第一步不是先学某个工具,而是想清楚数据科学真正交付的是什么——更好的决策;然后把这个判断带进产品,用能跑起来的东西验证它。
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。
先认清你原本交付的产品是决策
材料里的观点立正把数据科学的核心产品定义为“更好的决策”:要不要改产品、资源投向哪类用户、项目该扩大还是停止。SQL、仪表盘、模型都只是中间品。如果分析快了十倍,组织仍不知道下一步做什么,那只是更快地生产中间品1。这个判断对转产品很关键:你带过去的不是建模手艺,而是判断“什么值得做、什么结果算好”的能力。他也提醒,AI 是杠杆,方向对了会放大,方向错了也会把错误做大1。
别停在聊天框,先做出能跑的东西
立正给数据人的建议里,行动决心排在方向之前,因为“什么都不改变才是最 risky 的选择”。他明确说:一定不能停留在聊天框里,要用 agentic coding 工具,让 AI 成为杠杆而不是对话伙伴2。同时他区分了“用 AI 写代码”和“做 AI 产品”:判断标准是用户使用时 AI 是否参与 runtime,只在开发阶段帮忙写代码属于 AI-assisted building3。所以第一步的产出应该是一个用户能实际使用、AI 在运行时参与判断或行动的小东西,而不是一份方案文档。
把隐性判断外化成可复用的规则
AI推演立正的三层展示框架里,第三层是能把自己的判断力“教给”AI:对数据科学家来说,就是实验方法、指标口径、分析思路,从“我有感觉但说不清”变成规则、模板、上下文4。这一步对转产品的人尤其有用:产品要的是把模糊需求转成高质量上下文,让团队和 AI 都能直接执行4。结合你自己的处境,可以先挑一个你熟悉的业务决策,写清判断标准和数据口径,再用 AI 做出一个能跑的原型,观察别人是否真的据此改变了决定——这是 AI 基于上述材料的应用建议,不是原文规定。
材料没有给出转岗的具体路径、时间表或招聘要求;《杨天楠:看似体面的工作,实则都是在表演?》5中关于数据科学家与决策关系的讨论有大量未确认发言,未用于回答。
出处
- 1到底什么才算AI Native人才?|如何unlearn?
说明数据科学的产品是更好的决策,以及 AI 只是放大判断的杠杆。
- 2AI会干掉中产吗?一场来自科技从业者的深度对话
给出数据人行动优先、不要停在聊天框的具体建议。
- 3AI产品的六个层次
区分 AI-assisted building 与 AI 产品,提供判断标准。
- 42026,如何在面试中证明自己"真的懂AI"
讲如何把隐性专业判断外化成 AI 可复用的规则与上下文。
- 5杨天楠:看似体面的工作,实则都是在表演?
可回到原文核对这部分判断
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总是在给了我一个解决方案,我试过之后猜发现哪里不好,怎么才能有效的评价AI给出的解决方案呢?比如工具的选择。尤其是一些技术细节,我并不知道这里的优劣之分。
评价 AI 方案的关键,是先写清“什么算对”,再让 AI 给出可核对的依据;工具选择往往不是重点,先判断问题值不值得做、验收标准是什么。
- 想入职 agent 开发,解决过什么问题最硬
最硬的问题不是“我调通了 agent”,而是你解决过一个真实场景里 agent 不可靠、不可信或落不了地的问题,并能说清取舍和验证。
- 怎么样写好评判标准?
先写清“什么算成功”,再定可接受的错误阈值;标准要能随真实用户反馈迭代,而不是套现成模板。
- 你在AI上的支出和花销是多少?token是主要的支出吗?给出具体数字
嘉宾梁津晶说,若纯按 API 计价,她每月用量“好几万”美元;但她实际只买各家约 200 美元的订阅套餐,所以真实现金支出远低于这个数。片段没有给出精确总额,也没有把 token 单独列为支出项。
- 立正是open ai股東嗎
按这段公开转录,立正说自己持有的是换成OpenAI股票的那部分,不是说他另外买了OpenAI股份。
- 对于个人而言,怎样才叫真正的AI native,包括生活、工作和学习
真正的 AI native 不是会用多少工具,而是把一件具体的事重新做一遍:看清结果、改掉旧流程、用 AI 放大自己的判断,并拿出证据。