这两年，几乎所有和技术、数据、求职有关的话题，都绕不开 AI。
很多学生和家长也开始问一个很现实的问题：
- 现在 AI 发展这么快，Data Science 还值得学吗？
- 以后 DS 岗位会不会越来越少？学了 DS，会不会刚毕业就被 AI 取代？
这种担心可以理解。
毕竟过去几年，DS 一直是留学生申请和求职中的热门方向。很多人读 DS 硕士，就是希望毕业后能进入互联网、高科技、金融、医疗、咨询、零售等行业，找到一份不错的工作。
但当 AI 工具开始可以写代码、做分析、生成报告，甚至辅助建模时，大家自然会怀疑：
企业未来还需要那么多 Data Scientist 吗？
从我们过去一年多的访谈观察来看，答案并不是简单的“需要”或“不需要”。
更准确地说：
DS 不是没有前途了，而是它正在被重新定义。
01
AI 不是终结者，而是效率放大器
从去年 4 月开始，我们陆续做了 130 多期美国求职上岸访谈。其中，硕士学 DS、毕业后从事 DS 或相关工作的嘉宾非常多。他们分布在互联网、高科技、金融、医疗、咨询、零售等不同领域。
也正因为样本足够多，我们能看到一些很真实的变化。
一个很普遍的共识是：
AI 的确正在快速改变行业，但它更像是一个极大提升效率的工具，而不是简单地取代人。
比如，过去一个 Data Scientist 可能要花很多时间做数据清洗、写基础代码、跑模型、生成图表。现在，这些工作中的一部分，确实可以被 AI 工具大幅提速。
但企业真正需要的，并不是一个只会执行任务的人。
企业需要的是能够理解问题、拆解问题，并利用数据和工具解决问题的人。
AI 可以帮你写代码，但它不能替你判断这个问题是否值得解决。
AI 可以帮你生成分析思路，但它不能完全理解一家公司的业务优先级。
AI 可以帮你做图表和报告，但它不能自动说服产品、运营、工程和管理层一起推动落地。
所以，表面上看，AI 带来的是效率提升。
但更深层的变化是：
企业对人的要求变高了。
02
只会技术不够，业务理解会越来越关键
过去，一个 DS 的竞争力可能更多来自技术本身。
比如会不会 Python，SQL，机器学习，统计建模，数据可视化。
这些能力现在当然依然重要。
但问题是，当 AI 工具越来越普及，很多基础技术能力的门槛会被降低，很多具体工具和方法也会被快速迭代。
这时候，真正拉开差距的，就不只是“你会不会用某个工具”，而是：
- 你能不能理解一个行业的问题。
- 你能不能知道真正的痛点在哪里。
- 你能不能利用数据和 AI 工具，把问题真正解决掉。
比如在金融行业，DS 可能需要理解风控、信用评估、交易、客户分层。
在医疗行业，DS 可能需要理解患者数据、临床流程、合规要求和资源配置。
在零售或消费品行业，DS 可能需要理解用户画像、营销转化、供应链和复购行为。
在互联网行业，DS 可能需要理解产品增长、推荐系统、用户留存和 A/B 测试。
同样的模型，放在不同业务场景里，价值可能完全不同。
一个分析结果能不能被使用，不只取决于模型精度，也取决于你是否理解业务背景，是否知道团队真正关心什么，是否能把分析结果转化成可以执行的建议。
这就是为什么，未来很多业务相关岗位，企业会越来越看重候选人对业务和产品的理解。
因为技术会变，工具会变，模型会变。
但真正有价值的人，是能够把技术放到具体场景里，解决真实问题的人。
03
“软技能”正在变成硬实力
AI 时代还有一个变化，很多学生容易低估。
那就是过去经常被叫做“软技能”的东西，反而变得越来越重要。
比如沟通能力、协作能力、学习能力、解决问题能力、跨部门推进能力。
为什么？
因为当 AI 提高了每个人的基础产出效率之后，人与人之间的差距，就不再只是“谁写代码更快”“谁会更多工具”。
差距会更多体现在：
- 谁更能提出正确的问题。
- 谁更能理解业务方真正想要什么。
- 谁更能把复杂分析讲清楚。
- 谁更能和产品、工程、运营、管理层协作。
- 谁更能推动一个方案真正落地。
一个只会坐在电脑前跑模型的人，价值会越来越受限。
但一个既懂数据，又懂业务，还能沟通、协作、快速学习新工具的人，会变得越来越有竞争力。
所以，在 AI 时代，“软技能”不是可有可无的加分项。
它正在变成真正的硬实力。
04
岗位边界变模糊，DS 正在变成复合型岗位
我们在访谈中也看到一个很明显的趋势：
岗位之间的界限正在变得越来越模糊。
过去，Data Scientist、Machine Learning Engineer、Data Analyst、Software Engineer 之间的分工相对清楚。
DS 更偏分析和建模。
MLE 更偏模型部署和工程化。
DA 更偏报表和业务分析。
SDE 更偏软件开发。
但现在，在一些公司里，这些边界正在被重新划分。
有嘉宾提到，DS 和 MLE 在部分公司里已经开始逐渐合并成一个岗位。公司希望一个人不仅能够分析数据、建立模型，还要懂一定的工程实现，甚至能够把模型真正应用到产品或业务流程中。
换句话说，企业希望你能做得更多。
这并不意味着 DS 消失了，而是企业对 DS 的期待变高了。
与此同时，就业市场也出现了结构性变化。有些传统 SDE 岗位的招聘数量在下降，但围绕 AI 的岗位却在明显增加。
这说明企业不是不需要技术人才了。
而是需要的人才类型正在发生变化。
未来的 DS，很可能不再是一个单纯的“数据岗位”，而会变成一个更综合的“问题解决岗位”。
05
这些变化正在改变招聘标准
当企业对人的要求发生变化，招聘标准也会跟着变化。
从企业招聘来看，我们明显感受到，很多公司现在更倾向于寻找那种“即插即用”的人。
所谓“即插即用”，并不是说一个毕业生刚进公司就要什么都会。
而是说，你不能只停留在理论层面。
你不仅仅要懂概念、懂模型、懂课程内容，还要真的做过项目，接触过实际场景，能够比较快地进入工作状态。
所以，简历上最有说服力的，往往不是你单纯写：
我学过机器学习。
我学过深度学习。
我学过数据库。
我学过统计学。
这些当然重要，但还不够。
企业更想看到的是：
- 你有没有项目经历。
- 有没有 research 经历。
- 有没有实习经历。
- 有没有处理过真实数据。
- 有没有接触过真实业务问题。
- 有没有把模型、分析或产品想法落地。
- 有没有展示出应用 AI 的能力。
尤其是在 AI 时代，能够展现“应用 AI 的能力”会越来越重要。
这里说的不是简单地会用 ChatGPT 写几段代码，而是你能不能把 AI 融入具体工作流。
比如数据清洗、代码生成、模型解释、报告撰写、自动化分析、产品原型设计、业务决策支持。
这些真实经历，会比单纯学了什么专业、上过什么课，更有说服力。
06
面对招聘，学生应该怎么准备？
所以，对正在学习 DS，或者准备申请 DS 的学生来说，关键不是只问“这个专业有没有前途”。
更重要的是，你要问自己：
我能不能把这个专业学成一种解决问题的能力。
具体来说，有几个方向特别重要。
第一，不要只停留在课堂学习。
课程很重要，但课程只是基础。你需要通过项目、research、实习、竞赛、真实数据分析，把知识用起来。
第二，要主动拥抱 AI 工具。
不要把 AI 只看成威胁。它也是提升你能力和效率的工具。你要学会用 AI 辅助写代码、清洗数据、整理思路、解释模型、生成报告、设计分析流程。
第三，要培养业务理解。
如果你对金融感兴趣，就要理解金融业务。如果你对医疗感兴趣，就要理解医疗场景。如果你对互联网感兴趣，就要理解产品、增长和用户行为。
不要只做一个“会技术的人”，而要努力成为一个“懂场景的人”。
第四，要重视表达和沟通。
很多 DS 的工作，并不是模型做完就结束了。你还要解释结果，说服团队，推动应用。你能不能把复杂问题讲清楚，会直接影响你的职业发展。
第五，要让简历更接近真实工作。
不要只堆课程名称和技术关键词。要用项目证明你真的解决过问题。最好能写清楚：你面对什么问题，用了什么方法，产生了什么结果，体现了什么业务价值。
07
最后的建议：不要害怕 AI，要学会驾驭 AI
所以我个人觉得，现在这个时代，其实已经不是“DS 有没有前途”的问题。
因为不只是 DS，几乎所有专业都在被 AI 改变。
真正的问题是：
无论你学什么，你是不是一个能够持续学习、不断迭代自己、与时俱进的人。
硕士学什么，很多时候更像是一个起点，一个职业入口。
但真正决定长期发展的，往往不是这个起点本身，而是你后面的持续成长能力：
- 你能不能跟上工具变化。
- 你能不能理解行业。
- 你能不能跨学科学习。
- 你能不能把技术转化成结果。
- 你能不能从任务执行者，成长为问题定义者和解决者。
这些才是 AI 时代职业发展的核心。
所以，我的建议不是去害怕 AI，而是去拥抱 AI。
主动学习和理解 AI 技术，并学会如何利用它提升自己的能力。
因为未来真正有竞争力的人，不是完全不受 AI 影响的人。
这样的人几乎不存在。
未来真正有竞争力的人，是那些能够驾驭 AI、利用 AI 解决问题，并最终成为 AI“主人”的人。
DS 当然还有前途。
但有前途的，不再是过去那种只会套模型、跑代码、做图表的 DS。
有前途的，是能够把数据、AI、业务和真实问题结合起来的新一代 DS。
最后送给大家三句话：
- 专业很重要，但持续进化更重要。
- 工具很重要，但理解问题更重要。
- 技术很重要，但创造价值更重要。
