选择不应该去尝试判断一下。
“等死” -- 死要多久？“找死” -- 死要多久？。。。
想再多也没啥用，能有个面试就不错了。
转开发当下行情下，明显风险更大。--能不能卷，适不适合，每个人都不相同，只是说风险更高。

这个世界怎么可能是这么运转的。。。
你不得先问问师承合同的门槛是啥？你能付出啥，人家能得到啥。

一命二运三风水。。。
逆商>情商>智商。
选择>>努力。
精力旺盛 + 扛造是一种远超学习的强大天赋。--像我这种天生反骨仔，就完全没有这种天赋，天然无法 “向上”。
长期思考做这事有没有价值的人，做不喜欢的事，会长期内耗，天然执行力上限锁死。
无法 “向上” 意味着你天然有不高的薪水上限，没法靠 “剥削”，创造更多的剩余价值。

1. AI 导致集成测试成本大幅降低。--集成测试覆盖更全，BUG 减少。
2. AI 导致简单 BUG 的数量大幅降低。--BUG 减少。
3. 人使用 AI 或 AI 本身并没有明确路径可以显著提升软件的质量。--并没有实际解决软件质量，或者是新 AI 时代的质量难点。
4. 现在基本看不到一个需要大量试错的行业，需要大量的软件从业者。-- 供需关系，决定大家都不好过。

无法显式创造价值，那就降本吧。
测试人力总比开发成本低吧，没有办法兼顾开发的就干掉，然后替换一部分高薪开发者。
这个很难理解么？所有大厂都在这么干吧。

可能是你不做算法或者相关开发吧。
比如分辨率多少，视场角，多少个点这种属于固有参数，选雷达的时候必须考虑。
但是实际用的时候，你还要考虑距离对应的点云密度，感知延时。
完全商用的时候还要考虑实际场景下的长尾效应，比如天气，障碍物类型的影响。
这就是我说的谁用谁决策吧，找测试评估能不能用，纯粹是找人背锅。

点云是为业务服务的。点云密度？时间戳准确度？FOV？--这些不都是标准的。
点云补偿到图像时间戳？--实际跑一遍不就好了。
行还是不行，谁用谁决策。

1. 需求端在哪？-- 软件测试是被 AI 冲击最大的方向，至少是之一。需求量一直在下降。
2. 为什么需求会下降？--因为 AI 在单元测试，简单任务测试的能力上其实超过了普通人，一次性的 AI 投入，可以大幅降低人力开销。比如你简历写得内容，开发可能 5 天借助 AI 就做完了，真的还需要那么多专职自动化测试么？--质量真的那么重要么？和效率比，只要不出大事，没人在乎，就算出事，有人背锅不就好了。
3. 个人怎么办？--0 基础，下行方向，还不年轻，没坑才是真的倒反天罡。 现在稍微测试好点的，要么 AI 测试 -- 天然测试不被信任，生态末端，环境成本高，稍微好点，但是未来和 AI INFRA 抢生态位，只会留下极少数的人，且大部分工作会脱离传统测试的范畴。要么硬件测试 -- 至少和资源打交道，硬件迭代稍慢，且可以背锅，还能再扛一段时间。

都而立之年了，最好能抛弃一切幻想，技术只有在真正是门槛，有一定的不可替代性才有价值。而不是自我感动，觉得有技术就有饭吃。

PS:其实我也挺悲观的，短期看不到哪个技术方向值得长期投入，大部分技术方向都在被快速迭代（甚至包括 LLM），要么就是风险巨大。（说的就是你，具身。）

你想问啥？哪个能活更久？
能把需求->开发->测试闭环的开发会活的久一点。
你一个人把 3 个人的活干了，你就完成了降本增效。

最近有一篇 “DEEPSEEK 刘胜与的《我不得不把才华埋葬在昨天》”
纯软件工程化很快就会完全没有技术门槛。
年纪越来越大，越来越不能高强度工作，能挨一天算一天。。。

公司不是慈善机构，能让你真正做全新的东西，你首先得证明你有这个价值，可以试错。
纯做技术其实也很苦逼的，你要能接受哪天没价值就会被扫地出门，同时最核心的岗位不会轮到你，因为多少都会防你一手。
具身应该有不少可以做，比如机器人底层系统，VLA 模型，数据采集与重建？
如果你把自己放在测试，那可以是系统维护，数据维护，快速定位，问题复现？
靠简单技术积累，在 AI 时代，竞争力其实和没有也没啥区别，别人也不会因为你写了几个自娱自乐的 AGENT，就高看你一眼。
最底层的逻辑还是解决问题，降本增效。。。
我一直都是这个观点，在一个公司里，真正有价值且值得长期投入的技术工作不超过 5%，要么你是嫡系，要么就得别人干不了。具身通常研发一年投入连 1 个小目标都没有，测试岗位想有无法替代的价值，几乎不可能。

如果年轻，应该看看 INTEL 前 CEO 的职业生涯。深度应该是想办法去解决问题，可以是工程化，可以是算法。
自动化测试本身就是个很奇葩的职位，长不了的。
发现问题，复现问题，定位问题，最后到解决问题。能闭环的技术人才能走的远。
不要总想着 “软硬结合” 这种看上去高大上的东西。我自己做 HPC，AI INFRA，都很少有需要软硬结合的工作。。。