李亞林鮮少遇到這么棘手的案子。
以前遇到棘手的案子，是因為線索太少，比如殘缺的指紋與鞋印，模糊不清的監(jiān)控等等，但這次不一樣，這次是線索太多，多到令人頭皮發(fā)麻。
監(jiān)控視頻中顯示，陸陸續(xù)續(xù)有幾十輛一模一樣的車上了高速公路，然后又在不同的方向選擇岔路，或者出高速。
最驚人的，是他們竟然都冒用了同一輛車的ETC系統(tǒng)。
這就意味著，他們還黑進(jìn)了高速公路的收費系統(tǒng)。
他現(xiàn)在有太多方向可以查，比如每一輛車這天的行駛軌跡，以及這些車輛的來龍去脈，可以調(diào)查到底是誰買了這么多一模一樣的商務(wù)車，可以調(diào)查哪里的車管所最近接過同型號車輛的注冊，也可以調(diào)查黑客在ETC系統(tǒng)里有沒有留下什么可供追蹤的痕跡。
可是，當(dāng)線索太多的時候，跟沒有線索的區(qū)別也不大了。
每一條線索都可以查，但誰都不知道查下去是不是死路一條亦或者走進(jìn)了對方的另一個迷局。
如果查到了車輛所有人，再追查車輛所有人信息，結(jié)果對方信息是偽造的怎么辦？
如果查到了黑客的痕跡，但黑客留下的信息也是故意設(shè)下的圈套又怎么辦？
所以，李亞林不想在這個時候發(fā)散思維，他最希望的，是AI能夠通過極其細(xì)微、細(xì)微到人無法察覺的異常，來定位出蕭初然真正身處的車輛。
如果能從幾十輛車?yán)锍榻z剝繭選出唯一的那個，一切就簡單多了。
于是，他將所有視頻資料全部輸入AI模型，讓AI模型自己分析這些車輛的不同。
AI立刻從多個維度對這些車輛進(jìn)行了分析，AI認(rèn)為車輛外觀沒有任何差異，就連不同的污漬都找不到，這證明他們出發(fā)前就對車輛進(jìn)行了徹底的清潔。
如果需要的話，AI可以通過對車輛行駛時的懸掛姿態(tài)來做判斷，比如，AI可以通過視頻，判斷路面起伏，對路面起伏的坡度進(jìn)行預(yù)估計算，然后再根據(jù)車輛的速度，來判斷車輛通過某種起伏程度時，懸掛的起伏狀態(tài)。
無論是普通彈簧懸掛，還是空氣或者電磁懸掛，車輛行駛在起伏路面上的時候，車身都會隨著起伏壓縮或者釋放懸掛。
而決定起伏幅度的幾大因素，分別是路面起伏的坡度、車輛行駛的速度、車輛懸掛的調(diào)教以及車身整備重量。
這四點里，任意一點存在不同，那么車輛懸掛的表現(xiàn)就會不一樣。
AI切入的點是覺得，既然都是相同的車型，那么它們的懸掛肯定也是一樣的，路面坡度和行駛速度，可以通過AI來計算它們之間的聯(lián)動關(guān)系，來確定同樣的車，在不同速度過不同坡度的時候，是否呈現(xiàn)出相同的反應(yīng)系數(shù)。
唯一無法計算的變量，就是車身整備重量了。
越重的車，在應(yīng)對起伏的時候，起伏程度自然也就越低，反之亦然，就好像滿載的輪船應(yīng)對波浪時會更加平穩(wěn)。
AI自己羅列了一大堆自己的切入點，讓李亞林感覺非常有道理，于是他立刻授權(quán)AI沿著這個思路進(jìn)行分析。
可是，當(dāng)AI全力運轉(zhuǎn)幾十秒鐘之后，反饋的結(jié)論是：“我通過計算視頻中路面坡度、車輛行駛速度以及車身起伏程度，得到了一個反應(yīng)系數(shù)，然后經(jīng)過對比發(fā)現(xiàn)，所有車輛的反應(yīng)系數(shù)都一樣，這不符合常理。”
李亞林立刻詢問：“不符合常理是什么意思？”
AI回答：“如果所有車輛通過這三個點計算出的反應(yīng)系數(shù)都一樣，只能證明所有車輛的整備重量相差無幾，如果他們車輛的重量相差較大，每輛車的反應(yīng)系數(shù)都應(yīng)該是不一樣的，重量小的車輛，反應(yīng)系數(shù)就高，重量大的車輛，反應(yīng)系數(shù)就低?！?