AI给嵌入式带来的改变：从挑战到新机遇

传统嵌入式开发遇到的难题：

算力和资源不匹配：AI 技术不断进步，像 CNN、RNN 这些 AI 模型，对计算资源的要求越来越高。但嵌入式设备因为使用场景的关系，一般都得做到低功耗、小内存 。

比如说，一个普通的 CNN 模型运行起来，可能需要好几 GB 的内存和很厉害的计算核心支持，可大多数嵌入式设备的内存也就几十 MB 甚至更少，计算能力也不强。这么大的差距，让传统嵌入式开发在运行 AI 模型时困难重重。

开发思路大转变：以前的嵌入式开发，主要是按照确定的规则来编程，用 if - else 这样的条件语句实现各种功能。

但 AI 开发不一样，它靠数据驱动，得收集、整理、标注大量数据，然后训练和优化模型。这种开发思路的改变，要求开发者不能只盯着程序逻辑设计，还要更加关注数据质量和模型性能。

工具跟不上：以前嵌入式开发者用惯的工具，在面对 AI 开发时就不好使了。他们得去适应新的 AI 框架，像 TensorFlow Lite、PyTorch Mobile，还有边缘计算工具。

AI 给嵌入式带来的新机会

边缘智能兴起：AI 技术往边缘端发展，在本地设备上进行 AI 推理变得越来越重要。就像人脸识别门禁系统、语音唤醒设备，在本地就能完成 AI 推理，不用老是依赖云端，反应更快，还更能保护隐私。

据 ABI Research 预测，到 2026 年，边缘 AI 芯片市场规模会达到 [X] 亿美元，每年增长超过 [X]%，这足以看出边缘智能市场潜力巨大。

硬件升级：AI 专用芯片（NPU、TPU）越来越普及，让嵌入式设备的 AI 处理能力更强了。

比如 STM32 AI 套件，把 STM32 微控制器低功耗、高性能的特点，和 AI 加速功能结合起来，开发者用它就能很容易在嵌入式设备上实现 AI 应用。

还有树莓派搭配 Edge TPU，也给开发者提供了方便的 AI 开发平台。

应用场景变多：智能家居、工业预测性维护、自动驾驶感知层等领域，对嵌入式 AI 的需求一下子就爆发了。

在智能家居里，有了嵌入式 AI 技术，智能音箱识别语音、理解语义更准；在工业领域，实时分析设备运行数据，能提前预测设备故障，减少停机时间；

在自动驾驶感知层，嵌入式 AI 能快速识别路况、行人和车辆，保障行车安全。

嵌入式开发者怎么转型？4个关键方法

方法1：补充 AI 基础知识

(1) 入门必学：机器学习基础，包括监督学习和无监督学习，这是理解 AI 算法的基础。开发者得掌握不同机器学习算法的原理和适用场景，

比如决策树、支持向量机、聚类算法这些。神经网络原理是深入了解 AI 的关键，得弄明白神经元怎么工作、神经网络的结构和训练方法。

另外，从数据预处理到模型评估、优化的整个模型训练流程，也得了解清楚.

(2) 轻量化技术：因为嵌入式设备资源有限，掌握模型压缩技术就特别重要。量化就是降低数据的表示精度，在不太影响模型性能的情况下，减少计算量和内存占用；剪枝是去掉模型里不重要的连接或神经元，简化模型结构；

知识蒸馏是把大模型的知识转移到小模型里，提升小模型的性能。TinyML 技术专注在资源少的微控制器上实现 AI 应用，开发者要学会把复杂的 AI 模型适配到这些小设备上。

(3) 推荐工具：Edge Impulse 是个不用写代码的嵌入式 AI 平台，从收集数据、训练模型到部署，一站式服务，特别适合新手快速上手。OpenMV 是专门用来做机器视觉开发的开发板，集成了摄像头和很强的图像处理能力，配合 Python 语言，开发者能轻松实现各种机器视觉应用。

方法2：提升软硬协同优化能力

(1) 选对硬件：选支持 AI 加速的 MCU 是实现嵌入式 AI 应用的重要一步。比如 ESP32 - S3，它里面有神经网络处理器（NPU），能高效处理 AI 任务，还能保持低功耗运行。NXP i.MX RT 系列计算能力强，外设接口也丰富，是嵌入式 AI 开发的热门选择。

(2) 适配模型：把 AI 模型转换成嵌入式设备能兼容的格式，像 ONNX、TFLite，这样模型就能在嵌入式设备上正常运行。转换的时候，要优化模型，减少内存占用，提高推理速度。比如说，通过模型量化技术，可以把 32 位浮点数模型变成 8 位整数模型，既能降低内存占用，还能提高计算效率。

(3) 控制能耗：在嵌入式设备里，能耗控制一直是个重要问题。通过动态电压频率调整（DVFS）技术，根据设备的工作负载，实时调整电压和频率，既能保证算力需求，又能最大程度降低功耗。设备空闲的时候，就降低电压和频率，减少能耗；有 AI 任务要处理时，再提高电压和频率，满足计算需求。

方法3：专注垂直领域场景

工业领域：设备故障预测是工业里的一个重要应用场景。在设备上装上振动传感器，实时采集设备的振动数据，再用时序模型分析，就能提前预测设备可能出现的故障。视觉质检在工业生产里也必不可少，用 YOLO Tiny 等轻量级目标检测模型，搭配摄像头模组，能快速准确检测产品缺陷。

消费电子：语音交互在消费电子领域已经很常见了，像智能音箱、智能手表。通过 Wake Word Detection 技术，设备能准确识别用户的唤醒词，快速做出响应。手势控制也是个热门方向，用 CNN 结合 IMU 传感器，能识别和解析用户的手势，让交互更方便。

农业与环保：在农业领域，边缘端图像分类技术可以用来识别病虫害。在农田里安装摄像头，实时采集农作物图像，用 AI 模型分析，就能及时发现病虫害，采取防治措施。在环保领域，把温湿度等传感器数据融合起来，结合 AI 预测模型，能实时监测和预测环境变化。

方法4：参与开源社区和实战

学习资源：Kaggle 上的微型竞赛给开发者提供了实践 AI 技术的平台，比如 MCU 图像分类竞赛，开发者能在竞赛里学到最新算法和技术，还能和其他开发者交流经验。

GitHub 上也有很多嵌入式 AI 项目，把这些项目复现一遍，开发者就能深入了解嵌入式 AI 的开发流程和技术要点。

开发板实战：用 Arduino Nano 33 BLE Sense 可以实现关键词识别，这个开发板集成了多种传感器和蓝牙低功耗功能，很适合开发语音识别应用。

Jetson Nano 是功能强大的 AI 开发板，在上面部署目标检测模型，开发者能深入了解 AI 模型在嵌入式设备上的部署和优化过程。

嵌入式软件工程师面试完全指南

面经一共32篇文章，12w+字数，包含全部最新的面试必问考点，4.7w+同学学习，3300+订阅，非常适合在找工作面经薄弱的同学，销量即是口碑，提前订阅提前享受，持续更新中。

原帖链接：https://www.nowcoder.com/creation/manager/columnDetail/MJNwoM