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

本章未完，请点击"下一页"继续阅读！ 第2页 / 共3页