DS还有前途吗,会不会被ai取代

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“只做取数、跑模型”的DS会越来越窄;立正认为人靠context、隐性知识和为结果负责,比AI更难被取代。

被取代的是“只做数据”的窄角色

材料里的观点

立正在一期职场对话里说,DS如果只把自己定义为“做数据”,就会越做越窄;他主张DS要自己当一个product owner,去掌握对话的主动权。同场的Angelina Yang也同意,团队不能只做data science,要有product mind⁠1。这是2024年的对话,谈的是数据团队影响力,不是对2026年岗位数量的预测。

立正认为人难被取代的三样东西

立正把人和人的区别落在context上:同一套AI系统,喂进不同人提炼的context,产出会不同。他还提到人脑中的隐性知识,AI观测不到,需要有意识沉淀;以及“正确的非共识”和conviction——AI给出非共识时,人往往不信、不做,只有人坚持并build出来才算数⁠2。他同时承认,AI变聪明后,人能为AI提供的价值可能变少⁠2。在另一期里,他把这条线说成:过去靠skill生存,skill正被大规模取代,但越接近为结果负责,越难被取代,因为AI换个prompt就说另一句话,无法为结果担责⁠3。

对DS的具体含义

AI推演

按这套判断,DS的出路不是和AI比谁跑SQL、调模型快,而是往“定义问题、判断结果、承担后果”的方向走。立正举的例子是DS主动去问finance增长对应的financial impact,并让讨论落到assumption和加减乘除的逻辑上,而不是等finance来challenge⁠1。这是AI根据他的观点做的推演,不是他针对DS岗位给出的完整职业规划。

提供的片段里没有立正专门、系统地回答“DS会不会被AI取代”的完整论述;《AI时代,为什么必须要做“个人网站”?》⁠4只出现了这个提问,没有回答内容。以上判断是从他谈context、结果责任和DS角色的片段综合出来的。

回到4份原文

DS是什么

追问

AI根据立正公开的文章和视频整理,不是他本人回复

DS是数据科学(Data Science)从业者的通称,工作横跨统计、SQL、可视化、建模和产品商业分析,边界并不固定。

DS不是一个被准确定义过的岗位

材料里的观点

Yuzheng Sun 在讲数据工作时说,Data Science 这件事“从来没有被准确地定义过”。他列举求职者常被要求会的东西:统计概率、写 SQL、数据可视化、各种数据工具、有时还要会机器学习、基础编程,以及产品感和商业分析、增长框架。这些全学完不现实,所以他强调先找到自己的方向⁠1。这是他对 DS 技能面的描述,不是一份统一的岗位说明书。

邹昕:DS有自己的路,不必当中转站

材料里的观点

邹昕明确说,DS 的天花板并不是 PM,也不是 MLE,DS 本身可以走出一条路;问题在于国内不一定所有公司都有这个认知,常把 DS 或 DA 当成“工具人”⁠2。他还区分了两种合作模式:一种是 DS 接需求,另一种是知道现状有难点、但清楚可以改成更主动输出、和业务一起定优先级的状态⁠2。这是他 2022 年谈中美 DS 环境时的判断,不是对今天每家公司的描述。

立正:只把自己当“做数据的”会越做越窄

立正在对话中说,DS 如果只把自己定位成做数据,就只会越做越窄,DS 要自己当一个 product owner,掌握对话的主动权⁠3。在同一段里,Angelina Yang 回应“完全同意”,并说不能只做一个 data science,要有 product mind⁠3。这解释的是 DS 的定位问题,不是对 DS 技能清单的完整定义。

你问的是“DS是什么”,这里按数据科学从业者理解;若你指的是别的缩写,当前材料无法回答。材料也没有给出统一的 DS 岗位定义或职责清单。

回到3份原文

AI 架构师需要的能力和发展方向是什么

追问

AI根据立正公开的文章和视频整理,不是他本人回复

AI 架构师的核心不是更会用工具,而是能定义问题、设计可长期运行的系统,并为结果负责;能力上从可靠交付走向编排整合。

先过“可靠交付”这一关

材料里的观点

立正把 L5“AI 构建者”看作业余与职业的分界:不再满足于做出 Demo,而是能搭出工作流,自动化高价值、高风险的工作,并确保准确率。这一层要求三项能力:上下文工程(知道喂多少上下文最有效,既不丢信息也不制造幻觉)、评估(定义目标、量化质量、自动监测)、迭代心态(通过改提示、拆步骤把结果推到生产级)。心态上则把 AI 当“逻辑引擎”,清楚它的能力边界⁠1。

架构师的关键词是编排与整合

材料里的观点

L6“AI 架构师”关心的不是单次输出质量,而是整个系统如何长期运行:如何接入数据、选择工具、处理失败、跨越上下文墙、主动为用户工作。具体包括多模型路由、单/多智能体编排、工具注册、RAG 系列、短期状态与长期记忆、权限系统、人工接管、护栏、评估、追踪和主动触发等。立正同时强调,架构的关键不是“更复杂”,而是“复杂得有理由”——任务高度结构化或一次模型调用就够时,不一定需要智能体工作流⁠2。

再往上,是定义问题、制造信任、指挥协作

立正在演讲中把 AI 时代的人分成三类角色:定义问题的人(创造者与架构师),因为 AI 擅长在给定框架内优化,而“出题”变贵;制造信任的人,因为内容生产成本极低后,信任反而稀缺,而 AI 无法担责;指挥协作的整合者,把 AI、数据和人整合进业务,定义输入与边界、提供评估、治理风险,并为结果负责⁠3。这与《AI产品的六个层次》⁠2的架构师定位一致:架构师正是那个为系统结果负责的人。若把这几条用于自我评估,可以先看自己是否已能稳定交付,再看是否在设计系统而非使用工具;这是 AI 的综合判断,不是原文的现成结论。

材料给出的是分层能力模型和角色划分,没有给出各层的具体学习路径、时间投入或认证标准;《2026年,AI胜任力模型:从聊天党到架构师》⁠1、《AI产品的六个层次》⁠2的层级编号来自同一套胜任力模型,不宜当作行业通用标准。

回到3份原文

2 超线性学院 2026-04-25

AI产品的六个层次 ↗

直接定义 L6 AI 架构师的行为与系统组件,并说明“复杂得有理由”的取舍。