一、行业正在重组：你没动，但岗位在动

记得很多年前，小编在大学期间，参加学校电子设计大赛的时候，为了备赛完成了几十个模块的驱动编写，各类I2C、USRT、SPI、SSP、网络、CAN、AI、DI等等都用上了，当我简历上写满了“会DMA、会中断、会看数据手册、会N种单片机等……“这些技能去面试的时候，同时收到3家公司的offer。（当然了，同时拿到多家offer可能跟小编毕业于985高校有关系。）（熟悉笔者的粉丝朋友们应该知道，毕业后最终选择了ZLG）我的经历在这篇文章中。

但是现在，如果你仍然在简历中罗列这么多基础知识，肯定会面试不过的。

如果我们现在是在职人员，可能已经被动离职或者看着大厂裁员的新闻，心想：“我明明什么都会啊，为什么被淘汰的会是我呢？或者说，我手上这么多“东西”，不至于被淘汰吧？”。

我们可以说我们没做错什么，也是勤勤恳恳、兢兢业业的996干活，但是，时代变了，风口来了，没有飞起来的可能就是负担太重的那批人。

柯达被淘汰、诺基亚帝国的倒塌，从来不是 “做错了某件事”，而是在时代转折点上，固守了 “过去的正确””。

早晚有一天，我们也会被淘汰，不是我们做错了什么，而是工厂不再需要只会“点灯、读传感器、写驱动”的人。（这类工作，两年前chatGPT就可以自动完成了，可以观看我的这篇文章：我用chatGPT产生了一个STM32协议解析的程序，实锤了chatGPT最先淘汰的行业是程序员！）。你引以为傲的“底层经验”，正在变成简历上最不值钱的一行字。

真正的“会单片机”，不再是会用定时器、会配I2C，而是——让单片机“学会思考”。

二、旧技能贬值，新标准诞生

现在，企业（或者说时代）需要的不只是“能动”的系统，而是“能想”的系统。

• 我们可以在扫地机中提前预设各类动作，但是永远无法提前预测每一个房间的户型，所以，扫地机需要能自己规划路线；

• 我们可以在电动车中写死加速曲线，但是永远无法预知每一次骑行的路况与意图，所以，电动车需要能自己预测驾驶行为；

• 我们可以在水质监测设备中设定各类报警阈值，但是永远无法提前知道污染是突发还是渐变，所以，水质设备需要能自己判断污染趋势；

• 我们可以在电动车BMS中提前设定电池充放电保护区间，但是永远无法预测电池老化过程中的非线性衰减趋势，所以，电池控制器需要能自己推演剩余寿命。

这一切，都是 AI + MCU 的结果。也就是，让AI大模型运行到MCU中，去实现主动思考，主动判断。

三：从“会编程”到“教思考”：让MCU真正智能起来

我们这一代嵌入式工程师，学的都是“让芯片动起来”的技术——配置时钟、编写驱动、调试通信、优化功耗……

没人教我们，怎么让一块普通的单片机“学会思考”；

没人告诉我们，如何把一个训练好的AI模型，压缩、量化、部署到只有128KB RAM的MCU上；

更没人带我们走过那条从“传统嵌入式”到“智能边缘系统”的跨越之路。

于是，我们被困在了中间：

一边是熟悉的技能正在贬值，一边是想进入的新领域，却找不到入口。

你可能会问：
“AI不是算法工程师的事吗？”
“大模型都跑在GPU上，MCU能扛得住？”
“我没有机器学习背景，也能学会？”

这些问题，我都问过自己。
直到我亲手把一个语音唤醒模型跑在ESP32上，把一个轻量级CNN部署进STM32H7的SRAM，看着示波器上的功耗曲线在推理完成后瞬间回落——我才真正明白：

AI的到来，不是取代我们嵌入式工程师，而是让我们利用AI重塑我们曾经开发过的设备。

让AI大模型在普通单片机中运行，不需要我们从头训练大模型，而是需要我们用AI的思维重构嵌入式系统：

• 怎么采集有效数据？

• 怎么设计低功耗推理流程？

• 怎么把PyTorch/TensorFlow的模型，变成一段能在MCU上运行的C代码？

• 怎么让设备在没有网络、没有云支持的情况下，做出智能决策？

这不是未来的趋势，这是现在正在发生的现实。

所以，我决定把自己这段时间在学习“AI+MCU”过程中摸索出的经验、踩过的坑、验证过的路径，整理成一门真正属于嵌入式工程师的实战课程：

《AI + 嵌入式：让单片机学会思考，大模型部署到单片机实战》

——聚焦最常用的STM32平台，将TinyML落地到MCU，并打通 GPT/Deepseek 智能体交互，打造可演示的智能硬件项目。