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。
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。
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。
出处
- 1数据科学家真的适合机器学习吗?|课代表讲数据第三期
可回到原文核对这部分判断
- 2AI时代,大厂打工人的五条路
最直接回答转型方向,列出设计系统所需的四项能力和“设计系统还是维护流程”的判断标准。
- 3EP77 Startup 选择、AI Evals 怎么做、Data Science 未来
立正本人回应“DS 接下来怎么转型”,提出先拷问工作是否真正创造价值。
- 4AI会干掉中产吗?一场来自科技从业者的深度对话
针对 DS 面对 AI 的具体建议:决心优先、编程不是唯一环节、别停在聊天框。
- 5为了躲开AI,我差点去美国开餐馆,最后为什么卖起了课?
他本人转型的实例:离开大厂去 startup,选择 AI 生产不出来的 A/B 实验方向。
追问2026年10月23日
没有工程背景的 DS 转型第一步做什么最有效?
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。
出处
- 1从焦虑到上手: 白领/投资者的AI实战第一课【串台课代表立正】
讲没有编程背景的人学 AI 编程的三个门槛,适合核对“先祛魅、先上手”的判断。
- 2在《我刻意停止 architect,只為做出真正好用的東西,第一個作品做了language tutor agent》下的回复
讲最小可行闭环和不过度设计,适合理解第一步为什么先做小而不是先搭系统。
- 3满分简历第一步:明确目标,第二步:删掉90%,第三步:照着这个视频做|真实案例分享
讲判断力和工具的关系,适合理解转型中什么能力更值钱。
- 4起跑线重置!如何在大模型时代职业弯道超车?|YC 3/3
讲真实项目对简历的价值,适合判断闭环成果怎么用。
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
- Ai时代ds岗位会被取代吗?
不会整体消失,但“只做信息搬运、只靠单一技能”的 DS 岗位风险很高;越靠近业务结果、能对结果负责的人越难被取代。
- Ds目前没工作在重新找工作 你说ds工作终究被取代 意味着不要再找ds工作更好吗还是什么 到底改变什么
被取代的是你已经解决过的那一层工作,不是“数据科学”这个方向本身;所以不必因为这句话就放弃找 DS 岗位,但值得把求职重心从“会用什么工具”挪到“能为哪个具体结果负责”。
- 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。