Grok 4马上要来了。数据科学家会消失还是身价翻倍？

每次AI里程碑式发布（如Grok 4）都会催生新的应用场景，这种连锁反应正迫使数据科学家角色裂变：

从 '全栈分析' 转向 'AI解决方案架构师' 或 '数据产品经理' 等细分定位...

据马斯克推特介绍，Grok4很快就要发布了。

Grok 4 是 xAI 开发的下一代模型，Grok 4 跳过了3.5版本，直接升级，旨在与GPT-5、Gemini和Claude等竞争对手抗衡。其主要特点包括：

• 性能与功能：在“Humanity’s Last Exam”上得分45%，AIME'25上95%，GPQA上88%，表现出色。支持130,000个标记的上下文窗口，处理速度更快。
• 多模态支持：目前以文本为主，未来将增加视觉和图像生成能力。
• 版本与访问：提供通用版Grok 4和开发者专用的Grok 4 Code。X Premium+和SuperGrok用户可提前访问，澳大利亚用户需通过40澳元/月的X Premium Plus订阅或SuperGrok订阅。
• 应用场景：可能集成实时X数据，并有传言称将与特斯拉和游戏行业合作，预计明年推出AAA级游戏。

消息来源包括：

Decrypt: Grok 4 Drops Tomorrow—Here's How Musk's AI Might Steal GPT-5's Thunder

International Business Times: Grok 4 Is Coming: Spotted Ahead of Launch With Special Coding Powers

那么，数据科学家会消失还是身价翻倍？

核心观点来自于这篇文章：

medium.com/ai-analytics-diaries/https-analystuttam-substack-com-p-data-science-is-a-dead-career-87ee2d8bd338

曾几何时，“数据科学家”被誉为21世纪最性感的职业。然而，如今关于“数据科学已死”的论调不绝于耳。事实上，数据科学并非消亡，而是在经历一场深刻的分化与演变。

1. 大模型发展背景下的数据科学家

在2014年至2020年间，数据科学家扮演着“全能型”角色，像一把“瑞士军刀”，负责从清洗混乱数据、构建仪表盘、编写机器学习模型、预测客户流失，到为领导层制作演示文稿等各项任务。那时，只需掌握Python、Pandas和一点SQL，就能在业内立足，堪称一个“黄金时代”。

然而，随着人工智能（AI）工具和大型语言模型（LLM）的迅速发展，这一格局正在被打破。AI现在能够执行许多过去需要数据科学家亲力亲为的“无聊”工作，例如构建Python脚本、创建SQL查询、清理数据集、生成图表甚至撰写报告。这使得传统的“全能型”数据科学家角色变得不再那么必要。

Hugging Face 的 AI Sheets 是一个工具，将 LLM（大型语言模型）的强大功能直接引入熟悉的表格界面，用于创建、丰富和分析数据集，并可用于数据素养教学。

2. 细分化与专业化：角色分化的新常态

“数据科学已死”的说法背后，真正的趋势是角色正在“解绑”并走向专业化。大型公司通常没有能力聘请10名在不同领域专业化的数据专家，因此他们会招聘一到两名能够超越单一角色思考并利用AI工具来覆盖更广泛工作的人员。

如今，公司倾向于招聘专家而非通才。数据科学的角色正在发生显著的“分拆”，产生了许多新的、更专注的职业头衔。这些新角色包括但不限于：

• 产品数据分析师 (Product Data Analyst)
• 分析工程师 (Analytics Engineer)
• 决策科学家 (Decision Scientist)
• 机器学习工程师 (Machine Learning Engineer)
• 定量研究员 (Quantitative Researcher)
• 市场分析师 (Marketing Analyst)
• 数据产品经理 (Data Product Manager)

这些细分角色各有其独特的技能栈、薪资范围和学习曲线。这意味着，如果你仍然称自己为“数据科学家”，可能是在暗示你的技能停留在2018年。

这种趋势符合“一切都将变得更深入，专家将成为目标，通用事物将被机器（AI）取代”。

3. 个人能力的提升与核心竞争力

尽管AI在执行层面表现出色，可以替代初级的执行工作，但它无法替代高级的思考能力。AI目前尚不擅长以下方面：

• 提出正确的商业问题
• 设计合适的实验
• 处理复杂的组织政治
• 平衡伦理、隐私和数据使用
• 向非技术高管传达权衡利弊

因此，为了保持竞争力，个人应提升以下关键技能：

• SQL 流利度 (SQL Fluency)：它仍然是90%数据工作的头号技能。
• 业务理解力 (Business Context)：能够将指标与金钱挂钩的能力至关重要。
• 沟通能力 (Communication)：能否通过幻灯片而非仅仅代码来讲述数据故事。
• 部署与机器学习运维 (Deployment & MLOps)：如果你从事机器学习，学习如何部署模型，而不仅仅是训练它们。
• 数据工程素养 (Data Engineering Literacy)：理解dbt、Airflow、云管道，或学会与相关专业人员合作。

未来的专家将呈现“T”字型结构，即在广度上有所涉猎（通才），但在少数领域拥有深度专业知识（专家）。最终，影响力比头衔更重要。你的目标不是编写完美的Python代码，而是帮助公司做出更好的决策。

4. 激烈讨论的问题

关于数据科学领域的演变，存在一些激烈的讨论和不同观点：

• 通才与专家的平衡：一方面，有观点认为通用型数据科学家正在消失，取而代之的是专业化角色。另一方面，也有人认为“通才型问题解决者”总会有其一席之地，他们能填补各专业领域之间的空白，创造额外价值。还有观点认为，在真实的工作环境中，随着任务的多样性，人们最终会自然而然地成为通才。
• AI的替代作用：虽然AI能替代初级工作，但它不是“直接替换”。理解和检查AI输出的重要性仍然存在，因为AI输出中仍可能出现错误。
• 行业技能的周期性变化：IT行业的热门技能每五年左右就会发生变化，例如从SAP到大数据、Spark，再到数据科学，现在是生成式AI。这些技术并非消失，而是以较低的关注度继续存在。

——

未来的赢家可能是两类人：

1. AI增强型专家深耕细分领域（如MLOps、数据产品设计），将AI工具转化为生产力杠杆
2. 商业翻译官用数据思维弥合技术与决策的鸿沟，解决AI尚不擅长的“人性化问题”

当AI能自动生成SQL和报告，

数据科学的核心竞争力是否该转向“提问能力”而非“执行能力”？