第174章 人一生认识多少人
莫回索性将无线路由关闭，结果发现超极本上网完全不受影响，只要输入网址，超极本就能正常访问互联网，一切都像是正常的一样，只不过最不正常的是它根本不需要接入设备，甚至在屏蔽实验室里都一切如常。
莫回输入天网服务器的ip地址，超极本顺利链接到服务器上，所有文件调用正常，各种指令执行正常。
莫回感觉超极本还有很多未知的秘密等待他的挖掘。
~~~~~~
数字世界的框架很快搭建完成，世界的基础就是数字纽约，里面已经入驻将近两千万人，这两千万人实际上都是数字人。
这些数字人基本上与现实的人一一对应，但是这些数字人入驻之后不过是一个个枯燥的数字人模型，它们与对应人的外形虽然高度相似，但是目前显得非常的呆板。
数字人建模完成了，只不过是给某个现实人配了一个数字人模型而已，做到这一步其实还无法体现出数字世界的价值来。
接下来莫回需要给数字人添加“人”的属性，让它从一个数字模型，变成一个有血有肉，可以模拟现实人行为的这个带“人性”的数字模型。
想要做到这一点有很多工作需要做，首先要做的一点是理顺社会关系网络，将每个数字人置于一个社交网格中，然后标定他们相互之间的人际关系。
比如tom和jerry是大学同学，那么在数字世界中，就需要将他们所有的同班同学全部标定出来，建立联系。
同样的，tom如果11年到13年在谷歌的市场部工作，那么他那个时期的同时也需要标定出来，tom的邻居，tom的父母，等等这些主要的社交链接都需要标定出来。
为了搭建这个社交网络结构，莫回专门引入深度学习技术，这个技术拥有一定的自主学习能力，在学习中能够具备一定的智能性，这个技术正好可以帮助莫回来解决数据解析的问题。
有了分析技术，莫回还需要数据源，用来标定每个人的主体社交联结，这个主体社交联结是指那些比较容易能够观察到的，显性的社会关系，比如亲戚关系、邻居关系、同学关系、同事关系，这些关系基本上很难造假和模糊，比较容易定义。
为了获得这部分主体社交联结数据，莫回通过上帝之手的力量，调来了美国主要的几个招聘网站的简历库，其中linkedin的数据就具备这种社交网络的雏形。
简历上的数据都是能互相印证和排错的，你的简历可以造假，但是你的社交联结很难造假。
有了美国主要招聘网站的简历库，数据人的社交网络的主体框架就搭建出来了，但是每个人除了那些主体社交关系之外，还存在很多其他的社交关系，比如网友、比如脸书上加的好友，比如客户关系，比如工作中认识的朋友，比如参加各类party认识的朋友，比如参加各类社团认识的朋友。
这类关系是很难出现在简历、档案、法律记录中的，而这部分关系占比还偏偏很高，这同样需要找到合适的数据源。
按照数据统计，一个人一生中大概能认识4000人左右，这个认识通常是指你能记住他的长相，知道他的名字，与他交谈过，并且你们的关系是相互的，他也同样认识你。
这4000人出现在人生的各个时期，他们通常是你的各个阶段的同学、邻居、同事。
这些人基本上只出现在你人生中的某一阶段，然后随着你年龄的增长，他们都会被逐渐忘却。
如果你是个20多岁的人，那么你现在应该已经记不得几个小学同学的名字了，而他们的长相你也需要花很长时间进行回忆了。
如果你是个30岁的人，那么你的初中同学差不多也开始步入淡忘的阶段。
以此类推，人对于十年前的关系已经大部分忘却了，就算是5年前的关系也忘却了相当部分。
我们日常能够记住的人，基本上维持在300个左右，这300人是日常经常接触的，现在能够记起来他们长相的。
随着接触频率的降低，以及生活距离的拉大，这些人中必定也有相当一部分慢慢淡出你的记忆。
莫回现在需要做的事情就是将这4000个人找出来，给数字人赋值，让他们在数字世界里建立相互之间的社交联结。
除此之外，莫回还需要给这些社交联结赋值，比如哪个人具体是什么性质的关系，相互影响度如何？关系的亲密度如何？
这些也是非常关键的信息，就是说莫回需要把每个人日常生活中常接触的那300个人找出来，建立准确的关系定义。
这部分数据就是不是一份薄薄的简历能够搞定的了，这些只能从个人的大数据中找了，好在通用利用轨迹2.0已经将这些数据渠道打通，莫回只需要调用就好了。
除了各种公共信息之外，莫回还能拿到用户在各大网站上的隐私数据，将所有这些数据汇集起来，利用深度学习软件进行大范围筛选和比较。
比如a和b认识，就可以用深度学习技术，分析a和b的所有网络信息记录，从多个角度定义他们之间的关系，甚至还可以辅助视频监控记录，通过分析两人见面时的表情和肢体语言，进行对应的心理分析，以便更加准确的定义两人之间的关系。
因为很多资料都是现成的，所以分析速度很快，超极本的超级性能在这种大范围高密度数据面前充分发挥着作用。
所有这些数据唯一的障碍就是传输速度和调取速度，很多数据都沉淀在各个运营商机房的磁盘阵列深处，这都需要一点点调取出来。
好在超极本比较给力，让莫回在神不知鬼不觉中，悄悄完成了这项浩繁的工作。
莫回输入天网服务器的ip地址，超极本顺利链接到服务器上，所有文件调用正常，各种指令执行正常。
莫回感觉超极本还有很多未知的秘密等待他的挖掘。
~~~~~~
数字世界的框架很快搭建完成，世界的基础就是数字纽约，里面已经入驻将近两千万人，这两千万人实际上都是数字人。
这些数字人基本上与现实的人一一对应，但是这些数字人入驻之后不过是一个个枯燥的数字人模型，它们与对应人的外形虽然高度相似，但是目前显得非常的呆板。
数字人建模完成了，只不过是给某个现实人配了一个数字人模型而已，做到这一步其实还无法体现出数字世界的价值来。
接下来莫回需要给数字人添加“人”的属性，让它从一个数字模型，变成一个有血有肉，可以模拟现实人行为的这个带“人性”的数字模型。
想要做到这一点有很多工作需要做，首先要做的一点是理顺社会关系网络，将每个数字人置于一个社交网格中，然后标定他们相互之间的人际关系。
比如tom和jerry是大学同学，那么在数字世界中，就需要将他们所有的同班同学全部标定出来，建立联系。
同样的，tom如果11年到13年在谷歌的市场部工作，那么他那个时期的同时也需要标定出来，tom的邻居，tom的父母，等等这些主要的社交链接都需要标定出来。
为了搭建这个社交网络结构，莫回专门引入深度学习技术，这个技术拥有一定的自主学习能力，在学习中能够具备一定的智能性，这个技术正好可以帮助莫回来解决数据解析的问题。
有了分析技术，莫回还需要数据源，用来标定每个人的主体社交联结，这个主体社交联结是指那些比较容易能够观察到的，显性的社会关系，比如亲戚关系、邻居关系、同学关系、同事关系，这些关系基本上很难造假和模糊，比较容易定义。
为了获得这部分主体社交联结数据，莫回通过上帝之手的力量，调来了美国主要的几个招聘网站的简历库，其中linkedin的数据就具备这种社交网络的雏形。
简历上的数据都是能互相印证和排错的，你的简历可以造假，但是你的社交联结很难造假。
有了美国主要招聘网站的简历库，数据人的社交网络的主体框架就搭建出来了，但是每个人除了那些主体社交关系之外，还存在很多其他的社交关系，比如网友、比如脸书上加的好友，比如客户关系，比如工作中认识的朋友，比如参加各类party认识的朋友，比如参加各类社团认识的朋友。
这类关系是很难出现在简历、档案、法律记录中的，而这部分关系占比还偏偏很高，这同样需要找到合适的数据源。
按照数据统计，一个人一生中大概能认识4000人左右，这个认识通常是指你能记住他的长相，知道他的名字，与他交谈过，并且你们的关系是相互的，他也同样认识你。
这4000人出现在人生的各个时期，他们通常是你的各个阶段的同学、邻居、同事。
这些人基本上只出现在你人生中的某一阶段，然后随着你年龄的增长，他们都会被逐渐忘却。
如果你是个20多岁的人，那么你现在应该已经记不得几个小学同学的名字了，而他们的长相你也需要花很长时间进行回忆了。
如果你是个30岁的人，那么你的初中同学差不多也开始步入淡忘的阶段。
以此类推，人对于十年前的关系已经大部分忘却了，就算是5年前的关系也忘却了相当部分。
我们日常能够记住的人，基本上维持在300个左右，这300人是日常经常接触的，现在能够记起来他们长相的。
随着接触频率的降低，以及生活距离的拉大，这些人中必定也有相当一部分慢慢淡出你的记忆。
莫回现在需要做的事情就是将这4000个人找出来，给数字人赋值，让他们在数字世界里建立相互之间的社交联结。
除此之外，莫回还需要给这些社交联结赋值，比如哪个人具体是什么性质的关系，相互影响度如何？关系的亲密度如何？
这些也是非常关键的信息，就是说莫回需要把每个人日常生活中常接触的那300个人找出来，建立准确的关系定义。
这部分数据就是不是一份薄薄的简历能够搞定的了，这些只能从个人的大数据中找了，好在通用利用轨迹2.0已经将这些数据渠道打通，莫回只需要调用就好了。
除了各种公共信息之外，莫回还能拿到用户在各大网站上的隐私数据，将所有这些数据汇集起来，利用深度学习软件进行大范围筛选和比较。
比如a和b认识，就可以用深度学习技术，分析a和b的所有网络信息记录，从多个角度定义他们之间的关系，甚至还可以辅助视频监控记录，通过分析两人见面时的表情和肢体语言，进行对应的心理分析，以便更加准确的定义两人之间的关系。
因为很多资料都是现成的，所以分析速度很快，超极本的超级性能在这种大范围高密度数据面前充分发挥着作用。
所有这些数据唯一的障碍就是传输速度和调取速度，很多数据都沉淀在各个运营商机房的磁盘阵列深处，这都需要一点点调取出来。
好在超极本比较给力，让莫回在神不知鬼不觉中，悄悄完成了这项浩繁的工作。