AI浪潮下，普通嵌入式工程师与高手的分水岭究竟在哪？
我看着屏幕上刚刚生成的那段代码，心情并没有预期中的激动，反而有些微妙，不知是该欣喜还是该提前做好防备。
速度太快了。
以往要折腾大半天的事情，现在短短几分钟就完成了。结构完整，框架清晰，看起来甚至远超我自己写的水平。
这是一位长期合作老客户委托的新项目，整个过程我没敲过一行代码。
周一上午11点，他把资料发了过来，包含原理图、功能规格书和若干芯片数据手册。
我从12:31分正式启动工作。
依照这些材料，先自动搭建标准化目录体系，对资料进行归类整理。
整个流程由我亲自设计的工作流驱动并产出成果，我只负责方向把控。
例如规范化的项目目录
统一格式的功能说明与硬件接口文档
让AI按照我设定的规则，自动补齐项目所需的资料：
其中在功能需求的敲定上，耗费的时间相对较多。
直到下午4点左右，功能说明才基本落实：
随后才指挥AI着手编码：
最终在晚上10点半前后，将首版源码交付给客户测试，客户的硬件板卡都还没到位，代码就已经基本成型。
昨天，某大厂的产品经理带我走访了一家做平板的企业，规模不小，有几百号员工，在行业内算得上头部。
邀我过去，主要是共同交流AI相关话题，那位老板说，我们或许就是最后一代工程师了，未来无需人工写代码，新人也鲜有锻炼技术的机会。
如果编码变得越来越轻松，我之前积累的那些知识，究竟还有没有价值？
他们还请来了一位专注Linux开发的同行，此人也分享了全程不写一行代码，最终在全志平台上完成外设调试、内核移植裁剪的实例。
这让该公司的研发经理后背发凉，是不是老板已经开始动手裁员了？
我相信，许多嵌入式工程师都有过类似的忧虑。
那位老板也反复澄清并非为了裁员，他说市场体量这么大，产品种类这么多，根本做不过来。
他只是想看看能否借助AI，把整体效率提升上来，让大家从重复劳动中解脱，去开发更多产品以抢占市场。
不论这话几分真几分假，我觉得并非毫无依据，但极端情形下也难免出现极端的减员动作，也就是当整个市场都不景气时，为了控制成本，不得不做出让步。
我觉得把全部期望押在公司不裁员上并不现实，市场太残酷、太功利了，唯有依靠自己才是唯一的出路。
这个问题，我思索了很久。
要厘清AI时代工程师的价值，首先得把AI暂时搁置一旁。
先问一个最基础的问题：企业为什么需要招聘嵌入式工程师？
企业真正诉求的是，板卡通电之后，设备能够按预期运行。
该亮时亮，该转时转，该停时停。接线松脱，不能继续失控运转；温度过高，要懂得自我保护；用户误操作，也不能导致设备损坏。
程序只是实现这些目标的一种途径。
客户不会因为你交付得快就埋单，也不会因为代码看上去整洁就减少投诉。最终他只关心设备能不能用，能用多长时间，出故障时能否定位。
这就是嵌入式开发最本质的特征：我们编写的内容，最终要部署到真实的设备中，应对真实的电源、线路、温度、干扰以及人为的误操作。
AI可以快速生成一段代码，却无法让这些现实难题凭空消失。
沿着这个逻辑深入，普通工程师与高手的分界线便浮现出来。
接到一个功能需求后，普通工程师最先想到的往往是：这段代码该怎么实现？
高手首先思考的，通常是另一组问题：当前我们掌握了哪些信息？还存在哪些未知？哪个环节一旦判断失误，后续所有努力都得推倒重来？
客户提到运行要稳定，稳定具体指多少天不出故障？
他说响应要迅速，多快才算是快？
他说异常时要保护，哪些情形归为异常？保护动作触发后，是立刻停机，还是先完成当前操作？
举例来说，一个看似简单的电机控制需求。
按下左侧按键，电机左转；按下右侧按键，电机右转。AI很快就能输出这段代码。
但万一两个按键同时被按下呢？
电机已经到达极限位置，负责反馈停止信号的元件却失灵了呢？
设备运转过程中突然掉电，再次上电后，是延续之前的动作，还是就地停止等待指令？
这些棘手的问题不会等到编码结束才冒出来。它们本来就是功能的一部分，只不过有的人在起步阶段就预见到了，有的人非要等设备故障后才后知后觉。
这些问题不厘清，代码写得越快，返工的节奏也可能越快。
AI的强项是基于既有信息，迅速给出一个可能的方案。
而高手真正的本事，是能够持续排除那些不该出现的情况。
他未必比别人记忆更多，也未必每次都能瞬间给出答案。
但他清楚哪些地方不能靠猜测，哪些必须核实，哪些要预留观察的窗口。
很多项目最让人如释重负的瞬间，就是设备终于动起来的那一刻。
指示灯亮了，电机转起来了，屏幕也有输出了。
那一刻很容易产生错觉：总算大功告成了。
但高手往往在这个节点反而开始紧绷起来。
因为他清楚，能运行只印证了一件事：在当前这种条件下，它正常工作了。
换一种操作顺序呢？
持续运转几天呢？
电源波动、线路虚接，或者某个器件响应迟缓呢？
真正烧脑的，从来不是让设备成功运行一次，而是预判它会在何种条件下失效，并提前把风险封堵住。
普通工程师看到的是已经能用。
高手看到的却是还有哪些场景尚未覆盖。
高手并非更消极。
只是他脑海中装着的，不只是眼前这一次的成功，还有设备抵达客户手中后可能出现的各种状况。
过去写一段代码耗时很久，所以会写这件事本身就很有价值。
如今这件事正在变得廉价。
但写得出来，不代表做得正确；一次能用，不代表长期可靠；答案看起来完整，也不代表其中没有潜伏着一个让你折腾数日的隐患。
AI越强大，产出答案的速度越快，工程师就越容易跳过中间的推敲环节。
这时候，谁能提出关键问题，谁能识别哪些信息不可靠，谁能设计出验证手段，谁就更有分量。
这些都需要在该领域长期沉淀的经验，这是AI无法取代的。
未来稀缺的人才，我判断大概率就是这类人——拥有丰厚的行业积淀，又精通AI工具。
这样AI就如同他的千军万马，替他处理所有繁杂事务，而他凭借经验引导AI沿正确方向推进。
工具相同，落差却会持续拉大。
普通工程师与高手的差距，大概就蕴藏于此。
一个急于拿到答案。
一个先弄明白，什么样的答案才值得信赖。