1.webp){kind=avatar}
聲明：相關性不等於因果性
首先，必須要在本文開頭聲明的是，近期大眾觀念里的 “惡性事件頻發” 可能並不能代表社會整體治安的惡化，更不能將犯罪現象治安問題和所謂的經濟下行導致戾氣嚴重相關聯。我知道這種因果關系簡單直接符合人類思維邏輯，在傳播上也容易刺激到人們的爽點，但我在實際查證經濟周期和犯罪案件數量之後認為簡單將這二者聯系起來實際上是一種非常愚蠢的，基於現代傳媒操弄下的 “提線木偶” 思維。
我可以很明確的講，世界上並沒有一個處於 「真空球形模型」 般脫離現實的國家能滿足所謂經濟周期和戾氣之間的因果關系，如果真的有kol輸出這個結論，我只能說要麼是他蠢到不值得繼續訂閱，要麼就是壞到不惜敗壞自己的學術/能力聲譽也要討好自己的粉絲。
註釋：真空球形模型它是一個物理學界的梗，後來被各種學者和工程師拿來吐槽那些「脫離現實、過度簡化的理論模型」
2023年審結故意殺人等嚴重暴力犯罪案件5.2萬件，6.2萬人，中國有兩千多個行政縣，基本上每個縣每年起碼跳一個學生，一年就得跳兩千多個學生，可能就在你看我這篇文章的時候就有一個小孩在自由落體——這就是龐大絕對數量下的統計學真相。
現代傳媒常常出於吸引眼球、博取流量的目的，將個別突發事件進行過度放大，甚至營造出一種 “社會正在崩潰” 的錯覺。我們又在現代社會中處於一個普遍的信息過載狀態，非常容易對遠方的事情產生 “共情” ，將這些個案與自己的日常生活聯系起來，進而產生對社會整體治安的悲觀認識，此即為 “可得性偏差” 和 “證實偏差” 。
所以，為了寫這篇文章，我只能把人類社會這個多層次的社會現象相疊加的混沌模型抽象為一種簡單的猜想，假設社會經濟周期和惡性事件發生的頻率概率之間存在一個粗糙的，未經統計學實證檢驗的線性關系。這種聯系只是錶面上的相關而非實際的因果，相關性不等於因果性。
有的人看到這里可能會感覺我的“求生欲”很強，但我寫這麼一大段的目的並非“求生欲”或者什麼“免責”，我分享的都是帶有我自己立場與慣性的敘事和分析框架，不是什麼科學真理、驚天秘辛，也不是藉助所謂的沖塔或者別的什麼立場來提高自己的論證可靠性。
還希望所有的讀者僅僅只把我的文章當作參考，去形成自己的分析評價框架，反過來自己思考我的文章具體邏輯是否通順、符合經濟運行事物，讓自己的腦子和嘴真正地思自己所思、言自己所言，以理性的形式主張自己的經濟權益。
基於治理惡化下的新思路
因此，我們可以假設認為隨著經濟周期的演變+社會各思潮的演進，2024年乃至未來中短期內社會惡性事件發生的頻率較前十年會持續增長。城市擴張和社會復雜性的提高似乎使得傳統的安全措施和現有的大維穩體制逐漸難以有效維持原先的 “平安” 社會治理願景。
那有聰明的小朋友可能會說，只要xxx的根本問題/原因不解決，xxx就會越來越多巴拉巴拉巴拉……
要我說這種就屬於正確的廢話，現代教育體系單單強調解決 “核心問題” 和 “主要矛盾” ，但大家很大程度上並沒有親身參與社會治理的經驗，並不能真正瞭解 “解決核心/根本問題” 這個詞本身就近乎不可能，如果社會中各種集團博弈鬥爭的根本那麼好解決，我們現在應該還在周朝開開心心的種井田。
基於這樣的認知，我是一個極端現實的建制派，我不相信理想不相信偉大革命不相信愛與和平，我只相信制度博弈下的相互妥協，我只相信庸俗的技術主義，解決問題更多還是要靠工具箱里的方法論與實操性策略。
如果我們關註近期惡性事件的導火索，不難發現多半是犯罪人自認為受到了周邊人（上司、伴侶、學校管理人員）等的欺壓，在氣不過之後選擇直接報復社會。嫌疑人在犯罪之前的顯著特點就是導火索明確，且情緒積累和爆發的路徑清晰可循。這類人群在犯罪前通常經歷了一段時間的心理失衡和情緒積累，表現為對身邊沖突越來越敏感，行為逐漸極端化。當我們把這些具體的案例進行歸納和分析，可以發現，在多數惡性事件前，這些個體已經在不同程度上表現出情緒波動、社交關系緊張甚至孤立無援的跡象。他們的行為模式往往可以通過數據痕跡、心理指標以及一些社交互動反饋來捕捉到。正是在這種前提下，傳統的糾紛調解或維穩措施顯得反應遲緩，未能及時介入或事先識別出風險。
是的，在社會本身轉型期矛盾沒辦法快速解決的前提下，我們能否提前識別這種“高危”個體，在他們做出不可輓回的極端行為之前進行有效乾預？就像游戲《看門狗》中的 CtOS（Central Operating System）那樣，藉助類似於CtOS的犯罪預測系統，通過對公民包括社交媒體發言、職場行為、生活軌跡等在內的多維度數據進行全方位分析，形成一個“情境感知”的智能體系，以在潛在犯罪人情緒失控之前，分析其行為模式和關鍵風險點，構建一個從“情緒波動”到“行為極端化”的追蹤路徑，從而為執法部門、社區組織或心理健康服務提供提前介入的機會。這種技術能夠有效縮短社會系統在面對潛在威脅時的反應時間，最大限度地預防惡性事件的發生。
在探討具體的技術實現和應用場景之前，我們有必要先回顧一下犯罪預測領域的研究現狀。縱觀相關領域的發展歷史，犯罪預測的研究方向主要可以分為兩類：一類是傳統犯罪預測，聚焦於基於歷史數據和已知犯罪行為模式的分析；另一類則是近年來興起的數據驅動的以人為對象的犯罪預測，依賴於IoT、大數據、人工智慧和機器學習等新興技術的支持。在接下來的部分中，我們將首先介紹傳統犯罪預測的研究方向，探討這種方法的優勢與局限性。
一、傳統研究方向：以犯罪區域為對象
早在20世紀中葉，西方國家的警察部門就已經應用以傳統統計學為基礎的犯罪預測方法。這一過程被認為是“精算司法”（actuarial justice）在刑事司法領域興起的體現。和移動網際網路興起後的大數據雲計算浪潮同步，區別於傳統結構化、抽樣、假設檢驗的犯罪預測模式，大數據背景下的犯罪預測正在全世界的主流主權國家社會中興起。大數據背景下的“犯罪預測”被西方學者喻為“舊把戲，新技術”（old trick，new tech）。“舊”指的是犯罪預測慣用的理論模型與實踐樣態與傳統背景下基本一致；“新”指的是犯罪預測的樣本選擇與分析方式在大數據背景下具有“數據化”的海量特色。
1.核心模型
在現代犯罪預測領域中最主要核心的兩個模型分別是“近重復理論（Near Repeat Theory）”和“風險地形建模（Risk Terrain Modeling）”。近重復理論基於“犯罪行為在時間和空間上存在聚集效應”這一基本架設，即當某個地點發生犯罪時，未來相對較短的時間內，該地點及其周邊區域再次發生類似犯罪的概率將顯著增加。這種現象在盜竊、搶劫等財產犯罪中尤為明顯，其背後的邏輯是犯罪分子在成功作案後可能會再次光顧熟悉的地點，或者附近的其他犯罪分子被“啟發”，認為該區域易於作案。通過對歷史犯罪數據進行分析，近重復理論能夠助力預測犯罪行為的 “時間與空間簇集” 情況，進而為執法資源的部署提供參考依據。例如警方可以依據過往盜竊案件的分佈情況，識別出未來有可能發生類似犯罪的熱點區域，並提前強化巡邏力度或者採取相應的預防措施。
風險地形建模則關註犯罪與環境之間的關系，其主要觀點為某些物理環境因素（如商業區、酒吧、交通樞紐、空地等）會增加犯罪發生的可能性。因此，該模型識圖通過將地理空間特徵與犯罪歷史數據結合，識別出上述“犯罪誘因”的分佈特徵，進而生成一個風險地圖，顯示哪些區域由於環境特點而更容易成為犯罪現場。通過識別這些高風險地帶，執法部門可以更加有針對性地進行乾預，例如安裝更多監控設備、調整街區的照明條件或增加警力巡邏等。隨著數據量的增大以及互動式信息技術的進步，風險地形的預測及預警機制正愈加精確化。
2.局限性
在之前信息化平臺未普及時（乃至於現在），各種犯罪信息和城市數據一般都通過紙質歸檔，信息出自多門難以量化整合到一處進行分析，受限於部門間的信息壁壘和人力資源的限制，預測結果誤差較大且高度依賴警察部門分析人員的主觀結論。單純依賴歷史犯罪數據也無法完全捕捉到犯罪背後的復雜動因。例如區域的社會經濟變動、人口結構的變化、政策的調整等都可能影響犯罪行為的發生，但這些因素往往無法通過簡單的空間分析模型進行量化。最後過度依賴犯罪熱點和區域特徵還可能導致“執法偏見”的產生。特別是在一些長期被認為是高犯罪率的區域，執法資源的過度集中可能加劇對特定社區或少數族裔群體的歧視性執法，進而引發更深層次的社會矛盾。
當然，之所以大家都以犯罪區域為預測對象而不是以人為預測對象當然還有法律制度和IoT未普及的原因。這就是非不為也，實不能也。
我國開展過一些預測性警務探索，但尚沒有真正實現業務化運行，這可能與國內外警務模式之間存在的較大差異有關。借鑒IBM公司在美國孟菲斯市開發Blue CRUSH（Criminal Reduction Utilizing Statistical History，利用統計歷史數據減少犯罪）項目的成功經驗，北京市懷柔公安分局於2013年開發了相關應用，實現了警力投量投向的時空引導。江蘇省蘇州市公安局於2014年開發了一個類似於PredPol的犯罪預測系統，並在2個派出所內開展了試點，據相關報道稱取得了不錯的應用效果。然而，據瞭解，由於國內外警務模式的差異，系統運行與我國警務工作機制不相適應，相關系統後續均已停用。在國外，警察預防和打擊犯罪的重要手段之一是州、縣和城市警察巡邏，而在中國，社區巡邏工作通常是由派出所民警承擔，每位民警所負責的警務責任區空間範圍相對較小，責任民警對區內整體治安狀況和犯罪熱點較為熟悉。與責任民警的經驗相比，當前大多數犯罪時空預測模型的預測效果並不理想，因此在實踐中也就難以得到持續應用。
總之，以美國預測性警務模式為參考，國外很多國家開展了將犯罪時空預測與警務模式相結合的應用實踐。我國雖然也較早地同步開展了相關嘗試，但由於國內外警務模式之間存在較大差異，並缺乏必要的系統化研究跟進指導，犯罪時空預測結果與國內警務模式的契合程度並不緊密，導致相關實踐應用的效果並不理想。
相比於過去單純以犯罪區域為預測對象，現今越來越多的研究開始關註“以人為預測對象”，即通過數據分析和行為模式的研究，預測潛在犯罪分子的行動，從而在犯罪發生之前進行乾預。這一轉變不僅能夠提高預測的準確性，還可以減少區域化執法偏見，進一步優化犯罪預防的策略。
二、IoT時代下以人為預測對象機制
1.理論分析
首先，我們來介紹一下什麼是IoT。
IoT（Internet of Things）即物聯網，是指通過網際網路、傳統電信網等信息承載體，將各種信息傳感設備與網際網路結合起來而形成的一個巨大網路。這個網路實現了物與物、物與人的泛在連接，實現智能化識別、定位、跟蹤、監控和管理。在IoT系統中，各種設備（如智能手機、可穿戴設備、家用電器、車載設備等）都可以成為數據採集和傳輸的節點。這些設備通過各種傳感器收集環境數據、用戶行為數據等，並通過網路將這些數據傳輸到雲端進行分析和處理。
IoT領域的快速發展使得強力機關利用網際網路對個體實現全方位的監控有了基本的實現空間，IoT技術的應用意味著可以獲取更豐富、更實時的數據源。人們的手機、智能手錶、家用攝像頭、智能交通系統，甚至是城市基礎設施中的傳感器，都可以捕捉和記錄個體的行動軌跡、社交活動和環境變化。這些數據可以幫助執法部門更細致地瞭解個體的行為模式，並識別出可能的犯罪風險。
傳統的犯罪偵查是反應型的被動偵查模式，偵查總是要落後於犯罪行為的發生，公安機關只能做到打擊犯罪而無法做到預防犯罪。但現在IoT+大數據的發展使得公安機關不僅僅可以通過數據搜索、數據挖掘、數據碰撞和數據建模的方式進行事後的偵查活動，還可以在事前進行主動型的預測和介入。
過去的偵測活動只能通過“犯罪心理畫像”——根據現場遺留的痕跡、物證等信息，結合主觀經驗判斷對犯罪嫌疑人的外形、身份和心理活動等要素進行描繪，而現在則可以通過對偵察機關數據庫、社會公共數據庫、大數據公司的用戶數據中的數據與情報進行研判，對犯罪嫌疑人或相關人員的基本信息進行“數據畫像”，從個人基本信息、形體特徵、行為軌跡、消費習慣、經濟狀況、興趣愛好等信息中提煉出性格特徵、行為特徵、職業特徵，從而實現針對高危人員預警的功能。
參見刑事專業研判平臺，對前科犯罪人員數據庫、旅館住宿數據庫、網吧上網數據庫等信息進行演算法處理和特徵點篩選，初步實踐了大數據畫像的犯罪預警功能。
2.應用情況
此處有一大坨歐美實際應用場景，但我懶得超過來貼上去了。總之就是部分人類學家和社會學家組成了“社會物理學”學派，主要觀點是人類社會的發展變化和人類本身的思想、行為，與自然界的其他組成部分一樣遵循著一系列物理規律，只要掌握足夠的信息，就能發現這些規律並對其進行預測乃至控制。最知名的案例就是芝加哥警察局和伊利諾伊理工學院合作語言發的“戰略對象清單”行動，根據歷史犯罪記錄對市民犯罪或淪為犯罪受害者的風險進行量化評估並在0～500的區間內評分，據此確定警務工作重點。截至2017年，“戰略對象清單”的數據庫已包含約40萬人的評分，其中約29萬人因分數超過250而被標註為“高風險”。調查顯示，在2016年，該項目評分為500（最高風險等級）的人員中約1/3捲入了槍擊或謀殺案件；得分在429及以上的1400人捲入了芝加哥市當年約20%的涉槍暴力案件，顯示該行動在預測暴力犯罪方面較高的準確率。
2010年以後，隨著大數據時代的到來，美國警察機關有條件利用更為海量和多元化的數據以提升“預測性警務”的準確性和效率。在奧巴馬政府“21世紀警務工作隊”倡議的框架下，數據科學和信息技術對改善警察效能和提升社區安全方面的潛力得到進一步重視，美國一些暴力犯罪高發的大城市，如芝加哥，建立了使用各種軟體系統和專用工具處理來自城市各個角落的傳感器所收集的數據的技術中心，並通過“融合”中心機制與其他政府部門實現了數據共用。新的傳感器技術，如基於軍隊使用的狙擊手定位裝置的槍擊聲學感知系統（ShotSpotter）等得到迅速推廣。紐約市警察局部署了集成聯網攝像頭、環境傳感器、車牌讀取器、報警電話記錄系統、槍擊聲學感知系統等數據採集設備的“場域感知系統”（Domain Awareness system），用以支持基於名為“圖形化”（Patternizr）的機器學習演算法的“預測性警務”應用，根據2017年的評估，經過為期24周的實驗，紐約總體犯罪指數下降了6%。
什麼，你說後來呢？
後來各種後現代議題興起了，這種檢測手段被視為歧視性xxxx，已經被廢除了。
What can i say？
當然，我相信FBI、CIA等機構在歷史上曾使用或探索過相關技術，且在某些情況下仍持續研究這些方法。
3.幾個基本的預測分析思路
社交網路分析
馬克思曾說”人是社會的動物”，以人為核心的犯罪預測自然要研究嫌疑人的關系網，這就是社交網路分析（SNA）。通過分析個體在社交網路中的互動，尤其是與犯罪分子或高風險群體的社交聯系，執法機構可以識別潛在的犯罪嫌疑人或高危個體。例如某人的社交圈中頻繁出現已知犯罪分子或有犯罪前科的人員，該人的犯罪風險可能隨之增加。通過深入分析這些社交網路中的關系強度、互動頻率和信息傳播路徑，預測系統能更早發現犯罪網路中的關鍵節點，從而提前乾預，防止犯罪升級。
進一步講，SNA的經用場景當然不會僅僅局限於個人關系網分析，還可以幫助揭示整個犯罪網路。類似於金融犯罪洗錢詐騙等有組織犯罪活動背後會有一個復雜的群體犯罪網路結構作為支撐，一套高效的SNA框架可以幫助執法部門識別隱藏在各種三無小號之下的犯罪結構，辨別犯罪的領導者、核心成員和外圍支持者，抽絲剝繭的針對性打擊犯罪網路的關鍵節點，繼而有效的瓦解整個犯罪組織。此外，SNA還可以幫助識別信息在犯罪網路中的傳播路徑。例如某些犯罪團夥可能通過社交媒體、即時通訊工具或線下社交圈傳播犯罪計劃和指令。通過監控這些信息流動，執法部門可以更加精準地預測犯罪活動的發生時間和地點，甚至預防潛在的犯罪企圖。這種基於信息傳播的分析能夠極大提高犯罪預測的前瞻性，使得執法部門能夠在犯罪尚未發生之前採取行動。
行為模式分析
相較於之前的SNA社交網路分析，行為模式分析更加側重於個體的行動軌跡、日常活動和行為習慣。每個人的行為都有一定的規律性，無論是工作通勤、娛樂活動，還是購物消費，都會形成相對穩定的行為模式。而當某個個體的行為突然偏離了這些模式，尤其是出現與已知犯罪行為相似的軌跡或特徵時，就可能意味著該個體正在策劃或參與犯罪活動。例如，某人如果突然頻繁出現在一個與其平時活動軌跡不符的高風險區域，或是經常出入某些犯罪高發場所，這些異常行為就可能引發系統的警示。
社交平臺言論分析
在行為科學和認知科學領域的研究表明，人類的某些情緒狀態或行為傾向於犯罪行為之間存在著密切的聯系，焦慮、憤怒、沖動等負面狀態情緒往往是某些犯罪行為的導火索，此類情緒的積累和爆發可能導致個體在短時間內失去理智，做出攻擊性、破壞性或反社會的行為。因此，通過對個體情緒狀態的監測和分析，執法部門以及相關的預測系統可以識別出潛在的高危人群，及早進行乾預，防範犯罪行為的發生。
剛好，當今幾乎人人都沉浸在網路世界中。網際網路上的自我與現實中的自我共同構成了現代社會中真實的”自我”。
個體的心理狀態常常通過社交媒體上的言論、文字表達和行為表現出來。例如當某人在社交平臺上頻繁發表消極、攻擊性或極端言論時，他要麼是瘋了要麼是近期情緒波動嚴重要麼兩者皆有（）。當這些言論包含憤怒、怨恨、報復、威脅等信息時，很可能預示著該人正處於情緒失控的邊緣，這種情緒失控往往是暴力犯罪的前兆。一個人如果頻繁發布自我否定、無助感或社會疏離相關的內容，則代表其心理健康處於危險狀態，可能萌生製造極端行為的念頭。
在網路社群治理中，我們也可以發現某些極端思想和犯罪傾嚮往往通過網路社群或小圈子傳播，尤其是在一些極端主義思想聚集的網路論壇、社交群組中，個體之間的情緒共振和相互煽動可能會加劇犯罪的發生。通過監控這些社交群體中的互動，特別是某些特定話題的討論熱度和情緒走向，系統可以識別出那些正在醞釀犯罪行為的群體，並提前採取行動，乾預其犯罪計劃的實施。
除開個人/社群言論，個體的網路搜索記錄也可暴露其內心變化。行為科學研究表明，人們的網路搜索行為往往與他們當前的心理狀態和計劃行為有關。當一個人開始頻繁搜索與暴力、武器、違法行為或極端思想相關的內容時，可能表明其正在思考或籌劃某種犯罪行為。有些恐怖主義行為的實施者在作案前曾進行詳細的網路搜索，查找如何製造爆炸物或組織恐怖襲擊的細節步驟。通過對這些搜索行為的分析，預測系統可以更早地察覺到個體的犯罪傾向，及時發出預警。
三、CtOS技術原理解析
《看門狗》系列中的CtOS（Central Operating System，中央操作系統）是一個高度集成和智能化的城市管理系統，能夠實時監控並分析來自城市各個方面的數據，最終用於管理城市功能和預測犯罪行為。雖然這是一個虛構的系統，但背後的技術概念在現實中已經有了一定的雛形。
首先，整個CtOS系統的實現基礎在於其廣泛的物聯網（IoT）網路，這一網路將城市的各類設備和基礎設施連接在一起。在游戲中，芝加哥市的攝像頭、交通信號、公共設施、銀行系統、智能手機和家用設備等，全部通過CtOS實現集中管理和數據共用。通過這些IoT設備，系統可以實時監控和管理城市中的一切活動。在現實中，城市物聯網同樣也正在全面鋪開（雖然目前各公司部門各自為戰數據不互通）：城市中的監控攝像頭、智能交通燈、空氣質量檢測設備、智能電表、智能家居設備等，正在形成一個巨大的物聯網網路。隨著5G網路的普及，IoT設備的連接速度和可靠性得到了顯著提升，使得大量數據可以在毫秒級的時間內傳輸到中央系統進行處理。
基礎有了，接下來就是GPU+深度學習加持下的犯罪預測引擎。深度學習是一類基於人工神經網路的機器學習方法，能夠從海量數據中自動提取復雜的特徵和模式。犯罪預測引擎通過對歷史犯罪數據、社交媒體活動、行為模式、地理位置以及其他相關數據的分析，能夠識別出潛在的犯罪風險。深度學習模型不僅可以識別已知的犯罪模式，還能夠通過學習不斷變化的環境和行為數據，逐步優化和改進預測精度。與傳統的中央處理器（CPU）相比，GPU在處理大規模並行計算任務時具備顯著優勢，特別是在訓練和運行深度學習模型時。犯罪預測系統需要處理海量數據，包括城市監控錄像、實時傳感器數據、社交網路信息等，這些數據的處理和分析對計算能力提出了極高的要求。GPU的高速運算能力能夠大幅提升深度學習模型的訓練效率，使得系統能夠在短時間內處理數十億條數據，並實時作出預測和決策。
當我們操控艾登皮爾斯扮演私法製裁者的時候，預測犯罪還依靠CtOS系統能夠實時獲取市民的社交網路、財務記錄、醫療數據等隱私信息的能力，通過抓取高風險市民的隱私對話記錄關鍵詞，系統會自動幫助我們判斷ta捲入犯罪的風險，及時通知私法製裁者展開行動。
四、類CtOS系統落地困境與未來展望
盡管人類社會目前有差分隱私同態加密等手段來保護個人隱私，但現實中的城市管理系統仍然在獲取和處理公民個人數據時面臨著巨大的道德和法律壓力。在《看門狗》中，艾登·皮爾斯可以利用CtOS獲取到市民的詳細背景信息，包括他們的職業、收入水平、甚至是私人健康問題，這種全方位的透明度在現實中幾乎不可能被完全允許。哪怕我們拋開打造CtOS所需要的海量資源不談，一個城市級別的操作系統如果擁有如此廣泛的權限，將很容易引發公眾對於大哥在看著你式的監控社會的恐懼。
我要再重申一遍，這玩意放到任何一個地方都做不到，因為整合如此海量的數據需要耗費的政治經濟資源是極其龐大的，放國內也差不多是要按著騰訊、阿裡、位元組、百度和華米OV聯通電信等巨頭的頭，讓幾百萬工程師在一起肝好幾年統一各種數據規範和介面，然後在全國範圍內建好幾十座巨型超算中心和儲存中心去算十四億人產生的海量數據，光訓和測試模型保底都得個大半年，效果也不一定好。
非不為也，實不能也
那麼，距離我們真正實現如《看門狗》中的CtOS系統還有多遠？雖然技術上我們已經具備了相當的基礎，但一個完整的CtOS系統要真正落地仍然需要解決若乾現實問題。除了隱私保護，還包括數據孤島問題、系統安全問題，以及政策法規議程的推進。首先就是數據不互通，目前許多智能設備和城市基礎設施都是由不同的公司和部門獨立運營，數據無法在不同設備和系統之間自由流動。要實現像CtOS那樣的全城市級別的數據集成和管理，市政當局和技術提供商必須打破數據孤島，建立統一的數據標準和介面。
這條就基本可以決定CtOS在5年內實現不了
其次，系統安全也同樣重要。一個管理整個城市的中央系統，必然會成為黑客攻擊的主要目標。在《看門狗》中，玩家可以通過入侵CtOS系統來操控交通信號燈、關閉電網、甚至引發大規模的社會混亂。雖然這在游戲中是為了提供娛樂性和戲劇性沖突，但在現實中這樣的破壞性攻擊可能會造成極為嚴重的後果。這一系統如果只能被極少部分人掌握就沒辦法完全發揮其預警作用，但一旦可以使用的人多了就極容易給全社會來個大的。
警務通權限管理不嚴格已經在公民信息方面帶來很多問題了
總的來說，雖然像CtOS這樣的系統在短期內不太可能以完全相同的形式出現，但它所代表的技術理念——即通過物聯網、大數據和人工智慧等技術手段，實現城市的高效管理和智能治理——已經在現實中逐步成型。隨著技術的不斷進步和隱私保護技術的完善，我們或許會看到一個更加智能、安全、且具備高度自動化管理能力的未來城市系統逐漸浮現。到那時，雖然我們可能不會親自扮演艾登·皮爾斯，但我們生活的城市可能已經在悄然之間變得更加智能、高效——甚至，也許已經具備了某種程度的“犯罪預測”能力。
五、可能的問題Q&A
Q1：根本問題沒解決，你這嘰里咕嚕的沒有任何用處！
A：我是一個極端現實的建制派，我不相信理想不相信偉大革命不相信愛與和平，我只相信制度博弈下的相互妥協，我只相信庸俗的技術主義。本文立論的基礎就是經濟周期和犯罪頻率存在巨集觀意義上的線性關系，經濟周期本身不可逆，那麼從社會治理的角度就只能“壓縮”犯罪而非搞點其他的什麼行為藝術。
Q2：不要xx要xx，我們要保護民眾隱私……
A：這其實是一個價值觀的選擇問題，但實際上哪怕在大洋對岸，FBI和CIA乃至於摩薩德也從來沒有放棄我上面說的這種監視計劃，他們走的要比我們遠得多。強力部門不太可能向民意妥協，因為民意似水民動如煙，每一種思潮的奧弗頓視窗期就那麼點，但各種惡性犯罪會永遠存在並且需要強力部門實際投入資源去解決。
一旦涉及到“我家裡真的有一頭牛”，所有人就會瞬間老實。
當然如果你真的認為公民隱私對你來說非常非常非常重要，可以選擇去相關部門網站的民意咨詢中寫下你的顧慮與建議，也可以考慮發表專門的學術論文來論證這一套系統無異於壓縮犯罪/對社會弊大於利。
Q3：這一系統是否會被濫用？
A：當然會，我在分析問題時通常不會相信任何崇高。不過所幸建設這一系統所需要的巨量資源和上層建築準備目前來看全世界都沒辦法在中短期內籌集到，如果真建成了在我的推演內也是利大於弊。
參考文獻
1️⃣ 胡銘 嚴敏姬.大數據視野下犯罪預測的機遇、風險與規制——以英美德“預測警務”為例
2️⃣ 朱浩文.大數據犯罪預測的法律分析
3️⃣ 李皛.美國“預測性警務”的發展與困境 Predictive Policing in the United States：Developments and Dilemmas
4️⃣ Mandalapu, V., Elluri, L., Vyas, P., & Roy, N. (2023). Crime Prediction Using Machine Learning and Deep Learning: A Systematic Review and Future Directions. IEEE Access, 11, 60153-60170. https://doi.org/10.1109/ACCESS.2023.3286344
5️⃣ Safat, W., Asghar, S., & Gillani, S. A. (2021). Empirical Analysis for Crime Prediction and Forecasting Using Machine Learning and Deep Learning Techniques. IEEE Access, 9, 70080-70091. https://doi.org/10.1109/ACCESS.2021.3078117
6️⃣ Kaur, M., & Saini, M. (2022). Indian government initiatives on cyberbullying: A case study on cyberbullying in Indian higher education institutions. Educational Information Technology, 1-7. https://doi.org/10.1007/s10639-022-11168-4
7️⃣ Kaur, M., & Saini, M. (2023). Role of artificial intelligence in cyberbullying and cyberhate detection. In 2023 14th International Conference on Computing Communication and Networking Technologies (ICCCNT), Delhi, 1-7. https://doi.org/10.1109/ICCCNT56998.2023.10308090
8️⃣ HE Rixing, LU Yumei, JIANG Chao, DENG Yue, LI Xinran, SHI Dong. (2023). Progress in Research and Practice of Spatial-temporal Crime Prediction over the Past Decade. ISPRS International Journal of Geo-Information, 12(4), 236.