第(3/3)頁

    但問題在于，面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。

    面對這種規模的問題，人和計算機的思路，并不一致。

    面對數據量超出分析能力的情形，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、系統侵入時，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，說實話則是面對海量數據的妥協。

    譬如方然自己，之前調查“匿名者”的時候，雖然盡可能的多方面手機訊息，但，再怎樣拓寬口徑，也不會去侵入漢堡王的結賬系統，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。

    但人工智能卻不這么認為：

    憑借遠超人類的處理能力，AI更傾向于采用“廣種薄收”的策略。

    每天查看ASA系統的分析報告，經過幾個月的訓練，方然認為這一系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里，以“學術數據搜集與分析系統”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里，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，評估這一系統、乃至隱藏于幕后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”系統的表現，就出乎了方然的意料。


    第(3/3)頁