Data Scientist and Analytics Engineer还有前途吗?怎么转型

提问

AI根据立正公开的文章和视频整理,不是他本人回复

有前途,但前提是离开“分析、建模、报表、实验”这类中间层执行位,往更接近模型和结果的位置走:设计系统、定义评估、对结果负责。

危险的不是岗位名,是可被压缩的执行动作

立正把 Data Scientist 归为中间层岗位:懂一点业务、操作一点数据、输出一点洞察、支撑一点决策,这些具体动作恰好是 AI 最擅长压缩的。他更早也讲过类似判断:机器学习真正的价值是工程问题,多数公司招数据科学家做 ML 未必比招 ML 工程师划算,而很多学数据科学的人还停在“学 DS 就该做模型”的想象里,没去补工程能力⁠1。所以“有没有前途”要看你实际在做什么,而不是头衔叫什么。

转型方向是往结果和系统那一端靠

他给的方向不是原地补技能,而是主动走到更接近模型、也更接近结果的位置,AI engineer、AI PM、builder 之类名字不重要,重要的是负责设计系统怎么用 AI 把结果做出来:把模糊业务问题翻译成 AI 能消费的 context、设计 eval 和反馈回路、编排模型工具数据流程、判断什么该自动化什么该人工接管⁠2。判断标准可以简化成一句:你是在设计系统,还是只在维护流程。他也提醒先拷问自己的工作是否真的创造了价值,DS 存在一种畸形繁荣,而真实世界里并不是越难的事越值钱⁠3。

先动起来,别停在聊天框里

AI推演

面对“程序员加 AI 效率更高”的焦虑,他的回应是承认这一点,但指出编程不是创造价值的唯一环节,商业和真实世界的复杂性里还有大量空间;他更强调决心先于方向,什么都不改变才是最冒险的选择⁠4。他自己在 2023 年就判断不能再在 DS 这个岗位上继续做下去,于是离开大厂去 startup,选做 A/B 实验这类 AI 生产不出来的事,因为实验的意义在于证明你错了⁠5。对 Analytics Engineer 这类更偏数据管道和指标定义的岗位,材料没有直接讨论,可迁移的判断是同一套:看你的产出是别人能直接拿去决策的结果,还是一段可被自动生成的中间产物。

材料主要讨论 Data Scientist,对 Analytics Engineer 没有直接论述,相关部分是类比推演。

回到5份原文

没有工程背景的 DS 转型第一步做什么最有效?

追问

AI根据立正公开的文章和视频整理,不是他本人回复

先别补工程课,先用 AI 编程工具把一个真实的小问题做成能跑、能验证的闭环,再按遇到的坑补工程知识。

先做一个能验证的最小闭环

立正提到,没有编程背景的人一晚上就能学会用 Cursor 或 Claude Code 这类工具,第一道门槛其实是对编程环境祛魅、不要怕,而不是先学完一整套工程知识⁠1。他也主张从最小可行性做闭环、之后再迭代,并强调不过度设计,遇到想搞复杂的事时优先用市面上已有的方案⁠2。对 DS 转型来说,这意味着第一步可以选一个你本来就懂业务判断的小任务,比如把一份分析结论做成可复用的脚本或小工具,让 AI 帮你写、你负责定义什么算做对了。这样你能立刻看到自己缺的是环境操作、需求描述还是验证能力,而不是在抽象课程里猜。

值钱的是判断力,工具只是执行

立正在讲简历时说过,机器学习只是把假设落地的工具,真正稀缺的是你对行业和问题的判断,以及能拿出证据证明结论为真⁠3。所以转型的重点可能不是把自己变成工程师,而是把“我能定义问题、能验证结果”变成可展示的东西。他也在谈职业路径时强调,做过真实项目、解决真实问题,比只停留在个人练习更有价值⁠4。一个可试的做法:把这次小闭环的决策过程写下来——为什么这样拆问题、怎么判断结果可信——这份记录比多学一个框架更能说明你的转型进度。

现有片段没有专门讨论 DS 转型的完整路径,以上是从 AI 编程入门和职业判断的相关说法推出来的;具体先做哪个任务,还要看你现在的岗位和数据条件。

回到4份原文