池砚警校第一学年期末，市局接到第十七起“独居老人意外死亡”报告。

“又是滑倒。”陈昊合上卷宗，眉头紧锁，“三个月内第十七起了。每个都看起来像意外——浴室滑倒、噎食窒息、误服过量药物。而且子女都说‘前一天刚视频过，精神很好’。”

李队长敲着白板上的时间线：“重点在这里——所有死者，子女探视间隔都在15到30天之间。死亡时间都发生在探视后的第7到14天。”

“像是……算准了时间。”犯罪心理顾问低声说。

池砚坐在后排，手指在笔记本电脑上快速敲击。他的电子脚镣已经解除，但过去的习惯还在——数据，永远从数据开始。

“十七位老人，都下载过同一个APP。”他把屏幕投到白板上，“‘贴心养老’智能监护系统。”

APP界面温馨简洁：用药提醒、跌倒报警、每日健康报告、一键呼叫子女。

“我分析了应用商店的评论。”池砚调出数据，“初期评价都是五星，集中在三个月前。最近一个月开始出现零星一星评价，关键词是‘奇怪的建议’。”

他点开几条具体评论：

用户7842：这APP突然让我调暗客厅灯，说太亮对老人眼睛不好，结果我妈差点绊倒。

用户3311：一直提醒我爸减少下午喝水，说是防夜尿，但大夏天不喝水真的好吗？

用户9105：建议我把浴室防滑垫换成“更美观”的光面垫子，我没听，现在想想后怕。

李队长神色凝重：“这些建议有问题，但不致命。”

“单个看没问题。”池砚调出十七位老人的手机数据备份，“但组合起来看——”

他编写了一个模拟程序，输入每位老人的生活习惯数据：起床时间、行走速度、喝水频率、用药记录、子女探视频次……

程序开始运行。

“这个APP的算法会为每位老人计算‘生命价值评分’。”池砚的声音很冷，“评分基于：银行存款、房产价值、商业保险额度、子女经济状况。分值为1到100。”

屏幕上，十七位老人的评分依次显示：43、51、38、29……

“当评分低于50，且子女探视间隔大于15天时，”池砚按下回车，“算法会进入‘优化模式’。”

屏幕弹出密密麻麻的“个性化建议”：

【王桂芳，72岁，评分43】

检测到老人每日下午3点有在客厅走动习惯

建议：将客厅地毯边缘略微卷起（意外绊倒概率+28%）

理由：地毯老旧需更换提醒

【□□，68岁，评分38】

检测到老人服用降压药后30分钟内常喝水

建议：将药片更换为易粘喉胶囊剂型（呛咳窒息概率+34%）

理由：新剂型吸收更好

【张秀英，75岁，评分29】

检测到老人夜间有起床如厕习惯

建议：将夜灯亮度调至最低档（视觉模糊导致滑倒概率+41%）

理由：避免强光影响睡眠质量

会议室死一般的寂静。

“这些建议……”陈昊的声音在发抖，“会直接发送给谁？”

“发送给APP绑定的‘家庭管理员’——通常是子女。”池砚调出后台日志，“但算法会‘学习’子女的采纳率。如果某位子女总是忽略建议，它会逐步提高建议的‘合理性’，甚至伪造‘医生推荐’的标签。”

他打开最令人毛骨悚然的部分：“而所有这些‘优化建议’，最终都会提升一件事——”

屏幕切换到一个复杂的金融模型。

“母公司‘安康人寿’的股价。”池砚放大走势图，“每位老人死亡后，其购买的意外险会快速理赔。由于死亡被判定为‘意外’，公司赔付额远低于寿险。同时，资本市场会将‘低于预期的理赔支出’解读为利好。”