电气工程师 → 具身智能 / 自动驾驶电气 (具体怎么转)
12 周路径：前 4 周把现场经验工程化，5-8 周做 1 个工业 AI side project，9-12 周投自动驾驶 / 半导体 / 新能源 + 机器人公司的「电气 + 算法」复合岗。不需要扔掉硬件底子。
电气工程师 → 具身智能 / 自动驾驶电气 具体怎么转
这一篇不讲「为什么转」（看 电气工程师职业页 + 电气 Lv2 篇），只讲怎么一步一步转。
总览：12 周路径
第 1-4 周：把硬件 / 现场经验「数据化」
第 5-8 周：做 1 个工业异常检测 / 控制 + ML side project
第 9-12 周：投自动驾驶 / 机器人 / 半导体 / 新能源「电气 + 算法」复合岗
不需要辞职，工作日晚上 + 周末 8-10h / 周，总投入约 100h。
第 1-4 周：硬件 / 现场经验数据化
电气工程师面试「电气 + AI」复合岗最大的优势是「真懂硬件 / 现场」，最大的劣势是「没法用数据 / 软件语言讲这套经验」。这 4 周就解决这个差距。
Week 1：搭 Python 开发环境 + 用 pandas 处理你手头的工程数据
打开任何一台电脑（不需要新硬件），装 Anaconda + Jupyter。然后做一件事：
把你现在工作里能拿到的任何工程日志数据（电流 / 电压 / 温度 / PLC 报警记录 / 设备运行参数 csv 或 Excel）倒出来，用 pandas 读，用 matplotlib 画。
「我把过去 3 个月的 32 号机组温度数据画成时序图，发现每周二上午 10 点温度异常高」 — 这一句话能讲出来，就是你 12 周后简历的第一行核心素材。
Week 2：写「我的现场经验文档」
打开 Google Docs / 飞书文档，写下面 6 个 section（每个 500-1000 字）：
- 我做过的最复杂的电气系统是什么、它的工艺特点
- 我处理过的最难的故障 case（前后过程 + 根因诊断 + 解决方案）
- 我现场判断设备状态的「直觉」依据（哪些声音 / 振动 / 数据特征预示故障）
- 我用过的所有数据采集手段（传感器类型 / 上位机系统 / SCADA / 数据库）
- 如果让 AI 来辅助我做故障诊断，AI 应该用什么数据、输出什么、人怎么和 AI 协作
- 我的现场经验里，哪些是「领域知识」（AI 学不会的）+ 哪些是「重复劳动」（AI 可以替代的）
这份文档是你面试的核心素材，可以反复改 4 周。
Week 3：补统计 + 基础 ML 概念
不需要看完整本《统计学习方法》。看 3 件东西：
- Andrew Ng 的 Coursera ML 入门（前 4 周，免费）
- scikit-learn 的官方 tutorial（重点：分类 / 回归 / 聚类 / 异常检测各跑一遍）
- 「评测指标」单元：accuracy / precision / recall / F1 / AUC / confusion matrix — 必须能讲清楚
Week 4：把现场经验文档 + ML 评测语言合成「项目 PRD」
把上面两份合并改写成一份「电气 + AI 现场异常检测 PRD」：
- 现场场景是什么（用你的真实例子）
- 当前痛点（人眼监控 / 经验判断的局限）
- AI 能做什么（输入数据 / 输出预测 / 触发动作）
- 评估指标是什么（漏报率 / 误报率 / 响应时间）
- 风险是什么（AI 不擅长的部分）
这份 PRD 是 demo + 项目素材，也是面试 deliverable 的雏形。
第 5-8 周：做一个 side project
Week 5：选具体场景 + 准备数据
3 个推荐场景（选 1 个，和你的工作背景越接近越好）：
| 场景 | 数据来源 | 难度 |
|---|---|---|
| 电机轴承振动异常检测 | NASA Bearing Dataset（开源） | 中 |
| 光伏发电效率预测 | Kaggle Solar Power Generation Data | 中 |
| 工业产线 PLC 报警分类 | 你自己工作的真实数据（脱敏） | 高（最值钱） |
如果你能拿到自己公司的真实数据（即使脱敏），这个 side project 比开源数据集的强 5 倍。
Week 6-7：训模型 + 跑评测
用 scikit-learn 跑下面 3 个模型，比较结果：
- IsolationForest（异常检测的入门 baseline）
- Random Forest classifier
- LSTM（时序数据用，PyTorch 入门级）
每个模型记录：
- 混淆矩阵
- precision / recall / F1
- 漏报和误报的具体例子（关键 — 这是「现场经验」加分的地方）
Week 8：写成案例 + 上 GitHub
包含：
- 解决的问题（用你 PRD 里的语言）
- 数据来源 + 数据清洗（如何脱敏 + 处理 missing value）
- 3 个模型对比 + 选型理由
- 现场视角的反思：哪些误报是「现场经验能轻松判断为非故障」、哪些漏报是「模型没看到的物理信号」
这是你简历的核心 demo，比简历值钱 10 倍。
第 9-12 周：投简历 + 面试
Week 9：改简历
把原来的「N 年电气工程师」升级成「N 年电气 + 智能制造 + 1 个真实 AI side project」。
- 电气经历保留，但用「现场数据采集 / 异常诊断 / 跨学科系统集成」这种软硬通吃的语言重写
- AI side project 单独一段，附 GitHub 链接 + 案例文档
- PRD 文档作为附件（求职信里附上）
Week 10-11：投这 4 类公司
| 优先级 | 公司类型 | 推荐岗位 |
|---|---|---|
| ⭐⭐⭐ | 新能源车 / 自动驾驶 | 蔚来、小鹏、理想、比亚迪、华为车 BU、特斯拉中国 → 智能座舱电气、自动驾驶硬件 + 算法集成、ADAS 工程师 |
| ⭐⭐⭐ | 半导体 / 智能制造 | 中芯国际、长江存储、华虹、台积电（南京 / 上海）、三星半导体 → 智能制造工程师、产线 AI 数据工程师 |
| ⭐⭐ | 新能源 / 储能 | 宁德时代、阳光电源、隆基 → 电池 BMS + AI、储能调度 AI |
| ⭐ | 工业机器人 | 智元机器人、宇树科技、优必选、节卡机器人 → 机器人电气 + 控制算法、灵巧手系统集成 |
Week 12：面试 + 谈 offer
面试常见问题：
- 「为什么从电气转 AI」→ 用你的现场经验文档第 6 节回答（讲领域知识 + 重复劳动的边界）
- 「你有 ML 经验吗」→ 用 side project + 3 模型对比 + 误报漏报分析回答
- 「你能 hold 住纯算法的事吗」→ 诚实说「我做不了 100B 参数预训练，但能 hold 住智能制造级的数据 pipeline + 异常检测建模 + 现场部署调优」
- 「电气背景在我们这里能干啥」→ 用你的 PRD + side project 回答（这就是你的差异化 — 别人不会现场，你会）
谈薪：电气 → 自动驾驶 / 智能制造 + AI 复合岗起薪范围 20-40k（半导体头部公司 + 自动驾驶 senior 岗位能到 50k+），中位 30k 左右，比纯电气工程师高 30-60%。
不要犯的 3 个错
1. 不要先去读《深度学习》之类的大部头。你不是从 0 开始的算法工程师，你是「带了 N 年电气经验 + 现场感的复合岗候选人」。直接做 side project 比啃 Goodfellow 有用 10 倍。
2. 不要尝试转纯算法岗 / 纯 AI Agent 工程师岗。除非你愿意花 2 年重练 + 重读硕士 — 否则这个跨度太大。留在「电气 + AI」复合岗反而是更高 ROI 的策略。
3. 不要海投互联网公司。互联网公司（字节 / 腾讯 / 阿里）不需要纯电气背景，target 必须是车 / 半导体 / 新能源 / 机器人这种「硬件 + 算法都要」的行业。
12 周后你应该长什么样
- 一份现场经验文档（4000-6000 字）
- 一份电气 + AI PRD（2000-3000 字）
- 1 个真实跑过的 side project（GitHub 上 + 案例文档）
- 改造后的简历 + 求职信
- 投了 15-25 家公司 + 拿到 3-5 个面试 + 1-3 个 offer
这是真实可执行的路径，核心是 100h 时间 + 你已有的现场经验，不是「我得先转码 + 学 Python + 考一个证」那种漫长 detour。
长期成长方向（12 周后）
- 横向：从单纯异常检测 → 设备预测性维护 → 工艺优化 + 数字孪生
- 纵向：从「执行 AI 项目」 → 「设计 AI 项目」 → 「带跨学科团队（电气 + 算法 + 软件）」
- 顶档薪资路径：自动驾驶硬件 algorithm 集成岗 → 50-80k 月薪可达
下一步
- 想看电气工程师 AI 转型完整数据 → 电气工程师职业页
- 想看「自动驾驶 / 智能座舱」角色画像 → 自动驾驶角色页
- 想看「智能制造」角色画像 → 智能制造角色页
- 类似工程职业的转岗参考 → 机械 → 机器人 Lv3 篇