經歷了無人駕駛車跟蹤和懷疑家里有東西進來過以后，貝魯斯雖然天性樂觀，但這一次他不得不允許自己更神經質一些。
數據器不停的計算著案件與案件之間的關聯性，但似乎都是顯而易見的關聯，數據分析和深度學習的結果并不叫貝魯斯滿意。
一些重要的東西被忽略了，他隱隱覺得。數據器的表現不該那么刻板，它完全應該更具創造性，至少找到一些自己未曾留意的關聯和有效特征。
但是數據器在這項任務上顯然有些偷懶。
當人類不知道答案而需要機器給出預測答案時，機器偷懶事實上無法用客觀數據來評價。
它更像是一種人類情感的投射。貝魯斯很清楚自己正處在這種情感投射的沼澤中。
他重新調整了參數，打算再等一個晚上，最近幾周他調整了幾項維度，但依舊沒有進展，甚至沒有包含他隱約感到不安的東西。
數據分析器中的一個案例發生在東南亞——六年前一項骨科手術。
從時間來看這個案例發生的事件和弗利母親的麻醉事故發生時間相差兩個月。
一個發生在泰國，一個發生在西雅圖。
這兩個案例原本貝魯斯歸在兩個不同分類中，但三年前他在走訪這家位于曼谷的醫院時，得到了患者死亡的消息，死亡時間和弗利母親的死亡時間分別在五年前的3月21日和3月20日。
這根本就是同一天。如果不是對弗利母親案例比較在意，貝魯斯也許無法發現這一點聯系。
但是他發現了，人類的直覺告訴他這不會是一個巧合，但是數據器卻認為這件事情在統計上沒有特別價值。
也許是模型設置有問題，這個問題他現在不需要再依賴數據器自身設計的模型來調整，他想到一個更好的辦法，找弗利來幫忙。
他應該沒有理由拒絕這件事，尤其當他知道了母親的事故也許并不是一場純粹的機器人治療意外。
貝魯斯很清楚“醫療意外”和“事故”是兩個絕對不能混淆的詞，“意外”是指意料中發生的不可預測及難以人為控制的事情；而“事故”則截然不同，“事故”必然存在著不合理的操作，或者疏忽以及錯誤的行為和選擇。
十幾年來，機器人手術已經最大可能的減少了人為因素造成的醫療事故，尤其在手術進程中。
但令貝魯斯感到困擾的是，這項數據太低了，低到幾乎可以讓70%的外科醫生失業，甚至這幾年遠程手術也已經成為手術治療的選項之一。
這讓一些經驗不豐富、技術不具備特長的外科醫生逐漸失去豐厚的收入甚至失業。
數據器從一開始就運算出機器人在貝魯斯收集的案例中扮演的至關重要角色。
逐步增加患者死亡時間這項參數后，一星期以來每天睡覺前貝魯斯都讓模型進行運算，可是依然沒有特別有用的結果出現。
真是見鬼，貝魯斯坐在沙發上，他看著自己的兩只手在藍色數據器燈光下泛出蒼白暗淡的顏色。真丑，他感到有些煩躁。