AI职业进阶指南：资深数据科学家的硬核建议

数据分析、数据科学、机器学习、深度学习、AI——这些词汇如今无处不在，但对想进入这个领域的人来说，它们带来的困惑往往多于兴奋。从哪里开始？要学多少？证书够用吗？在AI飞速发展的当下，你是不是已经落后了？

Geeks for Geeks的一档播客邀请了三位一线从业者——拥有11年AI经验、现任数据科学总监的Sampoon Ratan Jain，数据科学家兼导师Jain，以及深耕机器学习课程五年的Ashish——从实战角度拆解了这些问题。以下是这场对话中最值得记住的观点。

这些名词不是同义词，而是台阶

很多人把数据分析、数据科学、机器学习混为一谈。三位嘉宾的共识是：它们是层层递进的台阶，而非可互换的概念。

Sampoon把终极目标称为"全栈数据科学家"——一个人应当能搭建仪表盘、做探索性数据分析、构建机器学习模型、写提示词、实现RAG方案，甚至设计agentic AI系统。"要学的东西确实很多，但数据科学家确实需要全部掌握，只是不同岗位在各项上的深度要求不同。"

Ashish补充了一个实用的分流建议：当有人说"我想进入AI"时，他会先问对方是想转行做AI还是想把AI融入现有工作流。如果你已经是设计师或剪辑师，那就直接用市面上的AI工具让自己效率提升10倍、20倍；如果是想从零起步做AI职业，那就从基础打起，同时并行学习Gen AI方向的项目——因为在Gen AI这条路上更容易建立职业起点。

学得越多≠越有竞争力

一个反直觉的观点贯穿全场：技能堆砌是陷阱。

很多学习者觉得自己Python、SQL、统计、ML、深度学习、云、MLOps什么都懂，但Jain指出，如果不能把这些技能应用到有意义的项目中去解决实际问题，学习就永远没有尽头。"与其学一万种技能，不如学好几个能成为项目基石的东西，然后真正做出一个能放进简历、也能证明你所学的项目。"

Sampoon用自己2015年入行时的经历作类比："当年我也觉得要学的东西太多，11年过去了，2026年的人还是这么觉得，10年后依然如此。"他点破了一个教育的本质——你最终只会用到所学的10%，但没人能提前知道是哪10%，所以学校才把什么都教给你。动手做项目，是发现自己那关键10%的最快方式。

数学没那么可怕，两周足够

针对初学者对机器学习数学的恐惧，Sampoon给出了一个大胆判断：数据科学所需的全部数学，两周就能搞定。

他解释说，机器学习分为代码和数学两部分。代码部分如今极其简单，一个算法就四五行；难的仍然是数据清洗。而数学部分被很多人当成"大灰狼"，其实只需要"挑重点"——你不需要背矩阵乘法、点积的所有复杂公式，只需要理解"把这个输入丢进点积，会得到什么输出"这种概念层面的认知。

具体需要学什么？统计基础、概率、矩阵乘法基础，以及微积分中的微分、链式法则和偏导数。"面试官不会让你写出PCA或SVM的公式，他们关心的是你理解不理解这个方程为什么被用、输入是什么、输出该如何解读。"

Ashish给出了正确的学习顺序：不要先花三到六个月啃完数学再进机器学习，而应直接进入机器学习，遇到需要深挖的数学概念再回头补。这样整条路径能在两周内走完，否则轻则三个月、重则一年。

深度学习不能跳过，但生产环境在"少用"它

关于是否必须学深度学习，嘉宾们态度一致：不能跳过。

Jain用工具箱作比喻——自行车能做卡车做不到的事，卡车也能做自行车做不到的事，深度学习只是工具箱里的另一件工具。Sampoon则点明了更深的逻辑链：所有生成式AI模型本质都是深度学习模型。不懂深度学习，就不知道如何定制Gen AI模型；不懂CNN就处理不了图像；不懂RNN就理解不了为什么Transformer成为主流。

但他也观察到一个有趣的行业趋势：生产环境在"尽可能少用"深度学习。原因有三——可解释性（银行反欺诈仍用机器学习算法，因为需要解释性）、延迟（机器学习响应是毫秒级，深度学习和Gen AI要好几秒，想象一下UPI支付要等10秒）、以及成本（大型深度学习模型即便做推理也需要GPU）。所以大量生产模型要么是机器学习，要么是Gen AI，但深度学习作为底层原理，人人都得懂。

Transformer与RNN的历史脉络值得单独说明。RNN（循环神经网络）是处理序列数据的早期架构，通过"记忆"前序信息来理解上下文，但存在长距离依赖难以捕捉、训练速度慢等缺陷。2017年Google发布的论文《Attention Is All You Need》提出了Transformer架构，完全基于自注意力机制（Self-Attention），彻底抛弃了RNN的递归结构，既解决了长距离依赖问题，又天然支持并行计算。如今几乎所有主流大语言模型（GPT、Claude、Gemini等）都以Transformer为骨架。理解RNN的局限性，正是理解Transformer为何能成为主流的前提——这正是文中所说"不懂RNN就理解不了Transformer"的含义。

提示工程已死？它只是变成了人人都会的技能

Jain复盘了提示工程的兴衰：2022年人人都想当提示工程师，公司也开出高薪；到2024年这个岗位几乎消失。

他的解读很到位：提示工程从未消失，只是从一项独立技能变成了人人都掌握的通用能力。当医生、律师这些领域专家都开始用LLM时，一个懂本行框架的医生显然能为医疗模型写出比外行更好的提示词。所以提示工程"悄然失去了作为独立职业的意义"——不是没用了，而是太普及了。

**"上下文工程"（Context Engineering）**是2025年前后兴起的新概念，由Andrej Karpathy等人推广，被部分从业者视为提示工程的进化版。其核心主张是：真正决定LLM输出质量的，不只是提示词的措辞，而是你为模型精心构建的整个上下文——包括系统提示、检索到的文档、工具调用结果、历史对话、少样本示例等所有信息的组织方式与优先级。文中嘉宾将"上下文工程"与"提示工程"并列作为热词来调侃，正是因为这类新概念在实践落地前往往经历一段炒作高峰，随后要么融入常规工程实践、要么悄然消退——这也是他建议"等一等看一看"的依据。

简历上，只有"作品"和"可辩护性"重要

谈到招聘，Sampoon的态度斩钉截铁：只看项目。

"我不在乎你叫数据科学家、数据工程师还是ML工程师，甚至Excel工程师。只有项目重要，是能证明你真实能力的作品。"而且这个作品你要能在面试中"defend"（辩护）——为什么选这个模型？为什么用这个特征工程？为什么这个提示词？部署在哪里？所有的"为什么"你都答得上来，才算你真懂。

最大的简历红灯是什么？技能堆太多。HTML、Excel、邮件写作这类被默认具备的技能不该出现，Sampoon甚至见过有人把"电脑"写进技能栏。他建议花整整一周打磨简历，并做到机器可读。

至于证书，共识是作品优先于证书。但有实操、有作业、有真实项目支撑的结构化证书仍有价值，Jain用"驾照"作比：会开车是能力，但要让别人信任你上车，你需要一张驾照来建立可信度。同时嘉宾也调侃，证书的分量更多取决于发证机构的信誉——毕竟"你可以让Gemini生成一张证书"（当然带水印）。

别追热点，追"可迁移的底层能力"

面对"AI每天都有新工具，是不是要全学"的焦虑，Sampoon给出了一个身处AI行业却反常识的建议：主动回避AI新闻。

"AI炒作太多了。提示工程岗位来了半年就消失，上下文工程来了半年也没人提了。你不需要学所有东西，等一等看一看，真正好的工具会熬过炒作期，那时你再去适应它。适应力（adaptability）才是每个技术人的核心能力。"

Ashish则给出了一个可操作的项目选题方法：去你想应聘的公司的JD里找最高频的10个关键词，围绕共性关键词做项目。如果RAG是热词，就想清楚哪个行业最适合RAG、有哪些数据集、用什么分块技术，然后深挖每种技术的差异。"库和数据库都一样，变的只是场景。而且如今建项目不难，难的是部署——每加一个功能就部署一次，发到LinkedIn上获取免费的自然流量和反馈，快速构建、更快失败。"

Jain的收尾观点最有分量：真正无法被AI替代的，不是某个工具或语言，而是创造力、解决问题的能力、公众表达和沟通能力。"往内看，而不是往外看。有了这些，无论去哪个领域，AI也好、竞争也好，都替代不了你。"

**RAG（检索增强生成）**是当前企业落地大语言模型最主流的技术方案之一。其核心思路是：不对LLM本身进行昂贵的微调，而是在推理时动态检索外部知识库中的相关文档片段，将其作为上下文一并输入模型，从而让模型能回答训练数据之外的私有或实时信息。典型流程包括文档分块（Chunking）、向量化（Embedding）、存入向量数据库、用户提问时相似度检索、拼接上下文后生成回答。文中提到的"分块技术"正是RAG工程化中的关键细节——不同的分块策略（固定长度、语义分块、递归分块）会显著影响检索质量和最终回答的准确性。

结语：闭嘴，去做

当被问到"AI跑得太快，别人都比我早开始，我是不是已经太迟了"时，Sampoon的回答简单粗暴："Shut up and do it（闭嘴，去做）。担心做这件事不等于做这件事，计划做不等于做，想着做也不等于做——做，才是做。"

他提醒，AI研究自1954年就已存在，中间经历了近40年的"AI寒冬"，如今只是"AI之春"。真正该学的唯一一件事，正如Ashish所说，是"保持快速学习"——因为技术变化太快，没人能看清5年、10年后的样子，能持续适应的人才会成为top 1%。

主持人Nishita的总结点破了核心焦虑：AI就是"互联网2.0"，它不会抢走你的工作，但会用AI的人会抢走你的工作。10个人的活将由5个用AI的人完成。保持相关性，靠的不是追逐agentic AI这类热词，而是扎实的基础加上持续的适应。