立正把数据科学家和机器学习工程师、研究科学家分开看：后两类人负责搭模型，数据科学家做的是应用、分析和解决问题，不需要造最复杂的模型。所以物理、心理学等做过定量研究的博士，技能也够用。这解释了他为什么看重这份工作：它贴近业务，能把数据变成判断。他也批评过一种反面情形——高级数据科学家做大量分析，看上去很专业，实际对业务没有用，他把这类产出叫作 fake work⁠1,2。

他讲自己为什么选择做数据相关的工作时，重点不在模型多先进，而在很多公司连基础数据都没有，也不清楚哪些用户行为算好信号，常常追着指标跑，而不是用指标衡量真正的目标。在他看来，把数据基建搭好、帮公司理解用户和实验结果，是有大量事情可做的地方。按这个标准，数据科学家的处境取决于所在公司是否真有这些问题要解决、是否愿意把分析用于决策；如果只是产出报告，价值就会被质疑⁠3。

现有片段里，立正没有比较过 AI 时代前后数据科学家这个岗位的好坏，也没有说过它变差了。能推出来的只是：如果 AI 让建模和写分析报告更便宜，那么只做模型或只交报告的部分更容易被替代，而理解业务目标、判断什么指标有意义、把结论落到决策上的部分仍然稀缺。这是从他对 fake work 和数据理解的批评延伸出的推论，不是他的原话⁠2,3。

立正把机器学习拆成两层：绝大多数公司里真正要做的是把模型接进产品、保证可用和迭代，这是工程问题；只有少数人有机会解决“该用什么模型、怎么让模型更好”这类科学问题。他提到，现在很多模型不必自己开发，调用现成模型加调参即可，AutoML 一类工具还把调参自动化了，所以工程部分更适合有编程能力、能过编码门槛的机器学习工程师来做，而不是数据科学家⁠1,2。他也观察到，不少公司招数据科学家做机器学习，慢慢会发现效果和效率未必比招工程师好⁠1。

在立正看来，数据科学家的核心不是写模型，而是把商业问题转成数据问题，最后仍回到解决商业问题；统计和编程是工具，产品感和业务理解才是难点，而这部分网上资料最少、最需要练⁠3,4。他也批评过一种现象：职级答辩时为了显得技术过硬，硬用深度学习去解决一个根本不需要它的业务问题⁠5。这和他对分工的判断一致：模型是手段，判断该不该用、用来解决什么，才是数据科学家该负责的部分。

立正并不认为数据科学家就该被挡在机器学习之外。他后来谈到，数据科学家加 AI 的效率也远高于过去，编程能力越来越普及，而且可以找程序员合作；关键是别停在聊天框里，要真的用工具做出东西⁠6。所以更准确的理解是：谁对最终产品交付负责，工程能力就该在谁手上；数据科学家若想主导模型落地，需要补工程能力或找到工程搭档，否则更适合守住业务判断这一端。

传统数据科学家被看作一种中间层岗位：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 最擅长压缩的部分，所以这个职业的护城河在变薄，甚至有说法认为在数据科学家这个“必将消亡的职业”上多花时间都是浪费⁠1,2。早年的视频也质疑过把机器学习当成数据科学家的比较优势，认为那更像工程问题⁠3。不过同一批材料也承认，数据科学家加上 AI 之后，效率远超过去不用 AI 的水平，编程能力本身也在变得不那么稀缺⁠4。

给出的方向是往更接近模型、也更接近结果的位置走，头衔叫什么不重要，关键是负责设计整个系统怎样用 AI 把结果做出来，而不是只做一段具体执行⁠1。具体能力包括：把模糊的业务问题翻译成 AI 能用的背景信息，设计评估标准和反馈回路，编排模型、工具、数据和流程，判断什么该自动化、什么该人工接管⁠1。还有一层是从价值本身出发，先想能帮谁多赚一点，再倒推自己该会什么，而不是从自己会什么出发去找用途⁠5。

面对数据科学家被 AI 挤压的处境，有一种判断是：什么都不改变才是最冒险的选择，所以第一个问题不是怎么变，而是要不要变，行动的决心比方向更重要⁠4。同一处也提醒不能停在聊天框里，要把 AI 和 agentic coding 这类工具真正用起来，让它成为杠杆⁠4。这条判断有适用条件：它针对的是还想留在组织里、但不愿被原岗位定义的人；如果一个人更看重稳定和现有积累，迁移的代价和时机需要自己权衡。