第37章

这一年的新春，顾新橙没有回国。

国内春节假期时，美国的大学已进入春季学期。

春季学期她选了一门名叫大数据商业情报的课，选这门之前，必须得通过概率论与数理统计的考试。

A大经管学院对学生的数学水平要求挺高，顾新橙当年学的大学数学只比同校数学系的学生低一个难度等级而已。

她在寒假期间将概率论与计量经济学两门课又复习了一遍，然而这门课的授课重点却和她想象中略有不同——培养学生利用数据和算法来进行更正确的商业决策。

教授迈克尔对学生要求非常严苛，一开学就布置了一项重要的作业。

他给学生一个数据库，里面大约有十万个用户的信息，包括性别、年龄、年收入、出身地、信用额度等多种维度。

学生的任务是自行设计一个预测模型，利用数据和算法来判断这个用户是否会点击某网站上的一则广告。

由此可见，留学圈的某句话真乃至理名言——条条大路通CS（Computer Science，计算机科学）。

顾新橙以前做过类似的工作，可如此庞杂的算法还是令她有些头疼。

庆幸的是她学过Python，然而如何用编程语言来构建复杂的商业模型，她一时之间没有头绪。

她进行了几种尝试，可结果并不满意。根据她的经验判断，这和实际情况出入太大。

正当顾新橙为难之时，她忽然想到一个人，季成然。

之前她为了给周教授写演讲稿，问过他不少问题。

季成然在信院是妥妥的一枚学霸，编程上的难题请教他应该没错。

顾新橙向季成然阐述了这个作业困扰她的难点，说她编程水平有限，有些地方需要他指点一二。

【季成然：你还会Python，厉害呀。】

【顾新橙：学过一学期而已。】

【季成然：Python挺好用的，我一直以为你们学经管的都是用SPSS或者Stata。】

【顾新橙：现在我们专业不学Python跟不上时代了。】

季成然给了她另外一种思路，让机器自己去寻找预测模型，而不是赋予机器预测模型。

顾新橙恍然大悟，这其实是一种机器学习的思路。

【顾新橙：太感谢了，等我回国一定请社长吃饭！】

【季成然：请不请吃饭无所谓，其实我也有一个问题想问问你。】

【顾新橙：你说。】

【季成然：我跟两三个同学打算创业，不过启动资金不多。银行那边批贷款的条件不符合，想找投资人暂时也找不到，有点难办。】

【顾新橙：你想做什么方向？】

【季成然：AI这一块。】

【顾新橙：你可以看看政府有没有AI行业的扶持政策，北京有一些创业孵化基地，对大学生比较友好。】

【季成然：你说的我们已经在考虑了。但是，去了孵化基地，资金也是最大的难题。我们还是想看看有没有投资人愿意提供资金。】

【顾新橙：创业初期拉投资，商业计划书很关键。你们写了吗？投资人很看重这个。】

【季成然：怎么写？】

【顾新橙：可以去网上查一查，人文社科图书馆应该也能找到相应的资料。】

【季成然：嗯，谢了，我先试一试。】

关闭聊天对话框后，顾新橙长舒一口气。

她再次打开电脑，聚精会神地写作业。

期间凡是编程上遇到的问题，季成然都耐心地为她指点，甚至还替她修改了几个bug。

这份工程量浩大的作业完成之后，顾新橙有了很多新思考。

机器通过学习能进行商业分析，甚至比人类做得更加优秀。

以后，金融经济领域，也会迎来一场颠覆性的人工智能变革——事实上，许多金融行业已经引进AI分析了。

她把作业从邮箱发给了教授迈克尔，没想到第二天收到了教授的回信。

教授夸奖她写作业的态度非常认真，并且说她的方法具有一定的创新性，稍加修改或许可以在期刊上发表论文。

顾新橙受宠若惊，她学的是应用金融，A大并没有硬性规定学生在校期间必须要在相关期刊上发表论文。

可如果真能发表，那自然是锦上添花。

迈克尔给予了顾新橙一定指导，比如说模型的修正。

“机器学习固然好，可有些东西是机器学不来的，你得利用人的思维去纠正机器的逻辑。”迈克尔如是说。

顾新橙将这份作业改写成一篇全英文的论文，迈克尔帮她投递给几份金融期刊。

这些期刊的审稿周期较长，短则半年，长则一年。

顾新橙对此心态很平和，有就有，没有就没有。能获得哈佛教授的认可，已经是对她最大的褒奖了。

时光如弹指过隙，查尔斯江的江水解冻了。

当最后一块浮冰消逝的时候，波士顿的春天已经接近了尾声。