決全新的問題，這在以前完全是人類算法設計師才具有的能力，也是人類智慧獨一無二的標誌。
現在，哪怕隻是解決簡單的問題，ai自己也能做到。
對人工智能的這一進展，方然看在眼裏，覺得有些不可思議，但眼下他沒時間去探究這意味深長的突破，而是設法從“國際商用機器”的內部網絡裏，尋找aiasg開發過程中的項目資料，繼而得到該項目的部分早期代碼。
一邊看代碼，一邊查開發文檔，方然很快發現該項目的複雜度超乎想象，核心的人工智能模塊沒什麽新意，倒是負責分析軟件需求的部分，十分龐大而精密，這部分的代碼也是最零散而不成係統的，好在對自己的設想而言，這部分用處並不大，於是他將意圖組織、掩飾，然後發布到黑客論壇上。
自己開發可用的係統，耗費時間太長，方然索性將其發布為商業項目。
在ai大行其道，哪怕外行都能看出大趨勢的今天，網絡上人工智能相關的開發項目浩如煙海，混雜在大量類似的開發計劃裏，“自動搜索分析”的項目描述並不起眼。
在人工智能的應用難度上，搜索、分析數據，是相當基礎的操作，最後還是要提交給自己來判斷，這樣的項目，規模並不太大，方然用新注冊的id扮演承包商，向參與項目的兼職者支付報酬，大概在西曆1472年初秋，得到了第一個可用版本。
初步測試軟件，利用“自動搜索分析器”抓取信息，方然對ai的能力進行了評估。
將命名為asa的軟件上線到第三方服務器後，每天抽一點時間查看日誌，一周後，方然驗證了自己的預測。
人工智能自動抓取數據分析的能力，沒有想象中那麽強，排除服務器計算資源的限製後，總體上還是要比他自己來做慢得多，收集到的訊息雜亂無章，即便經過篩選，也很難匯總成有條理的報告供人閱讀。
但這隻是係統第一次上線的表現。
在這之後，隨著機器學習的進行，盤踞在代碼中的神經網絡架構逐漸熟悉了操作流程，搜索的準確率和速度都在提升，不僅如此，此前在aiasg運行中觀察到的現象，也出現在了asa的行為模式裏。
這也正是方然所需要的。
在網絡上搜索、分析資料，做法，無非是截取數據並進行處理，這一點無論是人、還是程序來做，都隻有速度和廣泛度的區別。
但問題在於，麵對互聯網絡上數以億計的信息節點，數以萬億計的數據文件，乃至數以zb（十萬億億字節）計的數據，如此龐大的數據量，沒可能不加選擇的進行分析處理，究竟要如何取舍，就十分棘手。
麵對這種規模的問題，人和計算機的思路，並不一致。
麵對數據量超出分析能力的情形，uu看書 .anshu 人的解決辦法，往往是借助自身的經驗、和已經掌握的線索，進行通過率極低的初步篩查，把百分之九十九點九的信息來源都排除在外，接下來，在實施數據截取、係統侵入時，又會進行類似的篩選，把有限的時間精力集中到最有可能取得突破的方向。
這樣做，說好聽點是更有針對性，說實話則是麵對海量數據的妥協。
譬如方然自己，之前調查“匿名者”的時候，雖然盡可能的多方麵手機訊息，但，再怎樣拓寬口徑，也不會去侵入漢堡王的結賬係統，或者窺探汽車零部件供應商的庫存數據，因為這些與“匿名者”行蹤八竿子打不著的數據，沒有任何搜查的必要。
但人工智能卻不這麽認為：
憑借遠超人類的處理能力，ai更傾向於采用“廣種薄收”的策略。
每天查看asa係統的分析報告，經過幾個月的訓練，方然認為這一係統已具備了實戰能力，考慮再三，他又花費時間將核心代碼內嵌到伯克利大學自然科學部的服務器裏，以“學術數據搜集與分析係統”的名義來運作。
項目部署完畢，在秋天的伯克利，方然每天的日程就多了一項內容，基本上，不論在實驗室還是在寢室裏，他都會打開監視器，用旁觀者的視角去審視asa的行為，一來是扮演嗅探者的角色，評估這一係統、乃至隱藏於幕後的自己被發現的風險，二來也可以更客觀的觀察人工智能的數據搜集策略。
上線不久，“自動搜索與分析”係統的表現，就出乎了方然的意料。