今天收到一個學弟的提問，想了一下，還是認真回答一下，分享給大家或許對有需要的人會有幫助。

很高興收到你的提問！看了你的問題，一時半會有點答不上來（你還不如問我做什麽來錢最快的好？嘿嘿！！），可能是你提的問題太泛了，我從以下幾個方面回答你看對你有沒有幫助：
1.嵌入式是一個很寬泛的概念，它是一種解決問題的解決方案，不狹隘的僅僅限制於ARM/Linux/wince/driver這些概念，其實FPGA，DSP，GPU等等這些都叫嵌入式，嵌入式是很多領域的底層基礎。
（1）從具體應用的角度講：
比如圖像處理，
低級別的圖像預處理依賴於ISP專業圖像處理芯片、FPGA、DSP、SOC等嵌入式硬件平臺，如果選擇從事這個方向就要將嵌入式技術與圖像預處理技術結合起來，主要包括數字邏輯、高速通信電路、圖像3A和圖像底層濾波；
高級別的圖像分析通常直接與硬件平臺打交道的機會不多，不過可能會涉及到CPU的多線程、GPU的CUDA高並行技術，一般使用的平臺都是像Nvidia GTX1080 GPU,jetson TX1/TX2家用超級計算平臺或分布式雲計算平臺，像這一類平臺開發人員跟多的關註圖像算法的改進和計算資源的最大化利用，很少直接關註底層硬件具體實現。

（2）從軟硬件技術角度講：
硬件層，
需要知道FPGA、DSP、SOC之間是怎麽交互的，比如千兆以太網、USB傳輸、圖像的senser電采樣，曝光、補償和適應技術；
軟件層，
需要了解操作系統的部署和作用，在操作系統下進行有效的數據訪問和資源使用，各種腳本語言shell、python、matlab這些都是算法開發可科學研究的利器，各種亞操作系統ROS（機器人操作系統）、VM-Tecl,高並發程序，數據編解碼和搜索技術。

2.圖像處理，機器學習，計算機視覺這些是專業領域分支，既是學術研究領域的熱點，也是科研向工程產品轉化的熱點，這也造成了這個領域的準入門檻高，一般的公司招聘明確寫出碩士以上，博士優先，從事這個領域的人員基本50%時間與各種數學理論（最優化問題，運籌學，概率模型，馬爾科夫過程，卡爾曼濾波，小波變換，圖論，矩陣論，李群李代數，反正就是一堆上學時聽說過但從來沒弄懂的數學知識）和論文打交道，剩下時間就是研究別人的論文（大部分只有英文文獻）來調數學模型與模型參數，如果數學功底不夠或沒有強大的專研精神，這一行慎入！！慎入！！慎入！！
PS：我現在做的就是這種工作，機器人SLAM及時定位與自主導航，SLAM的前端是計算機視覺領域的圖像特征提取和視覺幾何學，SLAM的後端是優化領域的圖論和各種代數求解技術，SLAM的閉環端是機器學習模式識別技術。要讓SLAM真正的跑起來，需要在linux系統上架設ROS亞系統，並且給其提供各種專業庫支持（opencv,python,OPENGL，cuda，Eigen，CMAKE）,同時應用端開放map、navigation、pose等接口，最難搞的是如何提高SLAM系統的魯棒性和定位識別精度，谷歌和微軟等巨頭也沒有很好的解決辦法，所以說媒體上宣傳機器人、人工智能時代馬上就來來了，其實人工智能時代才剛剛起步，大部分從業人員還都只是涉足基礎領域研究和學術研究，有商業案例也只是一些低級智能或偽智能，所以還沒有入行的夥伴務必冷靜！！冷靜！！冷靜！！

3.人工智能，大數據這應該是跟寬泛的概念了，媒體炒作這些概念的原因一方面估計是實體經濟不景氣，一方面是為了吸引VC的註意力來獲得資本的註入。這是個最好的時代，也可能是個最壞的時代。
好時代，是指咱們這一代有機會為人工智能的到來貢獻自己的力量，成為歷史的書寫者；
壞時代，是說咱們在有生之年可能也看不到真正人工智能的到來。

最後小結一下：
你說的這些領域都是技術領域，技術是相同的，別為具體走哪條路太在意，等到了一定境界這些東西都不會太不同。選擇一個感興趣的問題，利用這些技術去解決這個問題去奮鬥或許更行的通。工作的這段時間裏有幸接觸了一些有海外留學背景的前輩和外國人，感覺有一點，西方教育的學科劃分沒有咱們天朝那麽細，也就是說他們的學生知識面會更廣，還有點就是西方教育中思維裏更多的是如何去解決一個問題，知識學習更多的是以問題為導向。如果你現在有一個很感興趣的問題在苦苦尋求解答，你可能就不會來問我未來去做什麽了。

機器人/人工智能：職業發展的反思