资料没有逐个比较这六个专业的前景,但立正给了一套选方向的判断顺序:先看行业和平台是否处在增长中,再看岗位成果能否被客观衡量,最后才看起薪差距。
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。
先判断行业和平台,而不是先比专业名字
立正把职业选择拆成几层来看:自己怎么看问题、行业周期、公司平台、直属领导、执行方法。对刚起步的人,他更看重成熟行业或方向带来的基础稳固,以及能增加选择权的平台——大厂或品牌好的小公司都算,因为它们让下一份工作更容易谈。放到你的处境,六个专业本身不直接决定前景,同一个专业进增长中的业务和进边缘业务,几年后的差距可能比专业之间的差距更大。所以可以先问:这个方向对应的行业现在是在扩张还是在收缩,学校这个专业往届毕业生主要去了哪些公司和业务1,2。
岗位成果能否被客观衡量,比起薪更值得看
立正提到,起步阶段要选有清晰成功标准的岗位,工作好坏能被相对客观地衡量,这样能力才能积累、人力资本才能被量化;要避开可有可无的角色。薪资差距在30%以内影响相对小,超过这个幅度才需要警惕,因为它可能说明平台档次不同。套到六个方向上:偏工程实现的岗位(如计算机、自动化里的开发与系统集成)通常交付物明确、容易验证;偏研究或探索的岗位(如人工智能里的算法研究)则更依赖平台和团队,个人成果不容易单独衡量。这不代表后者不好,而是说它更依赖你进的是不是有真实业务和数据的地方1。
用一个具体动作检验方向,而不是先定终身
AI推演立正讲过,数据相关的工作可以分成工程、分析等几大类,学的时候就要朝一个方向积累,因为每样都学一点是学不完的。他也说过,机器学习真正的价值更多落在工程实现上,所以做数据科学的人如果不提高工程能力,去做模型未必有优势。你可以先挑两个候选方向,各找一门入门课或一个小项目做两三周,看自己是更享受把系统跑通、调通,还是更享受从数据里找规律、讲清楚结论。观察点是你遇到卡住时愿不愿意继续钻,以及做完后能不能说清自己交付了什么可被检验的东西——这比问“哪个前景好”更能帮你缩小范围3,4。
资料没有针对这六个专业或上海工程技术大学的分流做具体比较,以上是判断方法,不是对各专业前景的排序。
出处
- 1第11课(下)|强者成事先做选择:道天地将法·实践篇
讲起步阶段怎样排序行业、平台、岗位标准和薪资,是判断方向的主要依据。
- 2第11课(上)|强者成事先做选择:道天地将法·理论篇
补充道天地将法的分层思路,帮助理解为什么先看行业和平台。
- 3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
讲数据工作分几类、为什么要早定一个方向积累,适合对照数据科学与人工智能。
- 4数据科学家真的适合机器学习吗?|课代表讲数据第三期
说明机器学习更多是工程问题,可用来理解人工智能方向对工程能力的要求。
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
- 现在学什么专业 未来前景最好
没有哪个专业能保证未来前景最好;更稳的做法是选一个能训练学习能力和判断力的学科,同时保持对趋势的敏感,别指望一次选对就一劳永逸。
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。