AI 浪潮下的认知重构：从一个数据老兵的转型思考

2023 年 1 月，我自己第一次接触 ChatGPT。

说实话，当时的心情挺复杂的。做了 20 多年数据，从传统数仓到大数据平台、中台、数据分析商分等。自认为在这个领域还算个"老司机"。结果呢？一个 AI 工具，几秒钟就能写出比我优化了好几遍的 SQL 还要简洁的代码。

那一刻，我突然意识到：游戏规则变了。

从数据到 AI，我经历了什么

初次邂逅：带着探索者的心态

刚开始接触 GPT 时，我的心态可以用三个词概括：无目的、好奇、贪婪。

被拉入不同的 GPT 的群，试着用它当写作助手，效率确实高得吓人。但更让我震撼的是，当我把股市新闻数据喂给它做分析时，训练出的模型效果堪比 3-5 年经验的分析师。这是 23 年 4-7 月份干的事情。复盘的结果惊艳到我与各位群友。

这 TM 的...我这 20 年算是白干了？

深入探索：从工具到伙伴

3 月份开始，我不满足于简单使用，开始本地搭建模型、调用 API 做联合训练。到了 4 月，用 AutoGPT 做控制，在金融分析复盘上的效果让前同事都想拉我一起创业。

慢慢地，大模型从一个工具变成了我的工作伙伴：

• 写脚本和正则表达式

• 从图像、视频中提取数据

• 营销场景 Prompt 的尝试

• 多语言翻译、文章精简

• PPT 思路整理、创意头脑风暴

朋友说我的工作效率真高，很多内容产出很快。其实他们不知道，我已经离不开这个"小助手"了。

传统的一切都在崩塌，真的

编程？70%的工作 AI 都能干

看看我们数据工程师的日常：

• 写 SQL（15%工作量）- AI 能写

• 数据迁移（10%）- 大部分可自动化

• 数据采集（10%）- 重复性极高

• 离线数据处理（10%）- 标准化流程

算下来，日常工作中 70%是重复劳动，80%需要跟文本打交道。这些，AI 都能搞定。

更扎心的是，当我用大模型做数据建模时，从业务分析到多维模型设计，它能像个资深架构师一样跟我对话，提出的问题比很多初级工程师还要专业。

数据分析师，你还好吗？

作为在数据领域摸爬滚打这么多年的人，我必须说：数据分析师这个岗位正在经历巨变。

以前的数据分析师：

• 门槛很低（会 SQL 就行）

• 存在感很低（经常被优化）

• 天花板很低（很难往上走）

现在呢？AI 让门槛更低了，但也让天花板更高了。为啥？因为当基础工作都能被 AI 搞定时，真正的价值在于：

• 知道该问什么问题

• 能判断 AI 的答案对不对

• 会把业务问题翻译成数据问题

• 懂得在合适的场景用合适的方法

教育？别逗了

我朋友的孩子还在背古诗词。我就想问：AI 随便一搜就有的东西，背它干嘛？

当然，我也不是说完全不用学。只是现在这种填鸭式教育，在 AI 时代真的还有用吗？知识获取成本已经接近零了，还在比谁记得多？

认知结构：你唯一的护城河

知识 vs 认知结构

打个比方：

• 知识就像手机里的 APP，随时可以装卸

• 认知结构就像操作系统，决定你怎么用这些 APP

再具体点：

• 会写 SQL 是知识，知道什么时候用 SQL 什么时候用 NoSQL 是认知结构

• 会用 Transformer 模型是知识，理解为什么这个场景要用 Transformer 是认知结构

说白了，AI 可以告诉你所有的"是什么"，但"为什么"和"怎么用"，还得靠你自己的认知结构。

为啥 AI 搞不定认知结构？

因为认知结构太个性化了。

我在传统制造业待过，在阿里待过，现在自己创业。这些经历让我形成了独特的判断标准。比如做数据平台，是选"大而全"还是"小而美"？AI 可以列出两种方案的优缺点，但最终选哪个，得基于你的价值判断。

现实工作哪有那么多标准答案？预算不够、时间太紧、老板想法一天三变...在这种环境下做决策，需要的不是教科书上的理论，而是"差不多就行"的智慧。

用未来的眼光看现在

这是我最近悟出来的：别老想着你会什么，想想未来需要什么。

未来大概率是这样的

根据我的观察和思考：

• AI 助手会比手机还普及

• 大部分执行性工作会被自动化

• 人类主要做"拿主意"的事

如果真是这样，什么能力会值钱？

我觉得是这些：

• 会质疑（AI 说的不一定对）

• 会连接（把不相关的东西联系起来）

• 会判断（知道什么时候该信 AI）

• 会创造（哪怕是微创新）

一个真实的例子

上个月，公司要做用户行为分析。年轻同事直接问 AI 怎么做，AI 给了个标准流程，看着挺专业。

我就问了几个问题：

• 咱们用户都是谁？

• 分析了要干嘛？

• 数据靠谱吗？

• 老板到底想看啥？

这些问题 AI 答不了，因为它不知道我们的具体情况。最后我们搞了个完全不一样的方案，简单粗暴但管用。

这就是认知结构的价值：在标准答案之外，找到最适合的解决方案。

当大模型遇上大数据

作为一个数据老兵，我必须聊聊这个。

ETL 的未来在哪？

传统 ETL 工作，70%是重复劳动。写 SQL、数据清洗、模型调整...这些 AI 都能干。

但问题是：为什么数据处理过程不能完全交给大模型？

因为：

• 数据质量问题千奇百怪

• 业务逻辑经常变

• 性能优化需要经验

• 故障排查需要直觉

所以，ETL 工程师不会消失，但会从"搬砖工"变成"指挥官"。

数据建模的新玩法

之前我尝试用大模型辅助数据建模，效果出奇的好。

比如构建一个数据仓库模型：

1. 让 AI 扮演资深架构师，检查我的设计

2. 让它从业务角度提出质疑

3. 自动生成实体关系图

4. 快速构建多维模型

以前需要一个团队干一个月的活，现在一个人配合 AI，一周就能出初稿。

基于 AI 大模型的原生产品

说完辅助，咱们聊聊更猛的——直接基于大模型做的原生产品。

最近我们搞了个一套智能分析系统，这玩意儿让我真正见识到了什么叫"降维打击"。

传统复杂的应标书啥样？

l  投标文件几千页，看到眼花

l  评标专家一坐一整天

现在呢？利用大模型技术+大数据技术双引擎重构了整个流程：

l  基于 200 多条规则库和上万个历史案例训练出来的。合规性检查、条款完整性、甚至反围标条款，全部自动搞定。

l  以前人工清标，十几个人对着 Excel 表格一项项核对，并且需要再几千页的复杂 pdf 文章中提取查找。现在？大模型几分钟搞定。不只是简单的数据比对，而是真正理解标书内容，能识别出"换个说法"的相同内容，甚至能发现逻辑矛盾。可以细化到一堆表格零件细节做分析。 

l  最骚的是什么？几十套大数据分控模型。通过分析投标文件的写作风格、用词习惯、甚至标点符号使用，能识别出是不是同一个人写的多份标书。有次真的抓出来三家公司的标书是一个人写的，现场打脸。

效果怎么样？

l  招标准备时间从 2 周缩短到 2 天

l  评标效率提升 10 倍

l  串标围标识别准确率达到 85%

l  最关键的：争议减少了 70%（因为 AI 的判断有据可查）

说实话，刚开始我也担心，这么重要的事交给 AI 靠谱吗？但用下来发现，AI 不是要替代人的判断，而是把人从繁琐的事务中解放出来，专注于真正需要经验和智慧的决策。

这就是我理解的 AI 原生产品：不是简单地用 AI 优化某个环节，而是用 AI 的思维重新设计整个业务流程。当你这么做的时候，效率提升就不是 10%、20%的问题，而是数量级的飞跃。

写在最后

这几年多的 AI 之旅，改变最大的不是我的技能，而是思维方式。

以前总想着学更多知识，现在明白了：在 AI 时代，重要的不是你知道多少，而是你能创造什么。

记住几点：

• AI 是工具，别怕它

• 知识会过时，思维方式不会

• 不是啥都要学，学有用的

• 从未来看现在，别纠结过去

最后想说，作为一个从数据仓库时代走过来的"老人"，我见证了太多技术变革。但这次不一样，AI 不是在优化我们的工作，而是在重新定义工作本身。

路还长，慢慢走。但方向要对。

对了，如果你也在思考这些问题，欢迎一起聊聊。毕竟在这个时代，谁也不敢说自己看清了未来。

（这篇文章有些观点可能过两年就被打脸，但 who cares，当下的思考才是最真实的）