最大的威胁不是自动化，而是无法适应。

　　我确信我的工作注定消失

　　当我第一次看到人工智能能做什么时，我有一个想法：就是这样。我的工作几年后将不复存在。

　　我花了数年时间磨练技能、建立模型、编写代码并改进解决复杂问题的方法。然后，突然间，人工智能系统出现了，它可以在几秒钟内编写 Python 脚本、汇总报告，甚至生成机器学习模型。感觉就像看着自己的职业生涯逐渐消逝。

　　我不是唯一一个有这种想法的人。许多数据科学家都有同样的反应。我们测试了人工智能生成的代码，向它输入了我们花了数周时间解决的问题，结果却发现它在几分钟内就给出了答案。网上的讨论让情况变得更糟。文章和推特帖子把人工智能描绘成一种不可阻挡的力量，它会缩小团队规模，让我们变得无关紧要。

　　我已经做好了最坏的打算。

　　但一年多过去了，我还没被取代。事实上，我的工作效率从未如此之高。

　　事实证明，人工智能并没有取代我的工作，而是改变了它。

人工智能改变数据科学工作流程，但不会取代它

　　人工智能一开始感觉像是一种颠覆性的力量。它自动化了过去我花费数小时完成的任务：编写 SQL 查询、清理数据，甚至构建机器学习模型。它快速、高效，而且出奇地好用。

　　但我用得越多，就越清楚；人工智能并没有接管一切；它只是改变了我的工作方式。

　　我不再从头开始编写代码，而是查看人工智能生成的解决方案，对其进行改进，并将其应用于实际问题。人工智能可以生成答案，但它无法告诉我这是否是正确的答案。它无法识别有偏见的数据、不可靠的变量，也无法识别输出如何适应更广泛的业务战略。

　　我还注意到同事之间出现了分歧。那些拥抱人工智能的人变得更有效率，能更快地测试想法并专注于高价值的工作。那些抵制人工智能、希望人工智能消失的人开始落后。

人工智能是加速器，而不是决策者

　　人工智能使技术任务变得更容易，但它仍然依赖于人类的监督：

• 　　人工智能可以生成模型，但它不知道这些模型是否有用。

• 　　人工智能可以总结数据，但无法解释权衡或与利益相关者对话。

• 　　人工智能可以优化目标，但它无法理解更广泛的商业目标。

　　人工智能进步的速度如何

　　人工智能正在快速进步，它将继续自动化数据科学工作流程中的更多步骤。但这并不意味着它会取代了解这些工作流程的人。

　　数据科学最难的部分从来都不仅仅是编码。真正的挑战是：

• 　　提出需要解决的正确业务问题。

• 　　了解组织优先事项和利益相关者的期望。

• 　　确保模型能够对现实世界产生影响，而不仅仅是统计准确性。

　　人工智能仍然做不到这一点。挑战不在于人工智能能否完成这项工作，而在于数据科学家是否能够快速适应并与之合作。

　　无人谈论的人工智能局限性

　　许多人认为，人工智能的快速发展意味着全面自动化是不可避免的。但企业并非在真空中运作；现实世界的限制阻碍了人工智能的采用。

　　以下是人工智能仍面临挑战的地方：

• 　　杂乱无章、非结构化的数据。

  　　人工智能最适合处理干净、标记好的数据集，但大多数公司的数据都是碎片化的、不一致的、容易出错的。人工智能无法修复损坏的管道；仍然需要人工干预。

• 　　了解商业权衡。

  　　人工智能可以针对目标进行优化，但它不知道为什么某些结果比其他结果更重要。模型可能会建议以牺牲长期客户忠诚度为代价来最大化短期收入。人类会做出这些判断。

• 　　监管和合规约束。

  　　金融、医疗保健和保险等行业需要可解释性、公平性和风险评估；人工智能无法绕过这些规定。

• 　　处理不确定性。

  　　人工智能擅长模式识别，但难以处理极端情况、罕见事件或未经训练的情况。数据科学家提供这种情境智能。

为什么人工智能不会很快取代数据科学家

　　如果人工智能如此强大，为什么公司没有裁掉数据团队？因为即使人工智能运行良好，企业也不会允许其在无人监督的情况下运行。

　　公司面临阻碍全面自动化的主要障碍：

• 　　过时的 IT 基础设施。

  　　许多公司仍然依赖与 AI 集成不佳的旧系统。除非企业对其技术堆栈进行现代化改造，否则 AI 仍将是一种工具，而不是替代品。

• 　　缺乏高管信任。

  　　由于人工智能不透明且不可预测，决策者不愿完全依赖它。高管希望获得数据驱动的洞察力，但他们仍然需要人工验证。

• 　　复杂的商业环境。

  　　人工智能在受控环境中工作，但企业需要谈判、适应性和政治意识，而这些都是人工智能无法理解的。

　　根据麦肯锡 2023 年的一份报告，尽管人工智能正在改变工作流程，但只有 23% 的组织将人工智能完全融入其标准业务流程。大多数公司面临着数据质量问题、缺乏人工智能基础设施以及对信任和监管合规性的担忧等障碍。（麦肯锡，2023 年）

　　同样，Gartner 的一份报告强调，AI 就绪数据具有高度情境化，需要持续治理并与特定用例保持一致。它强调，AI 不是即插即用的解决方案；企业需要人工监督才能确保其在实际应用中的有效性。（Gartner，2023 年）

「人工智能+人类=未来，而不仅仅是人工智能」

　　历史表明，最好的结果来自人工智能和人类的合作。国际象棋就是一个很好的例子。

　　当人工智能首次超越人类大师时，许多人认为人类棋手将被淘汰。相反，最好的结果来自“半人马象棋”，即人类棋手与人工智能合作。这种组合的表现优于单独的人工智能和单独的人类。

　　同样的模式也出现在数据科学领域。人工智能增强了我们的工作，但最好的数据科学家是那些学会如何利用人工智能作为倍增器而不是替代品的人。

　　用人工智能取代数据科学家的公司并不是你想为之工作的公司

　　一些公司正试图用人工智能取代数据科学家。但问问自己，你愿意为一家认为数据科学是需要消除而不是增强的东西的公司工作吗？

　　最好的公司正在投资人工智能增强团队，而不是直接取代人类。他们明白：

• 　　人工智能是一种工具，而不是一种策略。

• 　　商业专业知识是无可替代的。

• 　　人工智能模型仍然需要监督、验证和调整。

　　数据科学家如何确保自己的职业生涯面向未来

　　数据科学不会消失，而是在不断发展。适应者将蓬勃发展。具体方法如下：

• 　　掌握 AI 工具。

  　　了解如何使用 AI 实现自动化、增强和提高效率。

• 　　加强沟通技巧。

  　　人工智能无法向高管解释决策。能够解释决策的数据科学家仍将必不可少。

• 　　培养人工智能治理方面的专业知识。

  　　随着人工智能的普及，道德、合规性和可解释性将变得更有价值。

• 　　建立个人品牌。

  　　为开源项目做出贡献，分享见解，并在该领域保持知名度。

　　结论：未来不是人工智能与人类的对抗，而是人工智能+人类与其他所有人的对抗。

　　一年前，我以为人工智能会取代我的工作。我看到人工智能以几乎毫不费力的方式编写代码、建立模型和分析数据。感觉我们正在实时见证数据科学的自动化。

　　但现在，在使用这些工具之后，我的看法发生了变化。人工智能很强大，但它并不独立。它仍然需要指导、解释和验证。它无法应对业务挑战，无法解释其决策，也无法对结果负责。

　　当今最优秀的数据科学家并不与人工智能竞争。他们利用人工智能更聪明地工作、更快地行动并专注于真正重要的事情。他们将人工智能融入工作流程、改进其输出并确保其洞察能够产生真正的业务影响。

　　数据科学的未来不是人类与人工智能之间的战斗，而是一种伙伴关系。

• 　　人工智能将继续实现日常任务的自动化，但它不会取代判断力、策略和批判性思维。

• 　　最有价值的专业人士将是那些了解如何弥合人工智能产生的洞察力和业务需求之间的差距的人。

• 　　投资于人工智能增强团队而不是人工智能驱动裁员的公司将会获得成功。

　　人工智能不是威胁。真正的风险是拒绝与之共同进化。

　　适应生存，不适者落后。

　　选择不是人工智能与人类，而是人工智能+人类与其他所有人。

　　人工智能不会取代你，但知道如何有效使用人工智能的数据科学家可以取代你。