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，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，好聽點是更有針對性，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，在秋的伯克利，方然每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。 本章已閱讀完畢(請點擊下一章繼續閱讀!)