1. 前言
随着近年来人工智能的快速发展，嵌入式系统的教学和人才培养也提出了新的挑战。人工智能(Artificial Intelligence)，英文缩写为AI，可以理解成仿人智能。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等[1]。
人工智能技术的迅猛发展产生了巨大人才缺口，使得培养该领域人才的任务变得紧急。很多高校从2024年以来都逐渐开出了人工智能通识课。多地教育厅已发文，要求2025年秋季起，把“人工智能通识课”列为全体本科新生必修课。甚至中小学也在抓紧部署人工智能课程，教育部基础教育教学指导委员会发布《中小学人工智能通识教育指南(2025年版)》和《中小学生成式人工智能使用指南(2025年版)》，推进人工智能全学段教育。
嵌入式系统(Embedded System)本身就是以应用为中心，刚好为AI提供了“物理载体”，而AI则赋予嵌入式系统“智能灵魂”。二者的结合正在重塑物联网、机器人、汽车、医疗等领域的底层技术逻辑。嵌入式系统所面临的针对人工智能的改革其实是相关具身智能、机器人、智能化的具体的应用需求。
由此带来未来发展的“人工智能 + 嵌入式”人才巨大缺口，嵌入式系统教学首当其冲地必须担负起这样人才的培养责任。
在新工科建设背景下，传统嵌入式课程存在内容单一、实践不足、与AI脱节等问题[1] [2]，亟需构建兼顾AI算法与嵌入式软硬件的交叉培养体系。但嵌入式系统发展也没几年，人工智能技术迅猛发展也是近几年的事，世界高校都面临同样的人工智能技术爆发浪潮，没有较多海内外经验可以借鉴。本文仅鉴于国内外的一些高校做法[1]-[4]和作者个人的研究和项目经验，对其进行总结和归纳提炼，归纳出人工智能对嵌入式人才的需求点，从而探讨出一套人工智能 + 嵌入式系统的教学体系。
2. 人工智能发展拉动嵌入式人才培养
近年来各种新学科的爆发和繁荣，究其起源，都来自嵌入式系统和物联网学科的快速发展。嵌入式系统是支撑物联网的底层，承担着对物理世界信息的采集、传送和改变的作用，对应于传感器、无线网络和执行机构技术的发展而发展。这些底层系统的建设，使得物理世界到虚拟世界映射时每天的数据量惊人，从而促进了“云–边–端”系统框架、云计算、大数据、人工智能和机器学习等学科的快速发展。这些学科的发展最终必将使得“元宇宙”的实现越来越近。
如图1所示一样，嵌入式系统对其他学科而言是树干部分，每个学科都是树的分叉部分，每个叶子或者果实都是该学科的某个研究领域。果子或者叶子的快速增长，必然对树干提出新的养分输送要求，就如对人才输送的要求一样。嵌入式学科的人才对于支撑各学科发展都至关重要。
Figure 1. Interrelationship among different disciplines
图1. 学科之间的相互关系图
2.1. 人工智能对嵌入式系统提出的新人才需求：系统优化人才
人工智能是来自对人的智能的模仿。内观我们人的智能，基本可以分为“感知–预测–判断–行动”4个大部分。
比如对于手快被火柴烧到这个示例。眼睛会感知到“火焰”；然后会根据个人的经验内在模型产生预测，“火焰是否会烧到手，还有多久烧到？”；然后判断，是要马上吹灭火，还是扔掉火柴，还是继续观察时机？；最后执行行动，吹灭火。
该示例对应到人工智能来说，就需要用机器视觉学科技术来“看到”，然后根据某个模型(数学模型、神经网络模型等)产生预测，然后再用决策学科的某项技术进行判断，然后再利用比如云、边、端框架来传输执行某个指令。
在上面的示例中，归结到硬件上感知需要摄像头、DSP芯片；预测模型和决策模型需要计算芯片、计算设备；执行需要执行器、各类机器人等。这些都是嵌入式系统从软件到硬件的配合。而这些其嵌入式需要系统的优化来完成整体目标，为此需要系统优化人才。
2.2. 从机器视觉发展看，需求神经网络等新知识人才
人的感知有60%以上来自视觉，因此视觉对于人工智能来说也是非常重要的部分。下来沿着机器视觉的发展来说明人工智能对机器视觉的影响，从而也描述如何影响到嵌入式系统。
Scene analysis (in early years)、Image understanding、Robot vision、Machine vision、Computer vision、Deep Learning for Computer Vision，这些英文名词也说明了机器视觉的发展历程。从最早在工厂场景中发展出来让机械臂和机器人对周围环境的理解，到图像理解，到机器人视觉，到机器视觉到计算机视觉到目前的深度学习机器视觉的发展过程。
对目前国外的图书调研分析如表1。
Table 1. Analysis of foundational texts in machine vision
表1. 基本机器视觉领域的图书分析
图书名/课程名 |
作者 |
出版年份 |
主要目的 |
图书内容 |
Robot vision |
伯特霍尔德·霍恩 |
1986年 |
生成一个关于被成像物体(或场景)的符号描述 |
图像处理、模式分类、场景分析 |
Image process, Analysis and Machine vision |
米兰·桑卡
(Milan Sonka)等 |
1993年 |
电子化感知和理解图像
复制人类视觉的效果 |
数字图像处理、计算机视觉、
图像分析与理解 |
Deep Learning for
computer vision (2025 斯坦福课程) |
Ian Goodfellow and Yoshua Bengio and Aaron Courville |
2025年 |
深度理解图像并能人工
合成生成图像 |
图像基础理论、深度学习、目标检测与识别、图像生成与风格
迁移、典型应用 |
通过表1可以看到，针对机器视觉领域的知识点在不断扩大，关于神经网络、深度学习、图像生成等的人工智能新研究都在不断扩展进入其中，为此，和机器视觉主要相关的摄像机的硬件技术等虽然也在变化，但近几年来没有与软件相关的技术发展更快，融入新知识更多。
从以上分析可以看出，嵌入式被人工智能推动后，更需要了解神经网络等模型新知识的人才。
2.3. 从项目经历看，需要学科交叉人才(相关学科交叉) + 自学型人才(跨学科应用)
从个人的科研项目经历，做过“牛脸识别系统”、“混凝土性能识别系统”、“工厂MES工作单元系统”、“蕾丝纺织缺陷检测系统”和“心血管IVUS检测系统”等项目。
这些项目的共性是都有各自的学科背景，比如畜牧业、混凝土行业、工业、医疗等。在这些项目里首先需要跨学科地学习一些基础知识，这就需要有能够快速学习的自学型人才。跨学科是需要了解和与其他学科人员能够顺利沟通。
其次，这些项目都有“云、边、端”的划分。云边端发展需要学科交叉人才，比如在“云”的开发过程需要有服务器与嵌入式交叉型人才，能够将服务器、云计算知识与嵌入式相连，设计出好用的云端系统；“端”则需要自动控制与嵌入式交叉人才，既要了解机械部分又要对嵌入式非常了解；“边”则需要计算机或者单板机与嵌入式交叉。交叉的目的是要创新融合出新的解决方案。
比如随着人工智能的发展，交叉嵌入式后，“边”这里就既有人工智能驱动的边缘计算，也要有边缘计算服务的人工智能。两者侧重点不同，但都会产生新的技术，比如人工智能驱动的边缘计算就催生用户迁移技术发展，边缘计算服务的人工智能就催生对模型分发的研究。
而这些交叉人才的需求，侧重的是人才的知识学习和创新能力。
2.4. 所需要人才的知识面更广
同时，根据这些项目，由于人工智能对软件发展更有冲击力。所需要的软件人才培养的目标可以定位为面向智能终端、自动驾驶、工业控制等场景，培养既掌握人工智能算法，又具备嵌入式系统硬软协同设计能力的复合型工程师。毕业生应能完成“算法建模→模型压缩→芯片/板级部署→实时优化”全栈开发。
Figure 2. Knowledge requirements for software-focused talent derived from project analysis
图2. 针对所做过项目归纳出所需要的偏软件人才培养所需要的知识面
如图2所示，这些知识面，明显跨度很大，交叉了很多学科。已不是原来传统的计算机专业、嵌入式专业、电子专业所能覆盖了。
3. 面向人工智能发展对人才的要求和一些应对方法
基于以上的需求，根据多年的教学经验，提出一些应对方法。
1) 一套人工智能与嵌入式融合的课程体系
虽然未来是需要“AI原生嵌入式”人才的，但人才培养系统的变动不可能全盘从头再来。只能是基于目前的课程体系，增加有一些人工智能特点的课程，来与原来嵌入式融合。
学校可以根据现有的课程体系，适当增加三个部分：电类理解基础课、软件理解基础课与人工智能特色专业课程的相关课程，以适应人工智能和嵌入式融合发展。如图3所示。
“人工智能导论”课程目前已成为各专业的通识课程，在一年级开设。建议同时开设“Python程序设计”，以便于学生们进行人工智能的实践。
在开设“嵌入式微处理器”“嵌入式系统”和“嵌入式操作系统”同时，开设“最优化方法”，培养学生最优化的思想。
在开设“模式识别与机器学习”课程后可以开设“计算机视觉”，然后以“边缘计算与嵌入式AI”为后续融合课程。
最后在综合设计里增加“FPGA的软硬件综合设计”让学生了解软硬一体、互相替换的系统性思想。
“大语言模型原理与应用”与“工业机器视觉”是扣紧时下新技术发展的扩展知识课程。以保持整个课程体系与现时科学发展、社会热点一致。
软件理解与电类理解课程是选取的成系统的核心骨干课程构成。可以根据本专业的性质选择偏软或者偏电类，对自己的课程体系进行补充完善。
2) 新型的课程教材和AI辅助教学方便学生自学
目前看到比较好的新型教材有清华大学出版社的新形态教材。该类教材在原来纸质书的章节上印上二维码，方便学生学习时候通过微信“扫一扫”，直接链接到视频课程。
同时，很多高校也在开展AI的辅助教学研究，产生了一大批AI或者仿真课程。学生可以通过相关的课程网站来学习。
Figure 3. A proposed curriculum structure for AI-embedded systems talent
图3. 一个可能的人工智能嵌入式人才课程拓扑图示例
这些方式，可以助力学生自学知识点，是很好的课堂辅助。
3) 多课程知识连接的知识图谱课培养学生学科交叉意识
例如将“操作系统”与“嵌入式操作系统”课程通过对知识点梳理，构建了知识图谱课程，通过知识图谱，使得学生可以在学习某个知识点的同时，关联到其他相关知识，选取自己喜欢的学习方式漫游到其他知识点。该方式下 每个同学的学习路径可以不同，从而补充了课堂知识传授的单一路线问题。让同学们自己选择缺失知识进行学习，增加学习效率。
4) 竞赛学分制带动培养自学学习习惯和创新意识
竞赛是一种很好的驱动自主学习的方式。很多同学通过竞赛会带动自己学习课堂以外的知识，同时也通过竞赛将课堂的知识进行串联，从而构建成为自己的个人的知识体系。
而竞赛获奖一定需要有创新性，也会激发同学们对创新的思考，这也是一种创新意识的培养。将竞赛放进学分系统，学生参赛将获得毕业必须的创新学分，从而也保证了全体学生的积极参与。
4. 结论
我国该方面人才培养的总的思路是从“嵌入式 + AI”到“AI原生嵌入式”人才培养，以匹配我国该方面技术国产替代、自主研发的人才需求。人工智能融合嵌入式带来人才在具备系统优化思想、能够交叉学科创新、拥有神经网络新知识、具有强自主学习能力等方面的人才培养需求。为此，课程体系的改变是必须的，但仅仅依靠课程是不足的。新的课程手段比如新形态教材、知识图谱课程、竞赛学分制等方式是以上人才培养的一个可行之路。