两个 track 的差别不在高低，而在你解决的问题是否需要复杂模型：Analytics 靠 SQL、可视化和业务判断，Scientist 靠统计建模，且后者的优势正在被工程能力挤压。
AI根据立正公开的文章和视频整理，不是他本人回复。重要的判断，请回到出处核对。
两条 track 的分界是模型复杂度
立正把 Data Analytics 和 Data Scientist 区分开：Analytics 一般不用复杂模型解决问题，Scientist 则要用复杂的数学模型1。落到技能上，analytics track 会 SQL、做数据可视化基本就够；scientist track 还要用 Python 处理更大规模的数据、做特征提取，最后建机器学习模型2。所以选哪条，先看你更愿意把时间花在业务问题上，还是花在建模上。他也提醒，做 ML 的看不起做 DA 是普遍误区，从解决问题的复杂程度和价值看，两边都有很有价值、也很复杂的地方1。
Scientist 的建模优势正被工程能力挤压
如果冲着机器学习选 Scientist，要注意立正的判断：绝大多数 data scientist 并不适合做这件事，因为做到最后，在什么机器上训练、怎么优化，其实是工程师更擅长的3。深度学习更像工程理解主导的场景，真正做机器学习的公司几乎都走向工程路线，亚马逊叫 applied scientist，要过程序员的 coding bar、能写 production code，Facebook 干脆叫 machine learning engineer4。也就是说，纯建模的差异化越来越薄，工程能力反而成了门槛。
title 本身不决定你的价值
AI推演立正后来把 DS 说成一个被发明出来的假 title，真正重要的是你想帮公司增长 revenue，通过什么方式增长，他不想被限制在数据里5。这提示选 track 时可以换个问法：哪条路让你更接近业务结果。如果目标是尽快独立解决业务问题，Analytics 上手快、反馈直接；如果目标是长期做模型和实验，就要接受补工程能力这件事。可以先在现有工作里挑一个真实业务问题，试着把它翻译成数据问题再给出结论6，看自己更享受定义问题还是打磨模型，这个反馈比 title 更能帮你判断。
这些材料集中在 2020 至 2022 年，行业对两个岗位的定义和招聘要求此后可能已有变化。
出处
- 1数据工作的三大类｜用人工智能装逼被打脸的故事｜课代表聊数据第一期
最直接区分 Analytics 与 Scientist 的定义和常见误区，适合先读。
- 2互联网企业对数据科学家能力要求 | Data Scientist求职 1/3
讲两条 track 各自需要的技能，适合核对具体能力差异。
- 3数据科学家职业理解
可回到原文核对这部分判断
- 4数据科学家真的适合机器学习吗？｜课代表讲数据第三期
解释为什么机器学习越来越偏工程，适合判断 Scientist 的长期方向。
- 5如何才能让金钱跟你走？｜响歌歌逆向访谈下
把 DS 看作假 title、强调业务结果，适合跳出 track 之争想问题。
- 6成为数据科学家要学什么| Data Scientist求职 2/3
可回到原文核对这部分判断
追问2026年10月16日
如果我想走 Scientist 但工程能力弱，应该先补什么？
先补到能过 coding bar 的程度：把模型真正跑进产品、能自己写代码落地，而不是继续堆模型知识。
Scientist 的门槛里本来就有工程
材料里的观点立正讲机器学习岗位时提到，这类角色常被叫 machine learning engineer 或 applied scientist，本质是相关专业的博士，但还要过一道 coding bar，也就是具备软件工程的编程能力，才能把自己写的模型直接用到产品上1。他还说，真正的模型很少是自己开发的，多是调用现有模型加调参，而 AutoML 这类工具正在把工程环节自动化，所以工程问题会越来越多交给工程师，只有一小部分人去做“该用哪个模型、怎么把模型变好”的科学问题1。这意味着工程能力弱不是可以绕开的短板，而是这条路的入场条件。
工程能力是积累出来的，不能一步登天
AI推演立正强调工程 know-how 需要很强的积累，要一步一步做出来，不能一步登天；他举的例子是从清理数据开始，再到怎么用大模型、怎么调度算力、怎么快速迭代，把这一系列工程问题解决掉才有希望2。他还用材料科学和芯片说明，工程能力很难被复制，因为一步差一点、多步叠加后良品率会差很多3。放到你身上，可迁移的做法是先选一个能真正跑起来的小项目，把数据清理、训练、部署到能被人使用这条链路走完一遍，观察自己在哪一步卡住——卡住的地方往往就是最该补的工程环节，而不是再去多学一个模型。
这些判断来自 2020 年前后关于数据科学家与机器学习的视频，岗位要求可能已变化；材料没有给出具体补工程能力的课程或顺序。
出处
- 1Data Scientist是干嘛的 | 机器学习是归宿吗｜数据科学家的价值何在
说明 Scientist 类岗位本身要求过 coding bar，以及工程问题为何逐渐交给工程师。
- 2国产ChatGPT有戏吗？
说明工程能力需要逐步积累，并给出从清理数据开始的补法方向。
- 3ChatGPT的理解、思考、与合理推演
用材料科学和芯片的例子解释工程能力为何难复制、为何值得先补。
你也有想问的？
卡住的时候，问问立正：回答附有出处，可以点回原文核对。
也可以接着问：
别人还问了
- 课代表立正在哪里讲过为什么要多用动词，少用名词，怎么拆解一个概念，怎么用prompt
立正在《为什么所有人都在学名词，但真正拉开差距的是动词》和《AI的正确打开方式：不学概念，学动作》里讲过：名词是地标，动词是走路的能力，拆概念就是把它还原成一组动词。
- 我觉得工程能力越来越重要 哪怕不用在工作上 做副业或者生活流程上都很好。分析师是离业务更近但从分析师变成业务manager或者director感觉在美国存在天然天花板。这样来看似乎DS的投入至少金钱的回报和长期发展上更好 对吗
不能简单说DS在金钱回报和长期发展上更好。副业收入高低取决于能否完成价值交换，职业天花板则取决于你带来的是维持还是增量，两者都不由岗位名称决定。
- 一个打算做几十年的非营利社群，不把规模当目标。它应该怎么定义成功，才不会变成假装忙碌的 fake work？什么样的成功定义是真的？
把成功定义成"某个具体的人或事发生了可验证的改变"，而不是活动量、成员数或影响力这类感觉。指标只是衡量策略的代理，不能当目标本身。
- 大家都在抢着用 AI agent，把能自动化的都自动化了。往后看十年二十年，这个世界会缺什么？什么会变得真正稀缺？
稀缺的不是会用 AI 的人，而是能判断 AI 结果好坏、能收口负责的人，以及愿意把时间还给身体、关系与思考的人。
- 有个投资人讲 alexzandra wang
最直接的是周楠那期访谈，标题就点明他讲 Alexandr Wang 为什么是顶级创始人；片段里还提到 Scale AI 在 2021 到 2022 年因自动驾驶降温而客户变少的转折。
- 找到10%高价值的工作，但是在AI时代，对于data scientist来说，高价值的工作是什么呢？我觉得我之前很多的高价值的工作现在都没有价值了，而且留不下来，而且别人不会觉得是我做的。
AI 让“处理信息”这件事变便宜，所以数据科学里原来值钱的分析、建模、报表正在贬值；新的高价值位置是判断该做什么、把模糊问题变成可执行系统，并对结果负责。