899: Landing $200k+ AI Roles: Real Cases from the SuperDataScience Community, with Kirill Eremenko
01:33:12 Share

数据科学技能、数据科学训练营，以及为什么 Python 和 SQL 仍然占据主导地位：在本集中，Kirill Eremenko 回到播客中，与 Jon Krohn 讨论 SuperDataScience 订阅者的成功案例，在快速发展的领域中关注的重点，以及为什么面对面工作和人脉关系可能会让你在获得顶级 AI 职位方面比其他候选人更有优势。

(04:35) 来自五位 SuperDataScience 订阅者的故事

(27:32) 如何在快节奏的行业中获得职业生涯

(44:19) 如何在数据科学领域脱颖而出

(1:01:40) 沟通在数据科学中的重要性

(1:16:41) 在 AI 工程中关注哪些技能

<raw_text>0 这是第 899 集，嘉宾是 SuperData Science 的创始人兼首席执行官 Kirill Aromenko。本集由对话式分析平台 Adverity 和 Dell AI 工厂与 NVIDIA 联合赞助。

欢迎收听 Super Data Science 播客，这是数据科学行业收听率最高的播客。每周，我们都会为您带来有趣且鼓舞人心的人物和理念，探索机器学习、人工智能和相关技术的尖端领域，这些技术正在使我们的世界变得更好。我是您的主持人 John Krohn。感谢您今天的收听。现在，让我们化繁为简。

欢迎回到 Super Data Science 播客。今天我们与其说是采访，不如说是 Kirill Aromenko 和我之间一次有趣、引人入胜且希望也很有意义的对话。我们原本打算把它做成一个简短的周五节目，但后来发现有很多内容需要在节目中讨论。所以它变成了一个完整的周二节目。你们许多人已经认识 Kirill 了。他多次参加过这个播客

近年来，他连续主持了数百集节目，因为他九年前创办了 Super Data Science 播客，并在五年前将主持棒交给我之前主持了该节目。他是 superdatascience.com 的创始人兼首席执行官，这是一个以本播客命名的在线学习平台。

拥有超过 300 万学生，这太疯狂了，他是 Udemy 上最受欢迎的数据科学和人工智能讲师。他拥有澳大利亚昆士兰大学的硕士学位，以及莫斯科物理技术学院的应用物理学和数学学士学位。今天的节目非常适合任何想要提升数据科学或人工智能职业生涯的人，或者如果您想第一次在这个领域开始职业生涯。

在今天的节目中，Kirill 详细介绍了为什么雇主仍然会测试人工智能工程师的基础机器学习原理，即使是针对以大型语言模型为中心的职位。令人惊讶的是，为什么留在数据科学领域而不是发展人工智能专业实际上可能是正确的职业选择。一位开发人员如何发现科技招聘中隐藏的年龄歧视以及克服它的简单方法。

区分业余人工智能工程师和获得高薪的专业人士的两个关键技能领域，以及回归办公室的趋势如何让您在获得顶级人工智能职位方面获得竞争优势。您准备好收听这精彩的一集了吗？让我们开始吧。

哇，今天播客上有一位特别的嘉宾，Kirill Aramenko。欢迎回到您的播客。你好吗，宝贝？谢谢，John。非常高兴再次来到这里。澳大利亚的早晨一切都很顺利。你呢？你好吗？是的，现在是纽约的下午。阳光正好，在这个录音中给了我非常阴影的灯光，适合观看视频的人。

观看 YouTube 版本的人。但是，是的，灯光部门很棒。对于我们大多数音频听众来说，这不会影响他们。我们都有很棒的音频，很棒的麦克风，我们俩都有，这很好。所以 Kirill，我知道你今天为听众准备了一些特别的东西。好吧，像往常一样，我总是为我们的听众准备一些特别的东西。是的，今天我们有五个故事

来自 Super Data Science 平台，来自会员的五个人，我在过去几周里采访了他们。是的，我们将回顾一下他们的经历，因为学习机器学习、人工智能、数据科学可能是一项

艰巨的任务，可能是一项令人兴奋的任务，但也可能是一项孤独的任务。因此，对于那些感到自己正在经历某些挑战或取得某些胜利的人来说，希望会有某些东西，某些东西是您可以产生共鸣的。这种孤独感对我们这个播客来说很棒，对吧？因为人们感到如此孤独，他们别无选择，只能找到一个数据科学播客来收听，并感觉不那么孤独。是的。

这很有趣，但也很有意思。这可能很奇怪，但事实上，我们在社区中反复听到的一件事是，在我们成为会员后，我们会进入一个介绍页面，您可以在其中输入您的介绍，并说明您来自哪里，您加入的原因，您的爱好等等。最常见的事情之一是白人加入，我想说可能 40% 的时候，

我听到或读到这样的评论，他们想成为学习者社区的一员，就像他们在学习这些课程和工具并进行这些项目一样。但在他们周围，没有人是这样的。例如，在他们的工作中，没有其他人正在学习。他们感觉不到他们可以与人联系。事实上，对于人们来说，在这个领域找到联系是一项真正的挑战。

太好了。我开了个玩笑，但这个平台很棒。我相信这个播客和这个平台对于那些感觉自己身处社区中的人来说很棒。顺便说一句，当你说 SuperDataScience 平台时，我们的意思是 SuperDataScience.com 网站。这可能是显而易见的，但为了绝对清楚地说明这一点。没错。

是的。所以 Kirill，是的，告诉我们这五个人的情况。我想你可以从第一个开始。好的。第一个。所以所有这些名字都为了保护隐私而更改了。我们的第一个人是 Alex。他职业生涯的早期阶段，他 20 多岁。

并且最近取得了巨大的成功，这非常令人兴奋。他找到了一份人工智能工程师的工作。这就是我们进行交流的原因。我们谈到了它。

基本上，他的面试是这样的。他申请了很多工作。很多都被拒绝了，或者没有收到任何回复。其中一个收到了回复。他们说他们有兴趣和他进一步交谈，邀请他参加面试。最初……

据我记得，最初就像一个筛选面试。他们说：“我们会保持联系。”他对此没有抱太大希望，因为通常就是这样，但他们邀请他参加技术面试。基本上，他为技术面试所做的准备是，他说……对于那些不知道的人来说，在会员平台上，我们有很多课程，他再次学习了我们的

大型语言模型从 A 到 Z 的课程，以防万一，以复习一些概念。

在面试中，他们问了他关于公司数据的一些具体问题，以及他将如何创建一个大型语言模型，让我在这里找到引文。您将如何创建一个大型语言模型，它可以访问我们的数据并仅根据这些数据回答问题？从那里开始，他基本上进入了头脑风暴模式，并说，

给了他们一些关于如何微调现有模型、应用 RAG 和其他特征工程以及其他相关事项的想法。另一件真正帮助他的事情是

他做了一些，不，我认为他做了一个平台上的合作项目。在那里，我们让成员一起参与项目。而且，你知道，经历一个真实的项目，帮助他能够在面试中进行头脑风暴，他们印象非常深刻。酷。太好了。祝“Alex”一切顺利。是的，是的。

您是否匿名化了其他人口统计数据？例如，您是否更改了人们的性别？是的，在某些情况下，是的。哦，真的吗？所以你真的匿名化了吗？是的，尽可能地，你知道，为了保护人们的隐私。尽管在这种情况下，Alex 实际上给了我们充分的许可来披露他的故事。你实际上可以在推特上阅读它。

Super Day Science 网站。尽管如此，我还想指出的是，有趣的是，他补充说，在询问大型语言模型之后，猜猜他们问了他什么。他们问了他关于机器学习基础知识的问题。你将如何构建一个回归模型？你将如何预测价格，你将如何构建一个分类模型，用于预测与客户数据相关的问题。他们没有花太多时间在这个问题上，但是，

显然他们想知道他知道基础知识。你怎么看待这个？你不能在一个职位上担任高级职位。比方说，我相信肯定有入门级的人工智能工程师职位，你真的只是在使用 API，调用大型语言模型，但是

我认为在许多高级职位中，如果您要在组织中产生重大影响，您需要了解更简单的机器学习模型。理想情况下，甚至不仅仅是机器学习的基础知识，还有其背后的基础原理，例如线性代数和偏导数微积分。如果您了解这些东西，您可以做各种神奇的事情。您可以突破抽象，

并提出否则不可能实现的高性能解决方案。数据科学领域的职业生涯是一个不断学习更多、更多、更多机会的领域。您永远不应该让所有可能学习的东西阻止您开始行动，让一些求职申请启动，

你应该去做。是的，当然。但在我们目前所处的人工智能方面，在我看来，人工智能、人工智能工程、大型语言模型工程等等，所有这些角色都像

经历了数据科学大约 10 年前经历的相同过程。所以目前非常模糊。人工智能工程师对您来说意味着什么？这是一个有趣的问题，因为理论上，直到两年前，如果你说你是一名人工智能工程师，那可能意味着你像人工智能研究员一样。所以也许是在一个前沿实验室，

比如 Meta、谷歌、OpenAI、Anthropic，以及您的工程。您正在弄清楚如何让转换器在大量 GPU 上更快地协同工作，如何以某种方式自动清理数据，从而提高经过训练的大型语言模型的输出。这就是我曾经

直到最近，直到几年前，认为人工智能工程师是什么样的。但现在它似乎主要指那些使用现有大型语言模型和调用 API 的人。因此，仍然需要仔细考虑以确保数据干净一致，并且您设置了防护措施。但是你的……

您正在更抽象的层面工作，至少在最简单的思考方式中是这样。那么您认为您是否可以在没有任何机器学习基础知识甚至底层深度学习张量知识的情况下完成这项工作？它叫什么？

是的，TensorFlow、PyTorch。是的，TensorFlow、PyTorch，甚至是 Transformer 架构。哦，是的，哦，是的。我的意思是，你当然可以，你知道，就像我说的那样，你可以得到，是的，有很多大型语言模型的工作，你基本上需要，你知道，你需要了解如何评估作为输入和输出的数据。你需要能够做一些

Python 中的探索性数据分析，那些数据科学技能。但您不一定需要了解随机梯度下降或强化学习是如何工作的。仅仅是因为这些方法被用来训练您正在使用的大型语言模型，可能更重要的是拥有大量提示大型语言模型并了解它们可以做什么的经验，理解、试验，好的，如果我使用一个 30 亿参数的大型语言模型

它的性能与使用 Anthropic 的最新和最强大的 Cloud 4 相比如何？可能涉及微调，因此了解现有方法

用于微调。例如 LoRa，低秩自适应，了解这些事情能够从 Meta 获取一个 30 亿参数的开源 Lama 模型，然后能够将其微调到某些特定任务。您实际上可以使用在您自己的基础设施上运行或通过 Hugging Face 或 PyTorch Lightning 等一些云提供商运行的 30 亿参数模型。你可以有

这个非常小的大型语言模型运行在某些小的，在某些非常具体的任务或一些非常具体的任务上。并且因为您对其进行了微调，将其微调到这些任务，它可以胜过最新和最强大的 Cloud 4。因此，这些事情，你知道，那种像与大型语言模型一起玩耍的经验一样，可能更重要。你知道，你没有，

真的不需要了解 LoRa 的工作原理才能使用 LoRa。顺便说一句，LoRa 是 L-O-R-A，如果您正在搜索它的话。我会尽量记住……低秩自适应。我会尽量记住在节目说明中添加指向我们关于 LoRa 的节目的链接，该节目在第 674 集中。我做了一个关于微调 LoRa 的介绍。是的，我记得那一集。那是一个很棒的介绍。

是的，很有趣。我想到的类比是我喜欢烹饪。对我来说，就像，比方说，对于烹饪，你使用搅拌机或其他工具，如烤箱等等。你不需要了解烤箱在后端的运行方式或微波炉或……

那是懒惰的烹饪。或者搅拌机。你不需要能够拆开搅拌机并重新组装它，但你可以使用它。所以这里与人工智能一样，朝着这样的方向发展，这些……

工具实际上只是工具。你可以摆脱困境，事实上，正如你所说，你不需要深入了解这些工具就能使用它们。我只是想知道，有多少百分比的工作

将是那些知道如何使用这些工具的人工智能工程师，而有多少百分比的工作需要您真正理解底层技术并能够对其进行调整？人们应该专注于学习什么？我知道这取决于他们的兴趣，但在工作供求方面，我想知道未来几个月和几年它将如何发展。

本集由 Adverity 赞助，Adverity 是一个集成数据平台，用于大规模连接、管理和使用您的数据。想象一下，能够像询问同事一样向您的数据提问，并立即获得答案。无需再挖掘仪表板、等待报告或处理复杂的 BI 工具。只需您需要的见解，即可立即获得。

借助 Adverity 的 AI 驱动的对话式数据分析，营销人员终于可以用简单的英语与他们的数据交谈，获得即时答案，做出更明智的决策，更轻松地进行协作，并将报告时间缩短一半。您将提出什么问题？要了解更多信息，请查看节目说明或访问 www.adverity.com。网址是 A-D-V-E-R-I-T-Y dot com。是的，我认为我们越来越朝着抽象的方向发展。你知道，你没有……

我喜欢你刚才用搅拌机和微波炉等作出的类比。您可以越来越多地依赖抽象，但我仍然认为您最终可以，随着您在职业生涯中取得的进步，我认为您可以获得更高的薪水。这取决于您走的哪条路，因为您可以说，好吧，你知道我要做什么吗？顺便说一句，Carol，我在这里即兴发挥。这只是我的想法，但我正在思考……

如果您想专注于商业影响，您实际上可以说，你知道吗，我将使用 superdatascience.com 中提供的培训，并利用它来熟练构建大型语言模型。我将弄清楚如何在 Gradio 应用程序或某种用户界面中使它们看起来很漂亮，您可以快速地将它们组合在一起。

这样您就可以拥有一个点击式界面，让人们在后台使用您的人工智能模型，或者通过使用大型语言模型而想出的某种人工智能解决方案。您可能不了解梯度下降的工作原理或机器学习的基础知识，但是

您可以将强大的商业应用程序组合在一起，您可以在小型团队或大型团队中完成，或者独自完成。您可能会取得巨大的成功。在今天，以及越来越多地，随着我们进一步走向未来，您将能够拥有

代理，由代理组成的团队为您处理不同的任务。而且，你知道，你可以建立一个大企业。你可以成为一个独资企业家，并让数百个代理为不同的客户处理不同的任务。这会越来越好。

而且，你知道，所以你可能可以通过这种方式取得很大的成功，只使用抽象。但是在我想到第二个想法之前，我最初的想法是，同样，你知道，随着你的进步，你可以说，好吧，我要一层一层地剥开洋葱。我将越来越了解这些抽象背后的情况，并逐渐

多年来，几十年来，你对机器学习基础知识、数学、物理和工程，也许还有电子学有了越来越深入的了解。您可以深入研究各种相关领域。随着您越来越深入，您的价值

您的客户、您的用户、您的雇主，我认为确实会增加。我认为这种情况在未来还会继续存在，即使那些事情，比如做数学，能够解决数据科学问题、计算机科学问题，即使大型语言模型能够越来越多地做到这一点，

我认为仍然会，也许我只是一个有着过时想法的恐龙，但我认为如果您了解这些东西，首先，这很有趣。这在这里有点意思，因为如果你是一个能够理解微波炉工作原理的厨师……

并制造出一个更好的微波炉，这样你就可以把生的比萨配料放进去，它会在短短 10 秒钟内变成一个烤箱烤制的美味比萨。只有了解微波炉的工作原理的核物理学，才能实现这种神奇的效果。如果你深入研究，就会有神奇和可能性。

是的，所以我认为无论哪种方式，你都可以追随你的热情。例如，如果你的热情在于机器学习模型背后的细枝末节，我认为你可以在那里取得巨大的成功，你学得越多越好。同样，如果你对应用程序更感兴趣，并且只想产生重大影响，并且想坚持使用抽象，你也可以通过这种方式取得很多成功。是的，是的。感觉就像，嗯，

像一个过渡时期或中间时期一样。我喜欢你关于知道如何制造新微波炉的厨师的例子，但我认为地球上没有一个这样的厨师。是的。但是对于人工智能来说，情况就是这样。谁知道呢？是的。我的意思是，可能没有，但这有点像，你知道，如果你是，如果你，举个例子，

我们最近，在你我录制这集节目的时候，我不确定这集节目是否已经播出，但我最近与 Sean Johnson 录制了一集周二长节目，他是旧金山著名的 AI 投资者。我们在那一集中谈到，世界上只有几千人处于人工智能的最前沿。而且

这些人通常更感兴趣。这些是人工智能研究人员，直到几年前你可能称他们为人工智能工程师。他们就像那些知道如何拆卸微波炉的厨师。他们可以加入一个大型组织

他们不需要担心下游的商业影响。他们只需要担心制造更好的微波炉。通过专注于他们的部分，我的意思是，他们可以获得七位数的基本收入。所以这正在产生影响。

是的，而，是的，这很有趣。我想就像一个厨师一样，也许激励措施并没有让他们学习核物理学那么大。我认为我们还必须考虑工作的数量。肯定有空间让更多的人制造更好的微波炉和人工智能，但是目前以及未来雇主对他们雇佣的人员类型的需求量是多少？在我看来，这真的……

在这个阶段很难判断，但从像 Alex 的故事这样的轶事证据来看，我可以看出，即使这种抽象层越来越受欢迎，雇主仍然希望规避风险，并希望通过

要求您了解机器学习的基础知识来审查您的候选人。他们还没有完全准备好接受那些只在抽象层面上运作而又不了解底层基础知识的候选人。我认为这其中一部分，我从招聘经理的角度考虑这个问题。如果您要雇用一个只花几个月时间学习大型语言模型、提示、输入、输出的人，并且不了解其背后的任何内容，那么进入的门槛相对较低。您可以很快达到这一点。这就像规避风险，就像你说的那样，只是为了确保他们正在雇用一个更全面的人，在这个领域投入了很长时间，并且真正致力于在这个领域发展职业生涯的人。

我认为这是一个很好的总结。我们应该继续下一个故事吗？是的，我以为这可能是一个五分钟的周五节目。我也是，但这对话太有趣了。我很喜欢这个。

好的。故事二的主人公是 Ben。他们正处于职业生涯的中期，正从工艺工程师的职业转向数据科学机器学习。这是他们的目标。他们 30 岁出头。关于 Ben 有趣的一点是，我在 2024 年 8 月与 Ben 进行了一次谈话，这意味着大约五个月加上另外五个月，大约 10 个月前。而且

当时，Ben 很有趣。Ben 告诉我，他们正在学习很多关于人工智能、机器学习、数据科学，特别是数据科学和机器学习的知识。那是他们职业生涯的目标。

并且从 2024 年 8 月起，在五个月内，他们将，引用一下，“哦，还没有引用”。就像基本上，他们将准备好工作。他们的目标是准备好工作，在这个领域申请工作。你知道，五个月是一段相当长的时间，特别是对于一个工艺工程师来说，他还在过去几年里学习机器学习和数据科学。

也许大约一年左右。有趣的是，所以当我们最近联系时，Ben 的评论是，那时在 8 月份，我认为我将在五个月内准备好工作，但这个领域的发展速度超过了我能够跟上的速度。目前，Ben 感觉很迷茫，因为工作要求不断变化。他一直在查看这些不同的工作。而且，你知道，它们与五个月前不同。所以，

他正在学习一件事，但是当他完成那个课程或那一系列课程时，工作要求再次发生了变化。他感觉自己总是处于追赶状态。除此之外，他还有一份全职工作。他还有家庭责任。所以他不能每天只专注八个小时来准备这些事情。所以，而且

而且，你知道，他从那份工作中获得了稳定的收入。他只是想改变，因为那不再是他的兴趣所在。他对其他事情感兴趣，他想要追随自己的热情。但是，是的，这就是……

我们现在发现很多人处于这种可怕的状态，人工智能和机器学习的整个领域发展如此之快，以至于他们无法跟上，并且无法在这个求职过程中站稳脚跟，因为事情变化如此之快。很好。那么，是什么样的……我们是否有不同的……是什么……

是的，所以这些就像，是的，它们就像，所以这些五个故事中的每一个都让我们对人们可能经历的不同情况有不同的了解。很好。没错。我认为很多人都会有类似的感觉。我从几个人那里听说过这个。这是一个真实的故事，不仅仅是一个……

汇总的故事，一个真实人物的真实故事。但我从其他人那里也听过同样的故事，其中

它的发展如此迅速，想想大型语言模型吧，LangChain、LangGraph 就像一年前每个人都在谈论的那样，它们现在在哪里？它们不再像现在最热门的东西那样受欢迎了，或者像提示工程一样，每个人都在谈论提示工程，就像

一年半以前，那是最热门的新事物。现在人们正在谈论 MCP、代理人工智能等等。一年后会发生什么，我们根本无法确定地预测。我会说你可以预测一些事情。有些事情是根本性的。是的，有令人兴奋的新趋势，绝对如此。现在的 MCP、代理人工智能，这些都是令人兴奋的趋势。但同时，也有一些暗流

你可以长期看到，并且可以这样说，好吧，这是一个安全的学习内容。这将长期对我有所帮助。例如，我们刚才谈论的所有事情都发生在 Python 中。因此，学习 Python 是一项很棒的技能。这意味着如果您想更深入地学习，您可以说，好吧，学习数据结构和算法将非常有用，因为学习如何制作

理解编写此 Python 代码的计算机科学能够为您提供许多选择。因此，即使我们以某种方式从 Python 转移到其他语言，我们也不会在未来几年内从 Python 转移到其他语言。但也许五年、十年后，每个人都在使用 Rust 或其他语言。在这种情况下……

理解数据结构和算法仍然对您有益。总有一些更慢的，有一些趋势，一些大趋势，就像提示工程一样，对我来说，这似乎总是很明显的事情，很快就会消失，因为

数据科学技能、数据科学训练营，以及为什么 Python 和 SQL 仍然占据主导地位：在本集中，Kirill Eremenko 回到播客中，与 Jon Krohn 讨论 SuperDataScience 订阅者的成功案例，在快速发展的领域中关注的重点，以及为什么面对面工作和人脉关系可能会让你在获得顶级 AI 职位方面比其他候选人更有优势。

(04:35) 来自五位 SuperDataScience 订阅者的故事

(27:32) 如何在快节奏的行业中获得职业生涯

(44:19) 如何在数据科学领域脱颖而出

(1:01:40) 沟通在数据科学中的重要性

(1:16:41) 在 AI 工程中关注哪些技能

<raw_text>0 所有开发尖端大型语言模型 (LLM) 的前沿实验室，它们都在创建海量数据集并微调 LLM，使其在处理任何提示并预测用户所需输出方面越来越好。因此，它变得不那么像专家那样，哦，我该如何利用这个 LLM 来做我想做的事情？而且每过六个月，领先的 LLM 就会在预测你的需求方面变得更好。

是的，所以这些都是长期趋势。你可以肯定，每单位计算的微芯片成本会越来越低。这是让所有这一切魔法发生的终极大趋势。因此，你可以寻找这些大型长期趋势，并对某些事情充满信心。是的，

我同意你的观点，肯定总会有新的热门事物出现。这肯定会让人焦虑。但同时，你也可以找到一些平静。你可以在 SQL 等长期事物中找到一些平静。它已经存在了几十年，而且不会消失。这是一个很好的观点。我喜欢这个。如果你将学习分成……这可能会增加平静感。

我想这就像开发和探索，对吧？就像你利用现有的，正如你所说，大趋势，比如你 60% 的学习，然后 40% 的学习你专注于新的热门事物。至少你会有 60% 的踏实感和缓慢而稳定的进步。是的，我喜欢这个主意。

很酷。你说的芯片成本下降让我想起了 Sam Altman 最近的一条评论。他说，Sam Altman，智能的成本最终会与能源的成本趋于一致。是的，这有点……我不知道我为什么想到这个，但它与这个有关。是的，与之相关的是……

Anthropic 首席执行官 Dario Amadei 几个月前写了一篇博客文章。你必须让他来参加播客，伙计。哦，是的，我很乐意。那将是一位完美的嘉宾。是的，我的意思是，Sam Aldman、Dario Amadei。Sam、Dario，如果你在听。比尔·盖茨、卡戴珊家族。让我们把他们都请来。明白了。Ed Biden。乔·拜登现在退休了。我们应该让他来。是的。

所以你是说 Anthropic 的首席执行官？是的，所以 Dario Amadei 几个月前发表了一篇非常受欢迎的博客文章。它与智能成本下降密切相关，他描述了一种情况，在不远的将来，你将拥有一个拥有百万个代理的数据中心，就像一百万个……

就像一百万个人的大脑，而这些人的大脑都是诺贝尔奖获得者。你只有一个数据中心，拥有这百万个诺贝尔奖获得者级别的大脑在工作。他们不需要睡觉，他们不需要照顾他们的孩子。他们只是……而这即将到来。这将改变世界。关于 Sam Altman 提到的能源评论，我认为真正有趣的是

人工智能，这种丰富的智能，正在帮助我们获得更多能源，清洁能源，包括帮助我们控制核聚变反应堆中的等离子体，如果我们能够破解它，那么突然之间你将拥有基本上无限的能源和无限的智能，因为

所以我们可能正进入一个非常疯狂的世界。难以置信。你说 Dario，对吧，是 Anthropic 的首席执行官？确实如此。他给我的印象是一位未来主义者。他评论说，到 2025 年底，所有代码，或 90% 的代码，都将由 LLM 编写，对我来说，这有点牵强。有点让我想起了

雷·库兹韦尔及其预测，但雷·库兹韦尔的预测大多实现了。所以我们拭目以待。

本期 Super Data Science 播客由 Dell AI Factory with NVIDIA 提供赞助，它提供全面的 AI 技术组合、经过验证的交钥匙解决方案以及专家服务，帮助您更快地实现 AI 成果。通过由 Dell 广泛的 AI 基础设施和服务以及 NVIDIA 行业领先的加速计算技术支持的 Dell 产品组合，扩展您的企业规模的 AI 和生成式 AI。

这是一个完整的堆栈，包括 GPU 和网络，以及 NVIDIA AI 企业软件、NVIDIA 推理微服务、模型和代理蓝图。访问 www.dell.com/superdatascience 了解更多信息。网址是 dell.com/superdatascience。

雷做到这一点的一个很大一部分原因是基于我刚才谈到的计算成本的大趋势。基本上，你可以模拟几十年来计算成本随时间的变化情况，并且可以将其外推到未来，以获得……

库兹韦尔做出的五年、十年甚至十五、二十年的预测都是基于这种硬件基础。我不太了解 Dario Amadei 关于……

到 2025 年底所有代码都将由 LLM 生成的说法。我的意思是，这是不正确的。我想记住的一件关键事情是，当 Dario 或 Sam Altman 说话时，他们也在推销。是的，是的。我听过你与 LinkedIn 员工的播客，我忘了他的名字。John Rose，是的。不，不，不是 John Rose。这个人

呃，影响者，不，不，我认为……我忘了……非常大的粉丝，他说你们在谈论英伟达首席执行官谈论微芯片的重要性，他提到你必须记住，每当他做出这些说法时，他都在推销他的公司哦，是的，黄仁勋，是的，这是我们应该打电话给他的另一个嘉宾哦，是的，为什么不呢？为什么不呢？是的

无论如何，你对我对 Ben 的情况提出的建议有何看法？好吧，他实际上正在争论他是否想进入数据科学领域，但他同时也认为人工智能是未来。他当时的想法是，我将从他目前所在的工艺工程领域进入数据科学领域。我将学习数据科学的所有知识，然后转向人工智能。我告诉他……

他应该直接瞄准人工智能。如果人工智能是他的最终目标，就没有必要先成为数据科学家，然后再进入人工智能领域。也许两年前情况就是这样，当时人工智能是深度学习，你必须了解所有这些东西。但现在有一条通往人工智能的直路。你怎么看？你是否也向人们推荐这个？百分之百。我在节目中谈论过的事情，也许甚至和你一起谈论过，我不记得了，但是……

这感觉像是我们以前在节目中进行过的对话。我认为你可以将人工智能工程师、大型语言模型工程师视为一种专门的数据科学家。15 年前，当数据科学是一个全新的术语，人们开始从事这项工作时，存在一种……

它还没有发展。我们没有所有不同类型的工具，所有不同类型的专业化。作为一名数据科学家，有一个笑话，说数据科学家是不擅长统计或编程的人。就像你能够做很多不同的事情。你能够在当时对统计学有足够的了解，也许

也许是机器学习、数据和分析、一些 SQL，也许是当时的 R，一些 Python，你必须做一些可视化、演示技能，获得管理层的认可。最初，这是一种想法，即 15 年前要成为一名数据科学家，你可能需要一个博士学位。但是现在，

但是现在它已经发展了。它与同样的想法有关。人们谈论人工智能如何夺走每个人的工作。也许在某个时间点上会发生这种情况。但是历史上所有其他自动化发生的事情是，创造了更多的角色。这正是……

大型语言模型工程师再也不能体现这个真理了，那就是因为人工智能如此强大，现在突然之间你需要所有这些人能够将所有这些智能机器粘合在一起，以便做一些有用的事情，以便创建一个提供商业价值解决方案的产品。

所以，是的，人工智能创造了所有这些额外的数据科学专业化。所以现在你有你的数据工程师、你的机器学习工程师、你的大型语言模型工程师、你的数据分析师、你的数据库专家。是的，也许吧。去年。是的。

没错。所以，是的。有趣。是的，关于创造新工作岗位的话题，我喜欢戴尔首席执行官在你之前的播客中所说的话，我从未想过这一点，那就是将在建筑领域创造大量新工作岗位，建造这些数据中心和数据中心的基础设施。这将持续十年，甚至几十年。

这太大了。技术影响非技术部门的工作岗位数量。这太不可思议了，我喜欢这个。这为甚至不在科技领域的人们创造了机会。没错。我们最近邀请了一位非常棒的嘉宾。戴尔的首席技术官和首席人工智能官，拥有数十万员工，John Rose。我认为也许当你在……我们谈论的另一集中，

我认为那可能是来自 Zerve 的 Greg Michelson 谈论的。我可以找到这个人。但我想说的是，与戴尔首席技术官一起进行的这一集非常棒。精彩的一集。喜欢它。所以……

它表达得如此流畅，而且还有很多很棒的想法，特别是对于那些正在寻找人工智能的商业应用以及它如何应用于商业和工业的人来说。我向周围的人推荐这一集。很好。是的，它非常受欢迎。

好了，我们现在进行第四个了吗？是的，是的，差不多。我只是在找这个嘉宾的名字。是的，找到了。我谈论的是 Andrej Burkov。Andrej Burkov，是的，是的，是的。所以这要追溯到很久以前。是的，Andrej Burkov，这完全令人难以置信。他在 LinkedIn 和新闻通讯上拥有。在录制时，大约有 980,000 名订阅者或类似数量。他非常接近拥有百万订阅者。

他的 LinkedIn 上的人工智能新闻通讯订阅者。第 867 集，我相信。是的，867。我认为人们喜欢他，因为他很真实，你知道，就像没有过滤器一样，只是说出他的意见。不管他是否会冒犯别人，都不会冒犯别人。我看到他在……上的一些评论，他们删除了我的帖子，因为他们不喜欢我说的话。哈哈，这是一张截图，显示它是什么样子的。

你知道，就像在当今时代，有很多虚假和不真诚的人或不真诚的自我展现一样。我想人们重视这种真实性，无论你是否喜欢它，这都是一个单独的问题，但能够接触到某人的真实个性和性格，我认为这很好。

我们非常幸运能让他参加节目。他从不做视频、播客。他写书，非常受欢迎。而且是免费的。它们是免费的吗？我认为是的。你必须付费才能获得实体版本，显然。是的，但是你可以在网上免费获得一个，你可以根据你认为的价值支付任何金额。我对这一点印象非常深刻。他以 100 页的机器学习书籍而闻名，

但后来他在节目中谈到了他的 100 页大型语言模型书籍。所以我们联系了他。我已经通过各种方式联系了他好几年了，但他从未回应。然后当他完成 100 页大型语言模型书籍后，他又联系了我们，他说，我们还能做这个吗？所以让像 Andre 这样的人参加节目真的很酷，他很少做这种露面。他很少做这些，所以他听到一些有趣的事情。所以他从未听过他自己的录音。所以……

他来自乌克兰，所以他有一种浓重的斯拉夫口音。它并不那么强烈，但他认为他听起来像，因为他已经在蒙特利尔生活了几十年，所以他认为他有一种北美英语口音。所以他就像，什么鬼？当他听到录音时，他就像，这是谁？这很有趣。哦，是的，是的。

嗯，美好的时光，我认为有时在广播中、在节目中听到自己的声音很重要，以了解你是否在做一些事情，或者你的声音听起来一样哦，很好，很好，让我们继续进行第三个

好的。等等，第四个？当然第四个。你在开玩笑吗？我们进行到第三个了吗？不，第三个。没错。这是五分钟星期五。它已经进行了 37 分钟了。也许我们必须将其转换为星期二的节目。也许吧。你是主持人。你说了算。我只是玩得很开心。退休后播客的好处就是。

我不必做出这些决定。好的，第三个，Clara。她是一位居住在洛杉矶的资深开发人员，40 多岁，目标是年薪 20 万美元以上的职位。所以这个人，她已经在这一领域工作了二十年以上。

并且拥有丰富的经验，事实上，她做过各种软件工程角色，开发应用程序、开发程序、开发不同的……

为不同公司开发的东西。最近，我认为是五年，对不起，三年或五年。我不记得了。假设三年。她一直在使用 Python 创建软件。有趣的是，该软件处理数据，大量的 Excel 文件、大量的 CSV 文件，在医疗领域使用 Python。事实上，我们的许多成员，我不知道确切的百分比，但我与之交谈的许多成员都在医疗领域工作，支持

公司，无论是医院、制药公司还是其他与医疗相关的公司，例如医疗设备公司、采购公司或供应链公司等等。无论如何，所以她一直在使用 Python 创建所有这些软件，特别是 Pandas 和其他工具来处理大量数据。所以有很多 Python 经验。

最近完成了我们的四门机器学习课程，从 A 到 Z 的机器学习、一级机器学习、二级机器学习、三级机器学习。她想进入机器学习和人工智能领域。为什么？原因是 Clara 40 多岁了。她预测她至少还能在职工作 15 年。她可以看到她目前所做的工作虽然

你知道，薪水不错，而且她非常擅长，但这可能在未来不会那么重要。这不是一个……正如我们与 Clara 讨论的那样，这不像是一个自我实现的预言。她在工作中没有学习新的技能，这些技能将……

在未来为她打开更多大门，让她随着技术发展趋势而不断成长。她对申请非常有选择性。事实上，她几个月前辞去了工作，专门专注于学习和为新职位做准备。她不着急。她想慢慢来，并且

基本上主要通过她的人脉关系，而不是通过 LinkedIn 等方式申请数千个工作，主要通过她的人脉关系，非常有选择性。

是的，所以这是她的目标，进入这个领域。有趣的是，Clara 的痛点是她发现有数千个，确实是数千个职位申请者竞争同一个职位。即使在她拥有这种经验、专业知识和背景以及她所完成的所有项目的情况下，她也发现很难进入并获得她正在寻找的工作。这是……

可能与……有关

这种现象，有很多工作，但也有很多申请者，很难脱颖而出。我认为在过去的十年里一直都是这样，很多人通过直接提交简历的方式申请，所有这些简历都会通过人工智能工具进行预筛选。如果招聘经理直接与 Clara 进行了交谈，神奇的是，

那么他们会意识到她很棒，他们会毫不犹豫地雇用她。但由于很难以这种直接的方式接触到人们，我认为这就是问题所在。我认为 Clara 的想法是对的，她通过人脉关系和人脉网络来更快地接触到人们。你怎么看？

使用 Agency (A-G-N-T-C-Y) 构建多代理软件的未来。Agency 是一个开源集体，正在构建代理互联网。这是一个协作层，人工智能代理可以在其中发现、连接和跨框架工作。

对于开发人员来说，这意味着标准化的代理发现工具、无缝的代理间通信协议以及用于组合和扩展多代理工作流的模块化组件。加入 Crew.ai、LanqChain、Lama Index、Browserbase、Cisco 和其他数十家公司。Agency 正在发布代码、规范和服务，没有任何附加条件。与其他关心高质量多代理软件的工程师一起构建。

访问 agency.org 并添加您的支持。网址是 A-G-N-T-C-Y.O-R-G。人脉关系，最好是面对面的人脉关系，我认为是……

获得职业机会的最佳方式。并非每个人都能做到这一点。你可能会有家庭情况，或者只是你的地理位置。如果你想在数据科学或人工智能领域找到工作，也许没有你可以做的事情。远程工作确实是唯一的选择。在这种情况下，可能仍然有一些东西，例如 superdatascience.com，这些平台可以让你参与其中，你可以一起进行……

合作项目，了解人们。这会给你一种同事的感觉。你会记住你参与过的项目、你一起工作过的人、他们的专业知识。这就像在办公室与某人一起工作并了解他们能做什么一样。也许几年后他们会为你打开一扇门。你做得越多，你……

如果你必须的话，可以与网上的人一起工作。但理想情况下，你应该与人见面。在美国，有一些东西叫做 meetup.com。通过 meetup.com，你可以在美国的任何主要城市或加拿大找到你感兴趣的任何聚会。它并非特定于科技领域。

我相信有像……你知道的，微波重新编程厨师聚会。那里有各种各样的特定事物。但是，你知道，尤其是在数据科学领域，有很多不同类型的聚会，你可以参加，你可以处于任何阶段，你知道，你可能刚刚开始。你可能正在考虑……你知道，也许你像一名医生，你……

你厌倦了只与一个人打交道，并且你对某种人工智能医疗系统有远见，你想构建它……以扩大你的影响力。所以你可以开始参加这些聚会，并结识人们，然后决定，好吧，也许……你知道，我该如何进一步采取措施？嗯，你知道，我应该加入 superdatascience.com 这样的平台吗？或者在当地大学进行面对面的硕士学习？嗯，

所以你可以处于非常早期的阶段，你只是在探索数据科学或人工智能领域的职业是否是你感兴趣的，一直到成为一名大专家

如果你是一位专家，你可能会参与演讲。这些聚会通常会有这种情况。它可以围绕一两个演讲者谈论现实世界的项目或他们正在开发的一些开源库展开。你从演讲者那里学习东西，但在这些演讲者周围，你也有很多社交互动。很多这样的聚会都有饮料。披萨通常是他们订购的食物。

而且，你知道，有时它是由当地的数据科学或人工智能公司赞助的，或者也许有一些小费用，比如 5 美元或 10 美元，你可以投入其中，以便……你知道，购买披萨和啤酒或其他东西。是的，正是在这些社交互动中，你……是的，你结识了人们，有些人只是……你知道，你与他们产生共鸣，你与他们更多地聊天。你几次在那里看到他们，并且

是的，你可能会找到你的下一份工作。你可能会找到你的浪漫伴侣。你可能会找到你的挚友。你永远不知道。在我看来，这些事情，这些联系，在网上很难建立，但它可能会发生。你和我，我们将很快第一次见面，但我们已经认识五年多了。我觉得我认识你。你是我的密友之一，但我实际上只……

通过像素与你交谈。是的。好吧，感谢上帝它发生在所有深度伪造之前。所以我们知道我们，我们是真实的。是的。是的。嗯，有趣。你提到了……医疗领域，比如医生希望应用……

大型语言模型人工智能来扩大他们的影响力。我现在可能可以脱口而出，好吧，我必须查一下，但至少在 Super Data Science 平台上有五个人，他们在介绍中发布了，哦，我是一名医生，或者我是一名护士。护理界有一个观点

在医院数据库中，存在这个问题。我们一直在面临这个问题。我渴望解决这个问题。我肩负着使命。我们将使用人工智能来解决这个问题。这就是我学习人工智能的原因。在医疗领域，有很多机会应用人工智能。

无论是扩大对患者的影响、改进现有系统流程、改进医院的管理等等。这太不可思议了。我从未想过，我一直对有多少人发现……感到惊讶

医疗领域一直存在着实际的痛点。到目前为止，这是最受欢迎的，几乎被评论到我们甚至在 Superdesign 内部进行了一次所谓的聚会，一次虚拟聚会。实际上更像是一次指导会议，我们聘请了一位医疗领域的专家，我认为是在生物信息学领域。她为人们举办了一个研讨会，然后他们可以提问并讨论这些事情，因为这就是我们对这个领域的需求量有多大。

是的，我的意思是，你可以……你可以……我认为……你知道，医疗领域的人们，他们……你知道，他们通常希望对世界产生积极的影响。他们通常都是非常聪明的人，勤奋的人。因此，在那些想对数据科学和人工智能感兴趣的人的维恩图中有很多重叠。但你可以来自任何领域。我不知道你是否遇到过这个女人，这个女人，我希望我能够正确地念出她的名字，Adriana Salcedo。她在德国巴伐利亚州。

她已经做了七年的空乘人员。她积极地，她的全职工作是空乘人员。她一直在学习，她已经听了这个播客好几年了，这个播客，Super Data Science 播客。她正在学习数据科学技能。最近，她开始发布……你知道，她开始发布她一直在做的项目。她一直在做的事情，她最近完成了 Ed Donner 的大型语言模型工程课程，这……

Super Data Science 团队参与了创建。而且，呃，是的，我……我的意思是，这是一个……是的。所以这，这，这真的很令人兴奋。应该……我的意思是，播客有很多可能的主题，但她是一个……我觉得让她参加节目会很有趣的人。是的。她已经成为 Super Data Science 的成员……一年多了。是的。哦，她也是平台的成员。是的。我甚至不知道。是的。充满激情的 AI 爱好者。是的，就是这样。是的。

酷。太棒了。好的。所以，哦，我给 Clara 的一条建议，让我知道你对此有何看法，那就是……Clara 就像，好吧，我是一名软件工程师，资深开发人员。我将学习所有关于人工智能机器学习的技能，然后申请这些工作。并且

我给出的建议是倒着工作。比如去和洛杉矶的一些招聘人员谈谈，问问他们雇主在人工智能工程职位中寻找什么？他们的主要要求是什么？我需要勾选哪些框才能让你帮我找到工作？然后学习那些东西。你可以在那里一举两得。你缩小了学习范围

你可以更深入地关注这些事情。而且，你还可以……说到面对面的人脉关系，你可以接触到这些招聘人员，他们现在知道你已经有了一个很好的背景。你只需要润色一些东西。这需要你几个月的时间。

然后你可以再次联系他们，说我准备好了。让最好的候选人就职符合招聘人员的最佳利益，因为他们会因此获得佣金。所以这是一种双赢的局面。你不必去找工作。然后这些招聘人员可以……只要他们……相信你已经勾选了这些框，他们就可以帮助你获得这些工作。

所以，你知道，这看起来很明显，但有时我们不会停下来思考。我们只是学习阳光下的所有东西，或者我们认为会帮助我们的最热门的东西。但真正倒着工作，尤其是在你的领域，你知道……

洛杉矶的公司可能正在寻找的东西与他们在蒙特利尔寻找的东西不同，也可能与他们在柏林寻找的东西不同，这可能是因为主导该领域的行业，或者可能是因为文化方面或……你知道，

技术的发展方向或趋势，当地趋势，我认为倒着工作有很多好处。百分之百。有很多不同的网站提供

数据科学技能、数据科学训练营以及为什么Python和SQL仍然占据主导地位：在本集中，Kirill Eremenko回到播客中，与Jon Krohn讨论SuperDataScience订阅者的成功案例，在快速发展的领域中关注的重点，以及为什么面对面工作和人脉关系可能让你在获得顶级AI职位方面比其他候选人更有优势。

(04:35) 来自五位SuperDataScience订阅者的故事

(27:32) 如何在一个快节奏的行业中获得职业生涯

(44:19) 如何在数据科学领域脱颖而出

(1:01:40) 沟通在数据科学中的重要性

(1:16:41) 在AI工程中关注哪些技能

<raw_text>0 关于某个领域哪些技能。我知道LinkedIn做过调查，我最近甚至在节目中谈到过这些。我不知道我能多快找到。哦，是的，第856集。我谈到了AI工程师是如何成为2024年增长最快的职业的。

而那一集中的所有内容都来自LinkedIn在世界各地进行的调查。有一些有趣的趋势，例如AI研究员在旧金山特别受欢迎，那里有很多前沿实验室，而AI顾问在纽约非常受欢迎，那里有

较少的地方从事开发LLM的前沿工作，而更多的地方是与客户合作，利用这些模型产生重大影响。所以你完全正确。确实存在地区差异。当然，还有行业差异。你知道，就像

如果你想在医疗保健行业或金融行业工作，就会有不同的工具。也许如果你在金融行业工作，你需要找到一种在Windows电脑上完成所有这些工作的方法。澳大利亚可能更侧重于重工业，例如采矿和类似行业，以及农业。对。

对，对，对。这真的取决于情况。我们的一位会员推荐了一个很酷的网站，感谢Ricky Singh最近向我推荐这个网站，它叫做hiring.cafe。我建议你查看一下。我对……感到惊讶，它就像一个工作的聚合器。你可以按位置、职位名称等进行筛选。是的，它是一种非常原始的……

布局，用户界面。它不是那些像Indeed或Seek那样花哨的网站。它非常易于访问。

他们做得非常出色，能够聚合所有工作。因此，任何正在寻找职位或仅仅是想了解当地或其他地方职位信息的人，例如所需的技能，我都建议查看hiring.cafe。酷。谢谢你的建议。好的，继续。第四个。第四个故事是大卫，一位经验丰富的专业人士。

他一直在数据科学领域工作，并且计划继续留在数据科学领域。他40多岁。他的背景是游戏、分析和咨询。他现在在数据科学领域保持敏锐，并且不打算转向AI。我特别喜欢这个故事，因为并非每个人都会成为AI工程师。它只是表明你不需要成为AI工程师。

我问大卫，为什么你不想成为一名工程师？现在这是热门职业。每个人似乎都想进入AI领域。大卫解释说

首先，他对技术方面并不是那么精通，或者说仅仅是不感兴趣变得那么精通。那不是他的热情所在。与此同时，他认为数据科学家的角色不会被AI取代，因为他认为在面向客户的数据科学方面具有巨大的价值，基本上是帮助将洞察力转化为业务成果。

他对使用AI感兴趣，但他对构建AI、微调和代理以及LLM等不感兴趣。

是的。你对此怎么看？比如，人们专注于数据科学并利用AI来发挥优势，但并没有真正深入研究AI工程和我们之前讨论的其他角色，这是否有价值？当然。我认为这与我之前谈到的观点有关，即存在一些长期的大趋势，你可以找到相对坚实的基础。所以……

其中一个大趋势是AI模型将变得越来越好，能够帮助我们进行数据分析、数据可视化。如今几乎没有理由让你键入你编写的代码中的每个字符。因此，你绝对应该尽可能地利用这些工具。

然后，是的，另一个大趋势是，或者关于大趋势的另一件事是，在某些领域你可以找到坚实、长期的基础，而不需要紧跟LLM的最新动态。你可以成为数据科学其他方面的专家。你不需要

是的，你不需要像，哇，现在每个人都在学习如何调用LLM并将它们组合在一起。是的，对此有很多需求，但对数据可视化和能够编写高性能SQL查询、能够根据你获得的结果讲述引人入胜的数据故事的需求将持续存在。所以，是的，

你可以专注于这些方法。你可以成为贝叶斯统计的专家，它有很多应用。这与AI或LLM没有任何关系。你可以产生巨大的影响。你可以成为贝叶斯统计方面的专家，并使用LLM来帮助你学习这些东西，并使工作更容易完成。

但是，是的，这回答了你的问题吗？是的，是的，是的。当然。当然。而且总会有空间来弥合这种差距。将技术洞察力和结论与非技术受众联系起来的人。因为

最终，你必须推动业务成果。总会有很多人，有时我会被困住，因为我在听这个播客。我正在与我们的会员交谈。我正在学习AI中的东西。我正在教东西，我被困住了。我觉得我周围的每个人都了解AI。我觉得，好吧，每个人都在街上。但实际上，可能只有全世界一小部分人，也许说

说全世界3%的人了解LLM，甚至了解什么是回归以及分类是如何工作的等等，这可能是一个高估。这远少于3%。是的，我知道。但感觉是这样的。感觉对我来说，可能大约有30%的人。但我必须，像，

有意识地告诉自己，可能不到三，你知道吗？所以你，我们被带走了，我个人被带走了。我认为，但当我与我的朋友，比如在鸡尾酒会上或其他什么地方交谈时，我就会从这种梦幻状态中醒来。我们开始交谈，我说，他们说，哦，什么，你是什么意思？然后我必须让自己回到，哦，实际上，你知道，我正在与一位律师交谈，他目前还没有使用遗传AI之类的东西。所以，

总会有空间容纳那些将这小部分专家以及这个科技世界与非科技人士联系起来的人，洞察力、事物如何运作、事物应该如何运作、探索他们的痛点、问题等等。所以，如果这让你感兴趣，如果你觉得与人交谈和帮助他人让你兴奋，那么这绝对是一个数据科学领域，

那么这是一个很好的领域。如果你在这个领域，你绝对不需要变得超级技术化。大卫还提到了一些其他事情，那就是

一个有趣的建议，他40多岁，在招聘过程中经历了年龄歧视。他所做的是主动限制他在LinkedIn上可见的内容，以避免年龄歧视。例如，他删除了他的毕业日期。他删除了，我不记得还有什么，比如他的生日等等。因此，人们和算法不会因为年龄而对他产生偏见。你说他40岁？40多岁。40多岁。是的。

有趣，伙计。

所以这是一个建议。不幸的是，你知道，这很可悲，但这确实会发生。所以，你知道，如果你想保护自己，特别是针对年龄歧视，无论你是年轻还是年长，无论你认为是什么可能影响到你，这都是一种方法。然后一旦你进入面试阶段，你的年龄实际上并不重要。一切都是关于技能，以及你能为企业带来的价值。是的，你知道，我认为在数据科学领域，确实有一些人，

如果他们从其他职业转型，他们确实愿意大幅降薪以获得一些经验。但有趣的是，在我的职业生涯中，我多次遇到过这种情况，

其他人，例如金融领域的人，现在正浮现在我的脑海中。我曾在金融部门与一位同事共事。她当时在财务部门，正在讨论谈判要约。我说，这个人将从另一个职业转行而来，在那里他们的薪水要高得多，但他们愿意降薪与我们一起工作，因为他们喜欢我们正在做的工作。他们想要掌握这些技能。

他们怀疑这甚至是一回事。他们说，不，这行不通。他们不会留下来的。每个人都想要更多钱。这是一个金融人士。

所以，是的，这很有趣。就像你绝对可以，因为我认为年龄歧视，我认为从根本上来说，并不是说，你知道，40多岁的人，你不会说，哦，他们，你知道，他们太老了，学不会了。学习永远不会太晚。我认为我们有80多岁或70多岁的人在SuperDataScience学习。没问题。不，当然。不，当然。但我认为，我认为你会得到这种期望。组织中的一些人，不是我，可能也不是你，但

但有些人脑子里会产生这种想法，即人们总是，总是希望获得更多，变得更资深。所以，你知道，这是，这是，是的，我认为这就是问题所在，就像它，关于年龄的问题是，它与某种，某种补偿水平的期望相关联，对于这个人可能申请的某些职位，你正在描述的，你知道，他们可能申请的职位是，

因此，招聘经理看到它后会说，这个人，他们工作时间太长了。他们的薪资期望值太高了。我甚至不会与他们交谈。是的，这很不幸。这种情况确实会发生。还有一个建议，你可以如何保护自己。所以，关于大卫的最后一点，我忘记提到他正在寻找20万到25万美元之间薪水的职位。并且还位于

我认为是美国中部，某个地方。他观察到一个有趣的趋势是重返办公室的趋势。它正在获得越来越多的关注。他认为这对他有利，因为他愿意回到办公室。对他来说，这意味着他所在地区的职位竞争将减少，因为来自世界各地的人们不会参与竞争。他还建议查看一些地方

因为重返办公室的趋势，公司正在开设办公室的地方。例如，他提到IBM与俄亥俄州的一家医院达成了巨额交易，一笔数十亿美元的交易。他预测，该领域的AI工作岗位将会增长。那里的人才并不多，但那里的机会将多于人才供应。

是的，是的，这非常有道理。很棒的策略。是的，我的意思是，如果你今天想要一份完全远程的工作，竞争将越来越激烈。为什么会发生这种情况？为什么会出现重返办公室的趋势？所以我有一个假设，当你是一位高管或经理时，你会感到有权力。

当你能够来上班时，想象一下，你比如在纽约，你是高盛的一位高管。你想在8点30分来上班，而你数百名下属从7点30分就开始辛勤工作了。

当你的主权财富基金的朋友来纽约访问时，你想能够带你的朋友去办公室，向他们展示你所有的下属。但是，当你像，哦，我们有一个庞大的员工队伍，每个人都在线。是的。

你知道，这只是，这很难让你感受到你拥有的权力。我认为这是因为你的职位越高。几年前我读到过这个数据。我相信现在仍然如此。我在2022年读到这个数据，你的职位越高，你越有可能认为，

人们应该回到办公室。那是我最初提出这个假设的时候。但是，我还最近读到，年轻人，比如应届毕业生，他们也越来越乐意回到办公室，因为他们学到的东西更多。我认为，如果你是刚开始职业生涯，

并且你被困在Zoom会议上，你不会像在走廊里、咖啡机旁、下班后出去喝酒那样建立同样的融洽关系，如果这些事情一直在发生，那么……我不知道，你只是学到的东西更多，而且我肯定……说到初级职位，我认为它变得越来越

它们正越来越容易受到AI的影响，比如代理AI自动化，比如说初级律师的任务，整个案例法律的研究等等，或者会计任务。10年前我听说过这种现象，这种理论，但现在有了这种AI，它变得更加突出，那就是

AI将首先自动化初级任务，接下来会发生什么。初级人员将没有机会培训并成长为高级人员。因此，在某些角色中，我们将看到整个劳动力层或部分被切除，这些角色很容易被代理AI自动化。然后，我们将在10年后面临这种后果，那时我们将没有来自这些初级人员的中级人员或高级人员。

各种事情都在变化，变化很快。变化很快，必须跟上，但也要关注那些基本的，它们叫什么？大趋势，正如你提到的那样。

这样你就不会失去理智。你必须继续收听播客。这是一个大趋势。播客是一个大趋势。好的。第五个，埃文。他是一位经验丰富的工程师，正在学习ML部署。所以，为了充分披露信息，埃文决定离开SuperDataScience，

我们，从会员资格。这是他离职面试的一部分。哦，真的吗？是的。是的。感谢你的透明度。你知道，就像我，我想说实话，你知道，这是一个学习平台。它对某些人有效，对某些人无效。埃文在这里待了一年。他得到了他想要从中学到的一切，然后离开了。那一定，我的意思是，你不能，期望人们在这样的事情中终身成为会员，这有点奇怪。你知道，你，你，

我理解这一点。你知道，你想要不同的视角。你喜欢，你知道，你有点，是的，我完全理解。但无论如何，所以我们进行了一次很好的交流。我给埃文发了消息，我说，嘿，你一直是我们最直言不讳的会员之一。我很想和你谈谈，了解你的目标等等。

基本上，埃文经验丰富。他居住在欧洲的一个岛屿上。我认为这足够含糊，不会泄露该人的确切位置。居住在欧洲的一个岛屿上，但他确实有一家公司，一家咨询公司，他与美国的客户合作开展机器学习、AI、技术工作。

软件开发。所以他来自软件开发背景，但他已经提升了很多技能。所以在过去的一年中，他参加了

我们的一些协作研讨会。我认为他参加了两次协作研讨会，在那里他与团队成员一起构建机器学习和AI，并部署它们，例如模型和项目等等，部署它们。他还参加了我们很多实验室、很多课程和很多指导课程。他是我们那些进行指导课程的人之一，你选择职业道路，然后你会被分配到一个特定的指导小组

根据你的职业道路，你处于初级、高级或专家级别的指导小组。他实际上让我把他安排到所有三个指导小组中，这样他就可以与我们所有的三个导师互动。无论如何，关于他的一件有趣的事情。所以基本上，

他面临的有趣之处或痛点是，他越来越发现，他正在从事LLM或正在申请从事LLM和代理AI工作的公司，他们正在寻找专门的公司。

云技能、可用于生产的技能和部署技能。因此，他认为AI工程师越来越需要知道如何将可用于生产的系统部署到基于云的环境中。你对此有何看法？你认为这如今是AI工程师的必备技能吗？我不知道是否必备，但我可以肯定地说的是

对此有巨大的需求。我之前在节目中多次说过。对于任何类型的软件工程技能，如果你将这些技能与数据科学、AI技能一起学习，你将大大拓宽可能的就业范围。如果你能够同时在工程团队和数据科学团队工作

并找出如何使AI模型适用于具有某些生产用例和对用户具有成本效益的性能方式的特定情况，这将非常有价值。是的，当然。但有趣的是，像……

我听到的越来越多。这让我非常惊讶。我从我们的会员那里听到的越来越多。我们想要，我们正在学习可用于生产的技能。我们正在学习部署。这就是为什么，例如，我们的协作项目如此受欢迎的原因，因为协作项目的最后一步，最后阶段，大约需要一周时间，是部署部分。

越来越多的会员。而且，你知道，我昨天和你的朋友Ed Donner谈到了这件事。我们正在交换电子邮件，他说，嗯，

同样。他认为，我同意他的观点，在我看来，他说AI的科学应该是最重要的，比如理解你的数据，试验你的嵌入模型，验证你的上下文的相关性等等。但唉，越来越多的人学习这个领域，尤其是在更高级别的人，都在关注部署技能。事实上，Ed告诉我他昨天早上对他现在的学生进行了一项调查

他现在的学生最想听到什么主题。果然，生产部署位居榜首。所以这有点像……

在我看来，这是因为AI工程师目前仍然是一个模糊的术语，一个模糊的角色，仍在形成中，根据这些对话，在我看来，它正在以一种方式形成，对于像AI工程师这样的角色，是的，存在我们之前讨论过的抽象级别的AI工程师，你只需要使用工具，而不需要深入研究

但是随着你深入研究，有两个主要领域你应该很好地理解。第一个是AI的科学。这就是我们讨论的内容，比如你的嵌入模型，你对数据的试验，理解使用哪个模型。甚至到了LoRa的程度，你可以深入研究AI部分。

但还有一个部分，那就是可用于生产的系统部署和云。那就是理解CI、CD、持续改进、持续部署管道。那就是理解云是如何工作的，你将使用云中的哪些工具，理解使用模型上下文协议（MCP）是否正确，理解如何在AWS上构建Lambda函数以部署

将你的Python代码放入其中，如何使用步骤函数，如何使所有这些协同工作并与正在工作的系统集成，该系统可以更新，可以被公司使用。这就像一个完全独立的领域。

AI工程师，就像我们谈论的理想AI工程师一样，会非常了解这两件事，并且能够构建一个优秀的模型，使其高效并实现其需要实现的业务成果，并能够部署它、监控它，并将其设置为以经济高效的方式运行。安全已正确实施

设置，你知道它是安全的等等，所以我认为这两个领域，如果任何人想在AI工程领域建立长期职业生涯并真正深入研究，我将真正专注于在这两个领域发展技能，并且

我理解正确吗？你实际上在superdatascience.com上有一个针对这些技能的训练营即将推出？是的，是的。现在是宣传我们训练营的时候了。所以，基本上，由于我们观察到的这些情况以及所有这些需求，我们已经启动了，我们刚刚启动了一个训练营。因此，申请正在开放中。你可以访问superdatascience.com/bootcamp。

在那里申请。这是一个为期八周的强化课程，你将与该领域的专家一起工作，这些专家实际上正在做这些事情。所以