嵌入式C++写了五年，被告知“算力被卡脖子“，结果成了AI边缘部署最稀缺的人

吴海峰在华为南研所的办公室里，看到了一个让他睡不着觉的数字。

那是2024年5月的一天，他负责的边缘计算设备在跑一个目标检测模型，帧率只有8fps，而竞品已经做到了30fps。用户反馈说"太卡了，用不了"，产品经理在群里问"什么时候能优化好"。

吴海峰知道问题出在哪里：芯片的算力不够，模型太大了，跑不动。

他也知道解决这个问题有多难：模型是算法团队训练的，不能改；芯片是硬件团队选的，也不能改；他能做的，只有在有限的算力条件下，把模型的推理效率压榨到极致。

这不是他第一次面对"算力被卡脖子"的问题。

三年前他做嵌入式开发的时候，同样的困境出现过无数次——内存不够、功耗超标、响应延迟。嵌入式工程师的日常工作就是在各种约束条件下找到最优解。

他突然意识到：AI推理优化，本质上就是嵌入式开发的另一种形式。

嵌入式工程师的"先天优势"

吴海峰本科在西安电子科技大学学电子信息，研究生转了计算机，第一份工作在一家做工业控制芯片的公司写嵌入式C++。他写过SPI驱动、调过DMA配置、优化过中断响应延迟。这些经历在他转到AI推理优化岗位之后，突然变得极其有价值。

因为他懂"硬件"。

现在很多AI工程师是从软件起步的，他们熟悉Python、熟悉TensorFlow、熟悉模型训练，但不太了解芯片的内部架构、内存带宽、缓存机制。而吴海峰知道，一个模型的推理速度不只取决于模型本身，还取决于它怎么被部署到硬件上——数据怎么搬运、计算怎么分片、缓存怎么利用。

他开始用嵌入式的思维来优化AI推理。

他发现很多模型在设计的时候没有考虑硬件特性，导致计算的时候内存访问是瓶颈。他用一种叫做"算子融合"的技术，把多个相邻的计算步骤合并成一个，减少内存读写次数，帧率从8fps提升到了15fps。

他又发现模型的某些层在推理的时候重复计算了很多中间结果，可以缓存起来复用。他实现了一个简单的缓存机制，帧率又提升到了22fps。

产品经理看到数据之后，专门请他吃了一顿饭，说：“小吴，这个优化超出预期了。”

但这条路也不好走

吴海峰的转型不是一帆风顺的。

最大的困难是知识结构的更新。AI推理优化涉及到的东西跟传统嵌入式开发差别很大：模型量化、算子实现、推理框架、部署工具链……这些东西他以前完全没接触过，需要从零学起。

他花了三个月时间啃完了几本相关的中文教材，又花了两个月时间跑通了第一个端侧部署的Demo。那段时间他每天晚上十点之后才离开公司，周末也基本泡在实验室里。

有一次他调试一个量化模型，调了两天两夜，问题始终找不到。他给一个算法团队的同事发消息求助，同事说：“你这个模型在服务器上跑没问题，可能是部署这边的问题。”

他愣在那里，忽然觉得自己像是一个在黑暗里摸索的人，四周都是墙，找不到出口。

那天晚上他没回家，在实验室的沙发上睡了一夜。第二天早上醒来，他重新看了一遍代码，发现是一个参数配置的问题。修复之后，模型终于跑起来了。

他站在窗前，看着深圳清晨的阳光，忽然觉得这种感觉很熟悉——跟在嵌入式开发中解决那些"不可能的问题"时的感觉一模一样。

他现在怎么想

采访吴海峰的时候，他说自己正在研究一个新的方向：大模型在端侧的部署。

“以前端侧只能跑小模型，比如目标检测、语音识别这种。但现在有了量化技术、推理引擎优化技术，大模型也可以跑在边缘设备上了。这个方向的想象空间很大。”

他给我看了他正在做的一个实验：在一个只有4GB内存的边缘设备上，跑一个7B参数的大模型。他用了一种叫做"KV Cache量化"的技术，把模型的中间结果压缩存储，把内存占用降低了60%。

"这个技术还不成熟，有很多问题要解决，"他说，“但我觉得这是未来的方向。”

他停了停，又说：“其实嵌入式工程师在AI时代是有优势的，因为我们的思维方式本来就是’在约束条件下求最优解’。AI时代到处都是约束——算力约束、内存约束、功耗约束、延迟约束。这些约束对别人来说是问题，对我们来说是机会。”

（一句对话，没有评论）

采访结束的时候，我问他：“你觉得嵌入式工程师的未来是什么？”

他想了想，说：“嵌入式工程师的未来不是写驱动、写协议栈这些具体的事情，是在各种硬件约束下，找到最高效的解决方案。以前是这样，以后也是这样，只是问题域变了。”

他说完这句话，低头继续看代码，屏幕上是一个正在调试的推理引擎配置文件，旁边放着半杯已经凉了的咖啡。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！