凌晨一点,你把需求丢给大模型——“STM32,I2C读一颗六轴IMU,100ms打印一次加速度”。三十秒,代码出来了,注释整齐,命名比你自己的还规范。烧录、编译、串口吐数。这一刻多数工程师的感受不是爽,是后背发凉:AI写代码都这速度了,我这块饭碗还端得住吗?
这焦虑不是瞎琢磨——"AI要取代嵌入式了"的讨论,近半年在知乎、小红书一波接一波。过去一年,有一批较真的人把大模型请到了真板子面前,结果比"会/不会"有意思得多。小红书知乎
AI确实很能打。GPT-4给一颗nRF52做功耗优化,把工作电流从9.1mA一路压到12.2μA,降了七百多倍;写50次I2C驱动,三十多次烧进去直接跑。完全不会C语言的新手,靠AI帮忙把原本四人只有1人能做出来的LoRa传感节点全做成了。微软、埃森哲五千名开发者的实测里,用AI的人每周多完成四分之一的任务。知乎

但一碰真硬件,它就露怯。126道单片机小题(点灯、数码管、按键、舵机),最强的模型只做到刚过半;四成数码管错误是同一个笑话——分不清共阳共阴,段码表写反。把Arduino代码迁移到ESP-IDF,最好的模型连三成都没过。跨Arduino、ESP-IDF、Zephyr三大平台的42道真机题,简单外设顺风顺水,一进协议层、多芯片配合,成功率直接跳水。就算喂了人类专家的避坑文档,仍剩两道题过不去:5V的RTC挂在3.3V芯片上时好时坏、编码器正反转方向不同型号不统一——这不是代码问题,是物理世界的说话方式,AI的训练数据里没有。知乎

所以分工线其实已经画出来了:结果容易自动验证的活,放心丢给AI——外设初始化、寄存器配置、日志排查、文档初稿;要拿探头去量、要对着温升兜底、要为量产负责的环节,人必须攥在手里——芯片选型、功耗预算、异常处理、玄学板子调试。国际劳工组织的任务评估也指向同一处:软件开发者的AI任务暴露度0.53,电气工程师只有0.31。离纯代码越近,AI越好下手;离硬件、离物理世界越近,AI越使不上劲。知乎

聪明的工程师已经在这么用AI了:
给AI搭验证闭环。把调试器、功耗分析仪、热像相机接给它,让它自己编译、烧录、看测量、改代码——接了仪表的AI Agent在MAX78000上部署视觉模型,第7轮就超过了人类专家。会搭这张桌子的人,是在指挥AI,而不是被它替代。
把踩坑史写成AI能用的文档。人类专家写几百字,三个平台几乎全满分;让AI自己"总结经验",反而更差,token还翻倍。
先问"为什么"再复制粘贴。别学成"都看得懂、自己写不出"——老师课堂上看得很清楚:好学生AI用得溜,指定技术路线让它写代码都没问题,但他们自己那是一点都写不了。只有真机跑通的,才长在自己身上。哔哩哔哩

AI三十秒能写出I2C驱动,但它不知道你板子上拉电阻选大了波形会变圆,不知道物料缺货换料要重验,更不知道量产时一个bug等于一万个返修工单。把玩具级代码的活交给它,把产品级的判断力留住——设计阶段锁定七成五全生命周期成本这件事,至今没人能外包给大模型。知乎

当前文章无评论,是时候发表评论了