AI 时代，嵌入式工程师的护城河在哪？
AI加速进化，工程师需从编码转向规格制定与验证，领域知识和判断力成为新护城河。
作为一名拥有 18 年嵌入式 Linux 开发经验的工程师，我在过去一年里深度体验了 AI 工具的迅猛发展。真正令人不安的，并非 AI 当前的能力边界，而是其进化速度的加速度曲线。一年前，Claude 尚处于研究预览阶段，AI 领域的先驱 Andrej Karpathy 刚刚提出 “vibe coding” 来形容那些在周末随手完成的个人项目。如今，他已弃用这个词，转而谈论 “agentic engineering”。更令人震撼的是，不懂编程的人已经开始借助 AI 发布真正的应用程序，而每一代新模型的诞生，都让上一代的工作方式显得原始而笨拙。
我曾经习惯于以五年为单位来规划自己的职业生涯路径，如今却连两年后的技术图景都感到模糊不清。那些我投入多年心血打磨的核心技能——底层系统调试、内核内部机制剖析、复杂构建系统的掌控——它们究竟是抵御职业风险的坚固护城河，还是正在加速融化的冰山？诚然，今天它们依然极具价值，因为 AI 在这些深度、复杂的领域还做得不够好。然而，“AI 做不到的事” 这个圈子，正以肉眼可见的速度急剧缩小。面对这种不确定性，我只能选择持续投资于自身的 AI 素养和嵌入式领域的专业性，希望这个组合在未来能继续保持相关性。但坦白说，我对任何关于未来的确定性预测，都已不再抱有信心。
行业共识：从“码农”到“规格大师”
在技术社区的广泛讨论中，一个压倒性的共识正在形成：未来的职业赌注在于成为 AI 的“规格大师”或“指挥家”，而不仅仅是代码的撰写者。资深开发者凭借其深厚的领域知识，其岗位相对安全，因为工作的核心正从亲手编写代码，转向撰写极其详尽、无歧义的规格说明（例如，CLAUDE.md 这类文件正成为新宠），以及严格验证 AI 生成的输出。你的角色将不再是传统意义上的程序员，而是智能体（agent）的编排者与质量守门员。
相比之下，初级开发者和计算机科学专业学生的前景则显得黯淡许多。许多人感到，自己的职业生涯尚未真正开始，就可能面临被自动化工具取代的风险。新的核心技能组合正在转向高层架构设计、精准发现与定义问题的能力，以及至关重要的——识别 AI 何时在“自信满满地犯错”。这种批判性思维与验证能力，变得前所未有的重要。
重新审视“护城河”：直觉与判断力的价值
有资深同行指出，低级调试和内核知识远非一份简单的任务清单，它们本质上是一种“约束素养”——是关于系统如何在极限负载下、在凌晨三点的紧急状况中、在千差万别的真实硬件上发生故障的深刻直觉与经验。AI 或许能生成大量代码，但在处理有状态、与硬件深度耦合的复杂系统时，它仍然难以理解那些深层次的因果关系链。
因此，真正变得昂贵的，不再是“打字”（即编写代码）这个动作本身，而是做出正确“判断”的能力。当代码生成变得廉价且快速，知道一段代码何时、为何会出错的能力，就变得无比珍贵。持久的职业护城河，将不再是“写代码”，而是“验证代码”。在技术加速进化的时代能够生存下来的工程师，不会是最快的建造者，而会是最好的验证者与审计者。
一位开发者分享了其实战经验：他使用 Claude 并行运行 5 个不同的智能体来完成同一项任务，而他真正的工作，变成了精心撰写那份指导所有智能体的、细节丰富的 CLAUDE.md 文件，并仔细审查它们输出结果之间的差异。他那 18 年的嵌入式经验，其价值正体现在“知道规格说明书里应该写什么、如何写”——这才是他真正的、难以被快速复制的护城河。
软技能的逆袭：沟通与产品意识的黄金时代
一个有趣的现象是，越来越多的人认为，纯粹的技术性技能正在快速商品化。如今，一个能够与客户清晰沟通、制定可行计划、并组织审查、测试与部署功能的人，其价值相当于拥有了一个由 AI 驱动的“初级工程师团队”来完成所有基础编码工作。
产品意识与 AI 素养的结合，很可能成为未来十年的黄金职业组合。 编码执行的部分正在被快速自动化，但深刻理解客户究竟需要什么，并将这种模糊需求转化为具体、有用且可执行的产品定义或规格，这一过程目前仍然极难被完全自动化。非技术背景的 CEO 们并不想亲自成为 CTO，他们需要的是那个能接起电话、听懂问题并说“我来搞定它”的可靠伙伴，而不是自己下场去与复杂的提示词工程搏斗。
一位临床研究护士提供了另一个维度的视角：AI 将显著改变她的工作，但主要是向好的方向。大量的数据审查、录入和文书修正工作是重复且“愚蠢”的，AI 可以做得更好、更一致。如果她能将精力集中于打针、抽血、知情同意、体检和患者教育这些核心临床环节，每天能服务的患者数量至少可以翻倍。她的工作将逐渐转变为监督和验证 AI 输出的管理型工作，同时用增加的临床工作时间来填补 AI 尚无法处理的空白。
可能的“逃生舱”：回归物理世界
对于那些正在积极寻找职业“逃生路线”或差异化优势的人，社区中反复出现的一个建议是：掌握一门需要动手的“手艺”。AI 目前还不能操作激光进行脱毛治疗，不能亲手修理复杂的管道系统，也不能进行精密的焊接作业——至少现在还不能。虽然少数人认为大型语言模型（LLM）正在触及其能力天花板，但大多数人仍在为一场大规模的职业转变做准备。
有人半开玩笑地说打算转行成为美容师，“因为没人会信任 AI 来给自己的屁股做激光脱毛”。也有人认真计划学习电工、木匠或护理技能——这些都是需要在真实物理现场、与复杂多变的三维世界进行直接交互的工作，其不确定性恰恰构成了天然的自动化壁垒。
系统性思考：人类不可替代的核心
一位开发者的观点尤为犀利：AI 在“自我纠正”方面表现得非常糟糕。它擅长构建那些输入输出清晰、明确的工具，但当这些工具的前提条件（输入输出）本身需要根据反馈进行动态调整和改变时呢？AI 本质上是一种强大的工程辅助工具，其目的是加速人类的工作流程，而非彻底取代人类的角色。人类仍然拥有真正的自我纠正能力、基于经验的直觉以及纵观全局的系统性思维。
未来最受保护的人，将是那些不断主动寻找需要被解决的现实问题、并且知道如何利用 AI 来更快地理解和解决这些问题的人。在编程世界里，最安全的人将是“问题的发现者与定义者”，而在过去，仅仅作为一个优秀的“程序员”和“解决方案提供者”就足以过关。
冷静的观察：技术瓶颈与人类优势
当然，社区中也不乏保持相对乐观的冷静声音。有观点认为，我们目前目睹的飞跃，可能并非源于 AI 模型本身在根本原理上的重大突破，而是围绕模型构建的工具链和使用方式的巨大改进。当前主流模型的上下文窗口仍然相对有限，在 5 万到 10 万 token 的范围内表现最佳。
单纯增加上下文窗口或许能提升 AI 的能力，但世界的计算资源（和能源）是有限的。相比之下，人脑仅以大约 20 瓦的功率运行，却能提供令人难以置信的复杂算力，其能效比惊人。在没有突破性的新型 AI 架构出现之前，我们可能正在接近当前技术路径下可处理的上下文长度和模型能力的实用天花板。人脑仍然需要推理整个应用程序的架构，并应用多年来有机培养的、跨越项目的长期记忆与经验。而这些 AI 模型在训练完成后就无法主动学习新知识——除了在其短暂的上下文窗口内进行有限的调整。
历史的回响：AI 不是泡沫，是“汽车时刻”
一位即将退休的 IT 行业老兵提供了一个深刻的历史视角：许多持有一厢情愿想法的人，只是将当前的 AI 浪潮视为又一个即将破裂的技术泡沫。但坦白说，如果我今天是一个 25 岁、刚刚开启科技职业生涯的年轻人，我也会感到迷茫与焦虑。然而，AI 不是泡沫，它更像是“汽车”被发明后的那个历史性时刻——人类曾是“马”，而 AI 就是“汽车”。旧的角色和技能会被重新定义，但新的机会和需求必将涌现。
唯一可以确定的是：那些因为恐惧而冻结不动、等待百分之百确定性的人，很可能会被时代甩在后面。这个世界没有绝对的确定性，只有基于判断的行动。选择一个 AI 工具开始深入使用，让它在实际工作中教你如何更有效地驾驭它。人类不会消失，工作会发生深刻的转变，但不会消失。总得有人来决定构建什么、进行跨团队的协调、做出关键的判断、与客户深入交谈、并为整个项目设定清晰的方向。这些，或许才是我们真正需要加固的、属于人类的“护城河”。
