[控场AI]
· 7 分钟阅读· 3,677 字

Jon Krohn对话:LLM如何重塑数据科学家的价值

Jon Krohn对话:LLM如何重塑数据科学家的价值

Claude Opus 4.6让二十年技术技能失去护城河,价值转向上下文提供与商业沟通。

在Super Data Science直播对谈中,Jon Krohn指出Claude Opus 4.6等模型已让MATLAB、Python、机器学习等传统技术技能失去护城河,从业者价值正转向理解需求、提供上下文、改善体验和沟通共识。他结合自身从神经科学到AI的路径,强调学习基础仍能带来深入一层的能力,而vibe coding虽适合快速原型,却因缺乏底层理解导致后期改造成本高昂。对话还涉及AI编排与智能体AI作为当前最值得投入的方向,以及AI发展速度远超直觉的临界点叙事。

当二十年技术积累被一个模型"去中介化"

在最近一场由Josh Starmer和Luis Serrano主持的直播对谈中,Super Data Science播客主理人、Deep Learning Illustrated作者Jon Krohn抛出了一个令人不安的判断:自Anthropic发布Claude Opus 4.6以来,他花了近二十年建立的技术技能——MATLAB、命令行工具、R、Python、统计与机器学习——已经不再构成任何护城河。

Jon Krohn谈未来不确定性

"LLM能做得更好、更快、更便宜,"Krohn说,"这很吓人。"他坦言,过去这些技术能力周围有很宽的护城河,而现在这道墙正在被系统性拆除。但他并没有停留在焦虑里,而是给出了一个清晰的价值迁移方向:从业者的价值正在向更接近商业本质的地方移动——理解需求、改善用户体验、沟通想法、争取共识,以及处理真实世界中那些脏乱复杂的项目语境。

新的核心技能:为LLM提供上下文

Krohn描述了自己工作方式的转变:如今他一周中相当大比例的时间,花在思考"这个LLM要成功完成任务,需要什么上下文"上。需要哪些会议记录?应该指向哪些资源?哪些信息只存在于他脑子里,或只出现在某通电话的对话中?

这听起来像是技术人正在变成项目经理,但Krohn认为这正是价值所在。他创办的AI软件咨询公司Y Carrot(名字来自"Y hat"符号的谐音,域名ycarrot.com也恰好可用)就是这一理念的实践:团队全部来自前LLM时代,理解底层原理和常见陷阱,能帮客户从零开始把想法变成可运行的原型,再推进到生产环境。

他特别提到"vibe coding"的局限:客户用周末两小时让Claude生成一个应用,看似可行,但一旦要改造或扩展,往往比从头重做更贵更慢。Josh Starmer用高中数学作类比——先画函数图像再解方程,你才知道应该期待几个交点。理解基础不是为了亲手写每一行代码,而是为了知道输出应该长什么样、错误可能藏在哪里。

学习基础仍然有价值

上下文工程(Context Engineering) 是随着大语言模型应用深化而出现的一个概念,指的是为模型精心设计、组织并注入完成任务所需的背景信息、约束条件和参考材料,以最大化输出质量。与提示词工程(Prompt Engineering)侧重于措辞技巧不同,上下文工程更关注信息架构:哪些文档、对话记录、领域知识、示例和工具描述应该进入模型的上下文窗口,以什么顺序和格式呈现,以及如何避免无关信息干扰。在智能体系统中,上下文工程还包括管理长期记忆、检索增强生成(RAG)的召回策略和工具调用的状态传递。Krohn所描述的“思考LLM需要什么上下文”,正是这一实践的核心。

Vibe coding 一词由Andrej Karpathy于2025年初提出,指一种高度依赖自然语言描述意图、让AI生成代码而开发者较少逐行审查的编程方式。其典型场景是快速构建原型或一次性脚本:用户描述想要什么,模型产出可运行的代码,开发者凭“感觉”判断结果是否合理。这种方式大幅降低了入门门槛,但隐患在于代码的内部结构、依赖关系和边界条件往往未被充分理解。当需求变化或系统需要扩展时,缺乏底层认知的开发者难以定位问题,重构成本可能远超重写。Krohn对vibe coding局限性的评论,正是基于这一背景。

现在学数据科学还有意义吗?

面对观众"是否还该从零学ML"的提问,Krohn承认自己"真的不知道答案",但他希望答案是肯定的。理由与Starmer的类比一致:如果人人都能用vibe coding做出数据科学方案,差异化的优势就来自能深入一层——能说"等一下,这让我想起某个我读过或经历过的情况,这里还有更多可做的"。

Luis Serrano补充了一个常被忽视的角度:沟通结果比生成结果更重要,而且需要对不同层级的人定制解释。老板、老板的老板,每个人需要的说法不同。不懂基础就无法脱离脚本灵活应变。Serrano还分享了自己的类比:如果你跑了十年马拉松,然后马拉松取消了、改踢足球,那42公里的跑量本身没用了,但由此建立的身体能力和意志力会迁移。

技能会迁移,思维方式会沉淀

Krohn引用了法律和医疗行业的类比:我们希望律师和医生有AI辅助,能对照更广泛、偏差更小的意见,但我们仍然要一个人来承担责任、来为我们的具体处境做情境化解释。

从神经科学到AI:一条非典型的路径

Krohn的履历颇为独特:Wilfrid Laurier大学神经科学本科,牛津大学神经科学博士,研究方向是脑成像和遗传数据的机器学习与计算统计。他强调自己并非"转行"进入AI——博士期间做的本来就是机器学习。这种背景深刻影响了他的写作:Deep Learning Illustrated之所以用大量视觉化方式呈现AI原理,正是因为人工神经元、神经网络连接方式、机器视觉系统架构,都从生物神经科学中获得过灵感。

值得一提的是,那本书的200多幅插图全部由比利时艺术家Agley Bassens手绘完成——当时还没有DALL·E之类的文生图模型。Krohn笑称,有亚马逊读者给一星差评,理由是"说好的插图呢",大概是期待一本漫画书。

关于未来的两种叙事

Krohn在主题演讲中反复引用Matt Schumer的博文《Something Big is Happening》:2020年2月,欧美一切如常,没人能想象一个月后全世界会进入Zoom办公和居家隔离。Schumer的论点是,AI正处在同样的临界点上——Opus 4.6已经到来,巨大变化尚未显现,但已不可避免。

他引用Artificial Analysis的数据说明变化速度:曾"去中介化"他全部技术技能的Opus 4.6,在综合智能指数上得分32.5,而当前领先的模型已达58,且已有数十个开源模型超过前者。

对于更远的未来,Krohn引用了Epoch AI研究员Jaime Sevilla的预测时间线:数月内出现智能体大规模替代办公任务的时刻;AI年收入达万亿美元量级;千禧年数学难题被AI解决;到2030年前后出现数千万台高精度机器人、就业替代成为最大政治议题;2035年AI在所有领域达到与人类认知对等,经济增长率可能从今天的3%升至10%甚至更高。Krohn明确表示这不是他自己的愿景,但如果其中十分之一成真,世界都将面目全非。

对话中一个动人的插曲:Krohn分享了一个用Opus 5.5生成的音乐视频——AI自主选择了旅行者1号作为主题,写词、用代码基于真实NASA数据绘制每一帧,讲述一台逐渐老去、离我们越来越远的机器,每条消息都要一天后才能抵达,电池正在耗尽。"我看着这个机器制作的视频哭了,"他说。

Artificial Analysis 是一家独立分析机构,通过标准化基准测试和人工评估对主流大语言模型进行综合评分,其发布的智能指数(Intelligence Index)汇总了推理、知识、编程、数学等多维度表现,常被用于横向比较模型能力。Krohn引用该数据是为了说明模型迭代的速度:曾让他感到技术护城河崩塌的Opus 4.6,在指数上仅得32.5分,而当时领先模型已达58分,且有数十个开源模型超越前者。这一对比揭示了AI能力格局的快速变化——今天的“颠覆者”很快会被更新的模型超越,从业者面对的不是一次性的冲击,而是持续加速的迁移。

给年轻人和自己的建议

对迷茫的学生,Krohn的建议直接:如果只想确保学到未来几个月、几年有用的东西,那就是AI编排和智能体AI——如何信任AI系统自主做更多决策、建立正确的评估机制、确保系统对齐我们真正想要的目标。他正在与Ed Donner合写Engineering AI Agents一书,同时担任Pearson"Jon Krohn AI签名系列"的丛书编辑,已出版的两本是Sadie St. Lawrence的Becoming an AI Orchestrator和Sinan Ozdemir的Building Agentic AI。

轻量级入门读物

Serrano和Starmer补充了更朴素的观点:不要担心技能过时,要关注问题本身。Starmer说,"技能会来来去去,不重要。你需要在需要时学,在不需要时忘。但如果聚焦于你认为需要被解决的问题,技能自然会来。"Krohn最后承认,自己"就像所有人一样,抱着一块木板漂在海上"——不确定,但仍在划水。

#Jon Krohn#LLM对数据科学的影响#AI智能体#vibe coding#Super Data Science#AI职业发展#智能体编排
分享:

相关推荐