大家好，我是子衡，嵌入式 AI 工程师，《嵌入式AI：让单片机学会思考》课程主理人，专注AI在 MCU 上的落地实践。
最近很多人人问我，嵌入式 AI 未来到底好不好？
我给的判断一直是比较中肯的：方向一定是好的，但它不是那种"只要沾上AI两个字，所有人都能马上受益"的好，而是一个正在逐步落地、会持续重塑设备能力和工程岗位边界的长期方向。
下面列举出权威机构统计的关于嵌入式AI的几个问题，供大家参考。
一、市场和设备规模。
IoT Analytics 在2025年的报告里提到，全球联网IoT设备规模已经达到211亿 ，预计到2030年会增长到390亿。
IDC在2025年的数据里则给出，全球边缘计算相关支出在2025年接近2610亿美元 ，并预计到2028年增长到3800亿美元。
这两组数据放在一起看，意思很直接：设备越来越多，边缘侧算力投入也越来越大，行业不是在讨论"设备端要不要更智能"，而是在讨论"哪些判断必须尽量前移到设备侧去做"。
二、芯片和工具链
对神经网络和机器学习有过认识的同学应该清楚，TinyML不是近几年才出现的名词，其实很多年前就已经有了。
前几年，很多人提到嵌入式 AI，第一反应还是"演示能跑，产品未必能落地"。但现在，底层条件已经明显变了。
-
Google 的 LiteRT for Microcontrollers 官方文档明确写到，它的核心运行时在 Arm Cortex-M3 上可压到 16KB 量级；
-
ST 的 STM32N6 已经把 Cortex-M55 800MHz 和片上神经网络加速器带进 MCU 路线；
-
NXP 的 MCX N 系列给出的官方数据是，片上 NPU 可实现 最高 42 倍 的 ML 推理加速；
-
ARM对 Ethos-U55 的官方表述更激进，和 Cortex-M55 搭配时，ML 性能可获得 最高 480 倍 的提升。
换句话说，今天的"嵌入式AI"已经不是单纯的软件概念，而是芯片、编译工具、模型部署框架一起在推进。
所以我更愿意把嵌入式 AI 看成一种设备能力升级，而不是一个独立的新行当。
三、嵌入式工程师怎么做？
说白了：对于大多数嵌入式工程师来说，未来并不是人人都去做底层算法研究，也不是都去训练大模型。
更现实的情况是：你所在的设备、行业、产品线，越来越多地会接入 AI 能力，而你需要理解这些能力应该放在哪、怎么接进系统、能解决什么问题、会带来什么代价。
所以，未来，嵌入式岗位里会越来越多地出现这样的要求：懂传感器，懂 MCU 资源约束，懂模型推理怎么落到实际产品里，懂什么时候该用 AI，什么时候不该用。
谁能把这几件事同时做明白，谁的竞争力就会越来越高。
只会写传统驱动、不理解模型部署链路的人，岗位边界会越来越窄；但只会讲 AI 概念、落不到硬件和产品的人，同样也很难真正吃到行业红利。
四：未来产品怎么落地？
嵌入式 AI 最可能先在哪些地方持续落地？
其实这个问题，不是开放式问答，也不是在 MCU 上硬塞一个通用大模型。
而是那些输入明确、输出明确、实时性强、本地就能闭环的任务。
-
比如振动、电流、压力、声音等传感器上的异常检测；
-
比如关键词唤醒；
-
比如低分辨率视觉里的简单目标识别；
-
比如现场设备先做一层本地筛选，只把有意义的事件上传。
也就是说，也不是所有场景都值得上嵌入式 AI。
一个规则已经足够稳定、阈值已经足够清晰、控制逻辑已经足够确定的场景，未必需要为了"智能化"再额外引入模型。
这也是为什么很多人觉得嵌入式 AI 很热，但真正做成稳定产品的团队并不多。
五、总结
所以，回到最开始的问题：
Q：嵌入式 AI 未来发展好吗？
A：答案是好，而且会越来越好；但它真正利好的，不是"追热点的人"，而是能把 AI 当成设备功能去落地的人。
这件事不会一夜之间把所有嵌入式岗位改写掉，但它大概率会在未来几年里，持续改变设备设计方式、芯片选型逻辑和工程师能力结构。这才是它真正值得重视的地方。
欢迎关注我的CSDN下方的链接**，一起学习、一起成长。**