AI冲击下嵌入式工程师的转型路

上周我和一位做了八年嵌入式的朋友一起吃饭，他说的一句话让我到现在还记着。

他说：「以前我搜嵌入式，满屏都是招聘；现在再翻两页岗位就没了。剩下的不是要求会AI部署，就是薪资跟三年前差不多。」

喝了口酒，他又抛出一句：「我是不是得考虑换行了？」

我当时没有立刻给答案。脑海里闪过不少想法，但都不适合在酒桌上直接说。回去后我越想越觉得，这事应该认真聊一聊。

先把话说冷一点。

如果你现在只会写裸机驱动、配寄存器、调串口，确实会有风险。AI本身可能还没来得及“动手”，但成熟的BSP和HAL库早就把这类工作先吃掉了。很多团队发现，招一个应届生，给他一套CubeMX，三个月就能上手。那你的八年经验体现在哪里？

不过冷水泼完也得说清楚：嵌入式并没有走到尽头。

它到底怎么“不完”？我去翻了些数据。

华为和阿里这两年在智能硬件、边缘计算方向大规模用人，岗位需求的年增长超过40%。我好奇背后市场到底有多大，就去查了Grand View Research的行业报告，结果很震撼：全球边缘AI市场2024年大约1872亿人民币，2034年预计达到2.78万亿，十年翻将近15倍。

前提是，这些岗位要的通常是“嵌入式+AI”复合型人才。只写驱动的简历投过去，大概率不会有回音。

所以嵌入式结束了吗？没有，但“吃老本”确实站不住。

那到底能往哪走？

我整理过一份清单，把能想到的方向都列进去，总共八个：边缘AI、自动驾驶/机器人、RISC-V、端侧大模型部署、AI算法研究、传统物联网、云端大模型开发、多模态AI系统。

接着我逐一排除。

从嵌入式工程师的角度看，哪些更容易上手？AI算法研究先不说，跟数学系同学比推导公式，胜算太小。云端大模型开发也不行，那边要的是分布式训练和大规模集群调优，跟底层能力对不上。于是这两条先划掉。

那市场上有没有更具体的岗位、薪资又如何？传统物联网增长放缓，薪资天花板也差不多到位了，也先不考虑。多模态AI系统岗位太少，主要集中在大厂研究院，普通人触达难度大，于是也划掉。

最后我看有没有头部公司已经在真正落地。剩下的四个方向，确实都能找到对应的实际案例。

第一个是边缘AI。

对嵌入式工程师来说，这条路几乎是无缝衔接。

想想TinyML做的事情是什么：在几十KB的Flash、几KB的SRAM、毫瓦级功耗的芯片上跑神经网络。说到底，这就是嵌入式一直干的活儿，只不过以前你塞的是协议栈，现在塞的是模型。

具体落到工作上要做什么？把训练好的模型进行量化、剪枝，把体积从几百MB压到几百KB，再部署到Cortex-M4上跑起来，同时还要严格控制功耗，不能把电耗顶爆。

这种活儿，纯算法工程师往往干不了。因为他们更习惯在云端用“内存不够就加卡”的思路，到嵌入式这块地盘里，容易抓瞎。

我前两天翻了猎聘相关数据：上海有公司在招「嵌入式AI工程师（边缘视觉方向）」，薪资区间25k-50k，14薪。初级嵌入式AI岗年薪25万-35万，资深40万-60万；如果能做多模态VLM（视觉语言模型），直接到60万-80万。海外同方向中级岗更夸张，15万到22万美金，比传统嵌入式高出三到五成。

第二个方向是自动驾驶和机器人。

今年最明显的信号是：轻量化大模型开始上车，能看到人形机器人从概念走进工厂。

蔚来官网目前挂着1376个岗位；小鹏的自动驾驶算法岗位以及车规级MCU开发岗月薪4万+；华为智能汽车BU最高年薪开到82万。小鹏自动驾驶负责人吴新宙也说过：「我们需要既懂车辆动力学又能写控制算法的工程师，这类人才目前供需比达1:8。」

1:8，八个坑一个萝卜。缺口到底在哪？

原因是这两条赛道对实时性的要求非常苛刻。车辆在路上跑时，感知决策链路延迟超过50毫秒就可能出大问题；机器人在产线上搬东西，伺服控制抖一下，几十万的设备都有可能被撞坏。

谁能把这种级别的实时控制做起来？只会写Python的人基本不够用。

得是写过C、对中断优先级做过深入理解、在RTOS里干过硬实时调度的人。

第三个方向是RISC-V。

这条线短期看起来没那么“炫”，但更值得早一点下注。

几个数字就能说明现在处于什么阶段：全球RISC-V芯片累计出货量已突破100亿颗，中国占比超过一半。平头哥玄铁C930今年开始交付，全志基于玄铁C910的芯片已经量产，跑进了比亚迪智能座舱和小米智能家居。中科蓝讯90%以上收入来自RISC-V架构，年出货量14亿颗。工信部把RISC-V定位为「掌握处理器核心技术的战略支点」，北京经开区还专门发布了RISC-V产业发展行动计划。

但业内也有个普遍短板：全链条人才缺口很突出。现在入局还能吃到生态早期红利，等到到处都是RISC-V工程师时，门槛自然会更高。

第四个方向是端侧大模型部署。

听上去有点“玄”，大模型还能塞到端上跑？但事实确实正在发生。

举个真实例子：某手机厂商把7B参数的Qwen做了4bit量化与结构化剪枝，内存占用从原来的十几GB压到2.8GB；推理延迟85毫秒，精度仅损失2.3%。联发科在天玑9300上跑通了通义千问的18亿和40亿参数模型，离线状态下也能多轮对话。高通骁龙8s还直接支持100亿参数级别的大模型。

上交大和本智科技更进一步，百元级硬件上实现了流畅跑百亿参数大模型，并且还开源了相关方案。

这些案例说明了什么？大模型下沉到端侧已经不再是实验室里的事情。但真正卡脖子的，往往是工程细节：内存不够怎么处理？推理过程如何与RTOS的任务调度不冲突？功耗预算超了怎么办？

这些恰恰都是嵌入式工程师的主场。

说到这里，你可能也看出一个规律：这些方向都不要求你从零去卷AI算法。

它们的共同点很简单——AI正在往你的领域里涌。

不少嵌入式工程师一想到转型，第一反应是去学吴恩达的课、去刷Kaggle、再补线性代数。忙活半年下来会发现：既比不过科班出身的算法工程师，原来那套老本行又丢掉了。两头都没落到实处。

网易有篇热帖就叫「传统工程师转AI容易陷入的从头学数学误区」，说的就是这种坑。

其实你根本不需要和他们去拼算法推导。

要想清楚一点：现在AI领域里最不缺的是会训练模型的人，街上随处可见。真正稀缺的是能把模型落到真实产品的人，尤其是落地到资源受限、环境恶劣、容不得半点差错的场景。

而这类事情，你恰好擅长。

云端工程师不懂功耗，算法工程师不懂中断与时序，应用层开发者也未必知道如何和硬件真正打交道。你在这些方面摸爬滚打了多年，在边缘AI的战场上就是硬通货。

不用搞什么宏大的学习计划，先做一件小事就够：找一块手边的开发板，STM32也好、ESP32也行，跑通一个端侧推理Demo。

比如部署一个关键词唤醒模型，让板子能识别你说的「你好」。在这个过程中你会接触到TensorFlow Lite Micro的工具链、模型量化的基础操作，以及如何在RTOS环境下完成推理运行。

等你跑通之后就会发现：这东西并没有想象中那么神秘。底层逻辑你早就熟，变化只是把“载荷”换成了模型。

不会Python也没关系。你有C基础，Python语法一两周就能上手。你也不需要用Python写底层，只是用它做模型转换和前期验证。

接下来再循序渐进：研究一下模型量化的几种方法，弄清楚ONNX Runtime在做什么，也关注RISC-V的最新动态。别贪多，每个月只把一个小模块吃透。

坚持下来半年的结果会很直接：你的简历上会多出别人没有的一块能力——既懂底层，又能做AI部署。市场上这样的人确实不多。

最后我再掏心窝说一句。

这个行业变化太快，我能理解那种焦虑。但在焦虑的时候，最容易犯的错误，就是觉得过去的积累都白费了，于是想把一切推倒重来。

别这么想。

你这些年踩过的硬件坑、处理过的时序bug、做过的中断响应优化，这些沉淀成了一种能力：在极端约束下把系统做稳。

当AI从云端走向边缘、走向终端、走向每一个物理设备的过程中，这种能力恰恰更需要。它正在升值，只是你还没完全意识到。

你也不必把自己训练成另一种“全新工程师”。在那个交叉路口站一站就够了。

左边是你熟悉的硬件与系统，右边则是正在席卷而来的AI浪潮。

能同时踩稳两边的人不多。

而你，完全可以是其中之一。

文中市场数据引用自Grand View Research边缘AI报告（按汇率7.2折算为人民币），企业招聘信息来自猎聘、BOSS直聘及各公司官网，RISC-V数据来自玄铁RISC-V生态大会及财联社报道，端侧大模型案例来自量子位、21经济网等公开报道。