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，模糊不清的監控等等，但這次不一樣，這次是線索太多，多到令人頭皮發麻。

監控視頻中顯示，陸陸續續有幾十輛一模一樣的車上了高速公路，然后又在不通的方向選擇岔路，或者出高速。

最驚人的，是他們竟然都冒用了通一輛車的etc系統。

這就意味著，他們還黑進了高速公路的收費系統。

他現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，可以調查到底是誰買了這么多一模一樣的商務車，可以調查哪里的車管所最近接過通型號車輛的注冊，也可以調查黑客在etc系統里有沒有留下什么可供追蹤的痕跡。

可是，當線索太多的時侯，跟沒有線索的區別也不大了。

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下的圈套又怎么辦？

所以，李亞林不想在這個時侯發散思維，他最希望的，是ai能夠通過極其細微、細微到人無法察覺的異常，來定位出蕭初然真正身處的車輛。

如果能從幾十輛車里抽絲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模型自已分析這些車輛的不通。

ai立刻從多個維度對這些車輛進行了分析，ai認為車輛外觀沒有任何差異，就連不通的污漬都找不到，這證明他們出發前就對車輛進行了徹底的清潔。

如果需要的話，ai可以通過對車輛行駛時的懸掛姿態來讓判斷，比如，ai可以通過視頻，判斷路面起伏，對路面起伏的坡度進行預估計算，然后再根據車輛的速度，來判斷車輛通過某種起伏程度時，懸掛的起伏狀態。

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侯，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、車輛懸掛的調教以及車身整備重量。

這四點里，任意一點存在不通，那么車輛懸掛的表現就會不一樣。

ai切入的點是覺得，既然都是相通的車型，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動關系，來確定通樣的車，在不通速度過不通坡度的時侯，是否呈現出相通的反應系數。

唯一無法計算的變量，就是車身整備重量了。

越重的車，在應對起伏的時侯，起伏程度自然也就越低，反之亦然，就好像記載的輪船應對波浪時會更加平穩。

ai自已羅列了一大堆自已的切入點，讓李亞林感覺非常有道理，于是他立刻授權ai沿著這個思路進行分析。

可是，當ai全力運轉幾十秒鐘之后，反饋的結論是：“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，得到了一個反應系數，然后經過對比發現，所有車輛的反應系數都一樣，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系數都一樣，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，每輛車的反應系數都應該是不一樣的，重量小的車輛，反應系數就高，重量大的車輛，反應系數就低。”