刚做完一个项目,聊一聊AI 冲击下的嵌入式软件

全程用 AI 开发了一个企业级 SoC + MCU 项目

上一次认真玩 MCU，还是在大学。

最近的一个工作项目里，我接手了一个 SoC + MCU 多核异构的开发项目。除了负责 SoC 端的应用开发，还要负责对应的 MCU 开发。整个项目复杂度不低，尤其是 MCU 这一块，对我来说很多东西都需要重新捡起来。

这个项目我基本全程使用 Claude，包括方案设计、代码开发、调试和 Bug 排查。最终项目里 99% 以上的代码都可以说是 AI 写的。

做完之后一个很直接的感受是：AI 对嵌入式软件开发的冲击，并没有比其他软件领域小多少。

以前可能会觉得嵌入式涉及硬件、交叉编译、驱动、寄存器这些东西，AI 很难真正参与进来。但实际做下来，只要项目代码、文档和上下文足够完整，AI 一样可以深入参与整个开发过程，并没有想象中那么大的阻碍。

没找到用“古法编程”的机会

回头看这段时间，至少在实际工作中，我已经很难找到使用“古法编程”的机会了。

做方案设计时，AI 往往能一次给出几套比较完整的方案，优缺点、实现方式、可能遇到的问题也都会列出来。很多时候你会发现，每个方案看起来都说得通，也都能做。

到了具体功能开发，差距更加明显。AI 写代码比自己快得多，而且考虑得往往更全面。你让它实现一个功能，它经常会顺手把异常处理、日志、边界条件，甚至后续可能用到的扩展一起补上。

所以如果只关注最终结果，会发现很多事情已经可以做到：不需要自己从头设计，也不需要自己一行一行写代码，同样能把功能做出来。

从效率上来说，这当然是一件好事。

推荐的方案，不一定是最优的方案

不管遇到什么问题，AI 通常都能给出好几套解决方案，然后再告诉你它最推荐哪一种。很多时候，这些方案确实都能解决问题。

但“能解决问题”和“最适合这个项目”，其实是两回事。

AI 对一个工程的理解，很大程度上来自当前能看到的代码和上下文。它可以分析局部，但很难真正拥有开发者对整个系统长期积累下来的理解。

所以真正困难的地方，慢慢从“怎么实现”变成了“到底应该怎么选”。这个选择非常考验一个人对整体架构、历史设计、后续维护和业务需求的理解。

选错方案，很多时候也不会马上出问题。功能一样可以跑，需求一样可以交付，但代价可能会在后面慢慢出现。

代码开始像“狗皮膏药”一样，一块一块往上贴。每一次修改都能解决眼前的问题，但整体越来越乱，模块之间的关系越来越复杂。

最后甚至会进入一种很尴尬的状态：代码还能继续改，但已经越来越依赖 AI 去改，因为人自己已经很难看懂，也很难理清楚了。

没有方向指引的 AI 会失控

对于普通的软件 Bug，AI 的表现通常非常好。很多问题它确实能做到又快又准：分析日志、顺着调用链找问题、检查边界条件、定位代码逻辑错误，这些都是它非常擅长的事情。

但碰到一些和硬件强相关的问题时，情况就完全不一样了。

有些问题明明根因在硬件、电气时序或者外设状态，AI 却会不断在软件里找原因。然后加日志、改代码、继续分析，再加日志。

如果方向一开始就是错的，它很容易在错误的方向里循环。这个时候，人必须介入。

需要根据现象判断问题大概在哪一层，是应用、驱动、系统，还是硬件；然后进一步缩小范围，告诉 AI 应该重点查什么，必要的时候还要配合示波器、逻辑分析仪或者硬件同事一起调试。

AI 很擅长沿着一条路快速往前走，但有时候真正重要的不是走得快，而是先判断这条路到底对不对。

这可能也是目前 AI 在嵌入式软件开发和纯软件开发之间一个比较明显的区别。

AI 对学习效率的提升非常明显

另一方面，AI 对学习的帮助确实非常大。我最近在学习 BSP，这种感受尤其明显。

以前学习一个陌生系统，往往要先翻很多文档，再到项目里一点一点找对应关系。比如 DTS 到底分了几层，每一层负责什么；板级配置从哪里进来；默认配置在哪里；不同 defconfig 之间是什么关系。

现在可以直接把当前项目作为上下文去问。

AI 不只是告诉你一个通用概念，而是可以直接结合项目里的代码解释：这个 DTS 为什么这样分层，这个配置是从哪里来的，这个宏最后在哪里生效。

更重要的是，它可以不断回答学习过程中的“为什么”。

以前很多知识点卡住之后，可能需要查半天资料才能继续往下走。现在这个反馈周期被压缩得非常短。

从纯学习效率来说，这可能是 AI 给开发者带来的最大提升之一。

项目结束之后的空洞

但那个几乎完全由 AI 开发的项目做完之后，我反而有一种很明显的空洞感。

回头看这个项目，我确实获得了很多东西。比如怎么更好地和 AI 协作，怎么给上下文，怎么让它排查问题，怎么控制它修改代码。这些都算是新的开发经验。

另外，对项目所在行业本身，我也积累了一些经验。

但如果只看技术本身，尤其是架构和代码细节，我发现自己留下来的东西并没有想象中那么多。

项目明明做完了，但我对整个工程却没有那种很熟悉的感觉。如果突然出现一个问题，也很难做到心里马上有一个大概判断：问题可能在哪，为什么会这样，应该先从哪里开始查。

这种感觉很奇怪。项目是自己负责的，需求也完成了，但又总觉得这个项目不像真正是自己做出来的。

后来我想了一下，原因可能很简单：

AI 消灭了很多过程，只留下了结果。

这种变化有点像：以前是我自己在玩游戏，现在变成了我在旁边指挥 AI 玩游戏。

最后都是通关，结果看起来没有区别，但真正留在自己身上的东西，并不一样。

AI 不能代替我们成长

AI 改变了开发方式，也在不断降低技术门槛。

过去需要死磕好几周才能掌握的东西，现在可能几句话就能让 AI 给出一个可用的实现。很多曾经被认为是“护城河”的能力，也正在被重新定义。

效率提升的同时，一些岗位对人的需求也会减少。焦虑是真实存在的，关于“AI 会不会替代程序员”的讨论也越来越多。

但技术的发展不会停下来。我们真正能做的，是适应这种变化，同时想清楚什么才是自己真正应该留下来的能力。

AI 可以降低门槛，但真正拉开差距的，依然是长期积累下来的经验、判断力和基本功。

越是在 AI 越来越强的时候，越不能丢掉基本功，也越不能停止学习。