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。
第122章 第一二〇章 分析(auzw.com)没有自主意识的计算机，即便顶着人工智能的名头，按理说，也无法与人的思维相比，这是方然以往的看法。
但话说回来，自我意识究竟是什么；查看asa提交的分析报告，并观察这一软件在网络上的行为特征，方然心生疑惑，他偶尔还禁不住会想，所谓ai的自我意识这种东西，究竟是不是如人工智能领域的专家们所说的那样，是人类短时间内无法触及的成就。
眼前，屏幕上的整齐字迹，就在透露出某种意识的迹象：几个月来学习方然的工作模式，正式上线后，asa系统一开始的调查速度并不快，在旁观者看来，就好像初次接入互联网络，在试探、熟悉周遭环境那样；接下来，按常规思路，asa尝试外联若干已知的数据节点，同时从安全措施薄弱的服务器拉取信息列表，显然是为后续的信息获取做准备。
这些步骤，和人的行动模式差不多，只是效率更高。
基础科学部的计算资源，大部分依赖伯克利的公共大型机，必然有算力波动，作为后台程序的asa展现出一定的智能性，会在网络空闲时大量截取数据，算力空闲时集中解密、分析处理，在存储空间紧张时则进行一次垃圾收集，很好的平衡了算力、带宽和空间，扪心自问，方然承认这是他做不到的。
即便这些工作的技术原理并不复杂，问题在于，人并没有ai那样强大的计算和记忆能力，即便清楚原理也做不来。
观察asa的行为，对方然来说，逐渐成为一种略带消遣的日常工作。
但重要的还是分析结果，和看似有序的行为不同，asa的报告，却让方然怀疑系统是不是出了什么问题：站在人的立场，asa在初始化后调取的数据，岂但是杂乱无章，有时候简直就是毫无道理，原本布置了追踪匿名者的任务，但是在从联邦公民信息系统（外联接口）和联邦电信节点获取大量数据后，软件就进入了四处开花的工作模式，开始侵入诸如宾夕法尼亚医疗结算中心、孟山都物流体系第143a7检查点、东太平洋水文气候监测站，甚至nasa俄勒冈射电观测阵列这些不知所云的机构。
在联邦调查一个人的行踪，固然需要大量数据，但真的需要这些风马牛不相及的东西吗。
建立在人工智能内核之上的asa，一旦开始运行，身为管理员也只能看到若干接口送出的数据，对庞大软件架构内部的运行情况，即便动用能拿到手的最先进动态监控模块，面对规模超乎想象的状态码、存储器数据和访问日志，方然也只能徒唤奈何。
想一想也是，倘若这系统正在做的事，居然能被人通过接口数据分析的清楚明白，那他又要这asa何用呢，干脆自己操纵还更保险。
开发软件，部署人工智能系统，作为ai的创造者、至少也是参与了工作的使用者，却无从掌握人工智能体系的具体运作，基于过往的积累，在与asa打交道的过程中，方然对这类系统的黑盒子性质有了更直观、更深刻的理解，也部分理解了为什么一部分计算机、人工智能研究者，始终对ai心怀恐惧。
人创造出来的东西，却未必能被人控制，人工智能，原则上是存在这样的可能。
开发人工智能的直接动机，很显然，倘若不是出于莫须有的研究意识、甚至百无聊赖之类理由，显然是为了解放人的辛劳，是为了利用人工智能去解决人类难以解决、甚至无法解决的问题，那么从逻辑上讲，对复杂度越过某种门槛的ai，运作过程必定不是人能够完全解析的。
这种不能够，并非理论上的做不到，而是解析的时间会长到脱离实际，根本就不现实。
想到这，方然不是在杞人忧天，认为人类创造的ai会脱离控制、自作主张，而是说作为人工智能的使用者，对ai正在做什么，并没办法有很切实的把握。
这对系统开发者来说并不成问题，但是对使用者，则潜藏着这样的风险：对ai的实际行为，不管开发者怎样声称、怎样保证，都没办法验证这些声称、保证究竟是真的靠谱，还是完全的欺骗。
归而总之，还是此前想到的那一个难题：除非开发者主动放弃，否则，对复杂度超限的系统，没有任何百分之百可靠的手段，可以确保除开发者之外的任何人将其完全掌控。
思考着asa的行为，权限不可转让的猜想，再度浮现于方然的脑海。
但他想了又想，还是无法给出证明。
幸好现在还无关紧要，至少对asa，身为开发者的自己并不担心它会失控，方然就暂且将猜想放到一边，他仔细观察自动化搜索与分析系统的日志，结合每天的分析报告，逐渐洞悉了这系统的运行规律。
看起来，正仿佛一个物理意义上的大脑，asa的运行思路，恰似人脑。
这种相似性，与自我意识的讨论无关，而是说眼前的人工智能在处理问题时，采取的广泛尝试、不断反馈的策略，与人脑在面对问题时的工作方式很相似。
想象一个人，在尝试解决试卷上的数学题时，究竟是怎样思考，想出办法呢；大脑的思考过程，人皆有之，却好似很难用语言来清晰描述，教师指导学生，也往往是泛泛的认真想一想、换个思路想，其实这时候大脑究竟在做什么呢，无非是利用以往积累的神经突触网络，发动神经刺激，将所有可能涉及到题目、可能给出解决方案的神经连接路径都尝试一遍而已。
这过程中，绝大多数路径都指向否决，极少数路径一时没有被判无效，或许，还会连通到逻辑关联的其他路径，运气好的话，在经历难以想象的繁复生物电过程后，大脑会半回顾、半新创的给出一条可行路径，问题才得以解决。
这种过程，在人工智能领域，似乎就是所谓的神经网络。