引子：来自十年后的一封信
如果你正在读这篇文章，说明你还站在2026年的工作台前——手边是示波器、开发板和一杯已经凉了的咖啡，屏幕上开着数据手册、芯片选型表，也许还有一个正在自动补全你代码的 AI 编辑器。
我是谁？你可以把我当作十年后的你自己：一个仍然在做嵌入式的工程师。2036年，我依然在画板子、调驱动、看波形，只是工作方式和十年前已经完全不同。今天回望你们此刻的迷茫、焦虑，还有藏在心底的那一丝丝期待，我想告诉你们一些真实的话——不是鸡汤，而是一个”过来人”的观察。
一、先说你们的焦虑：它不是幻觉，但也想象错了方向
2026年的你们，焦虑大概是这样的：
- AI 几秒钟写出一段 I2C 驱动，比查三天数据手册快得多——”我的基本功还有价值吗？”
- 招聘要求里开始出现”会用 AI 工具”，而不用 AI 的同龄人简历连初筛都过不了——”我是不是很快会被更年轻、更会用 AI 的人替代？”
- 大模型开始生成 Verilog、自动布线、写测试用例——”硬件工程师是不是也保不住了？”
这些焦虑都有现实依据，我不想否认。但十年后回头看，我可以负责任地告诉你：AI 没有取代嵌入式工程师，它取代的是”嵌入式工程师工作里可以被标准化的那部分”。这两件事，在2026年看起来是一回事，在2036年已经是常识。
真正被挤压的岗位是：纯粹的 CRUD 式单片机开发、只会照抄参考设计不做取舍的板级工程师、按文档配置参数却不知其所以然的”调参人员”。而真正做产品的人——那些知道为什么这个时序必须这样、为什么这个电容不能省、为什么客户嘴上要A心里要B的人——反而因为 AI 把琐碎劳动拿走，变得更值钱了。
二、嵌入式是 AI 时代最难被完全取代的工程学科之一
为什么？因为嵌入了三个 AI 最不擅长的维度：
1. 物理世界没有”重试按钮”
大模型在纯数字世界里如鱼得水，因为错了可以重来、可以大规模验证。但嵌入式面对的是物理世界：一次 EMC 测试失败可能要改版，一次时序违例可能在高温下才复现，一个虚焊可能让整机在客户现场随机死机。物理世界的反馈回路又慢又贵，AI 生成得再快，验证仍然要靠懂行的人搭台架、看波形、做实验。谁掌握物理世界的验证能力，谁就掌握了 AI 时代的嵌入式话语权。
2. 约束是真金白银的约束
云端工程师可以无脑堆资源，嵌入式工程师必须在 2KB RAM、10mW 功耗、5 块钱 BOM 的三重枷锁下跳舞。这种”戴着镣铐做权衡”的能力，本质上是价值判断，而不是模式生成。AI 可以列出十个方案，但决定砍掉哪个功能、省哪个器件，需要的是对产品、成本、供应链的综合理解——这恰恰是经验的价值所在。
3. 责任无法外包给模型
医疗设备、汽车电控、工业安全——这些领域的每一次交付都签着你的名字。AI 可以给出建议，但监管、认证、事故追溯要求有”人”对结果负责。未来十年，”能对物理系统安全负责的人”是稀缺资源，而不是过剩资源。
三、给2026年嵌入式工程师的六条建议
建议1：把 AI 当作你的”初级工程师”，而不是你的替代者
从今天起，改变你的工作姿势：让 AI 写初版驱动、生成测试框架、翻译数据手册、写上位机——你来审查、验证、拍板。你的角色从”写代码的人”升级为”审核代码并对结果负责的人”。这不是退步，这是每一个资深工程师本来就该有的位置。十年后的我，一个人干着2026年一个小团队的活——不是因为我更聪明，而是因为我管着一群”AI 初级工程师”。
建议2：向下扎根——越靠近底层，越难被替代
AI 最擅长的层面是”有海量公开语料”的层面：应用代码、常见协议、通用框架。它最薄弱的层面是：芯片勘误表里那行小字、示波器上那个 200ps 的毛刺、供应商 FAE 都说不清的异常行为。花时间精通：实时操作系统内核、总线协议的物理层、电源与信号完整性、Bootloader 与安全启动链条。这些知识语料稀少、实践门槛高，是 AI 时代嵌入式的”护城河层”。
建议3：向上连接——学会把 AI “塞进”你的设备
十年间最大的行业变化，是几乎所有设备都在被要求”智能化”。你是离边缘最近的人，这正是你的机会：学会模型量化、剪枝、蒸馏，学会在 NPU/MCU 上部署推理（TFLite Micro、ONNX Runtime、各家 NPU 工具链），学会在 KB 级内存里跑出一个可用的小模型。“嵌入式 + 边缘 AI 部署”这个复合技能，在2026年已经开始溢价，在2036年是标配。早学一年，早吃一年红利。
建议4：经营你的”物理世界技能包”
示波器、逻辑分析仪、频谱仪、热成像仪；焊接 BGA、飞线救急、产线跟线解决良率问题——这些”手上有油”的能力，AI 十年内都只能远程指导，无法替你执行。而且它们有个奇妙的特性：越老越值钱。AI 时代的资深嵌入式工程师，会像今天的资深医生一样，靠”手感 + 判断力”而非”记忆量”立足。
建议5：积累行业知识，而不仅仅是技术知识
“我会 STM32″在2036年约等于今天的”我会用 Office”。但”我懂充电桩国标认证流程 + 嵌入式”、”我懂医疗 IEC 62304 + 嵌入式”、”我懂光伏逆变器拓扑 + 嵌入式”——这些垂直领域的复合知识，AI 给不了你，因为它们藏在客户现场、认证实验室和十年的踩坑记录里。选一个行业扎进去，比多学三门编程语言更有长期价值。
建议6：做一个”会用 AI 的老头”，而不是”被 AI 吓住的老头”
嵌入式行业的年龄结构偏大，这是焦虑的温床。但请注意一个反直觉的事实：AI 工具对老工程师的增益比对新人大得多——因为 AI 补的是你的”手速”，而你的判断力是它的天花板。十年后混得最好的，恰恰是2026年那批愿意放下身段、像学徒一样重新学习 AI 工具链的资深工程师。焦虑解决不了问题，每周固定两小时学习和实验可以。
四、AI 时代，嵌入式工程师的五个机会窗口
机会1：边缘 AI 部署工程师（当前最确定的窗口）
大模型在云端已经很卷，但边缘端刚刚开始：智能传感器、AI 音箱、视觉检测、辅助驾驶、可穿戴设备……海量设备需要把模型塞进受限硬件。这个岗位需要你现有的全部嵌入式技能 + 模型部署技能，转型成本最低、时间窗口最好。如果你所在的公司有产品”智能化”的诉求，主动请缨做第一个吃螃蟹的人。
机会2：机器人与具身智能（增长最猛的窗口）
人形机器人、协作机械臂、移动机器人的爆发，本质上是一次”嵌入式大扩容”：关节驱动器、实时控制、传感器融合、力控算法落地——全是嵌入式问题。之前写过的开源机械臂项目（SO-ARM、OpenArm、Thor）和电机与减速机生态，就是这个窗口的入口。现在开始玩开源机器人，等于2010年开始玩智能手机。
机会3：AI 工具链与基础设施（为同行造工具）
历史上每一次”淘金热”，卖铲子的最赚钱。嵌入式 AI 工具链——自动化测试、硬件在环仿真、代码生成验证、需求追溯自动化——目前仍是洼地。懂嵌入式的你比纯软件出身的 AI 工程师更懂真实需求，这是你的主场。未来十年最成功的几家嵌入式工具公司，创始团队里一定有今天的嵌入式工程师。
机会4：存量系统的维护与现代化（最容易被忽视的金矿）
全球有数十亿台运行着十年前代码的设备：工控机、电梯控制器、医疗仪器、POS 终端。它们要联网、要上安全补丁、要兼容新协议，而懂它们的人正在退休。“老系统考古 + 现代化改造”是个不性感但极其稳定、极难被 AI 直接取代的生意——因为客户买的不是代码，而是”有人懂这套系统”的安全感。
机会5：用 AI 杠杆做独立产品/小生意（自由度最高的窗口）
AI 把”一个人做完整产品”的成本压到了历史最低：一个人 + AI 工具链，可以完成硬件设计、固件、App、云端、营销文案的全链条。小众工业仪表、宠物智能硬件、乐器效果器、农业传感器——单人公司正在嵌入式领域批量出现。不需要融资，不需要团队，需要的是：一个真实的细分需求 + 你十年积累的工程判断力。
五、2036年的一天，给你看看
作为结尾，讲讲我上周的一天，也许能让你对”十年后”有个具体的画面：
早上，我用自然语言向 AI 描述了一个新的传感器采集需求，它在二十分钟内给出了固件框架、驱动初版和单元测试。我花了整个上午审查它的实现，发现它在 DMA 与 Cache 一致性上犯了教科书式的错误——十年了，这种错误还是只有踩过坑的人看得出来，这是我今天存在的意义。
下午，我去了客户产线，解决一个只有千分之三概率的通信异常。AI 分析了三天日志给我五个假设，我在示波器上花了四十分钟锁定了真正的元凶：一根被机械应力压伤的线缆。物理世界的真相，最终还是要在物理世界里找。
晚上，我给一个开源机器人项目提交了一个驱动优化补丁。这个项目的贡献者里，一半是人类工程师，一半是各种 AI Agent——它们写得快，我们判断得准，配合得还不错。
你看，十年后的我，做的还是十年前做的事：看波形、找根因、做权衡、对结果负责。工具变强了，但工匠还在，而且比任何时候都值钱。
写在最后
2026年的你，焦虑是正常的——每一次技术浪潮拍过来，站在滩头的人都会先感到疼。但请记住：嵌入式工程师是少数”脚踏物理世界与数字世界”的物种，而 AI 目前只征服了后者。
与其问”AI 会不会取代我”，不如问”AI 把哪些琐碎拿走之后，我能腾出手来做哪些以前做不了的事”。答案就藏在你的示波器里、你的客户现场里、你还没学的模型部署工具链里。
十年后的你，会感谢今天没有躺平、也没有被吓住，而是默默打开了那份 NPU 部署文档的自己。
——来自2036年，一个还在调板的你