今天收到一个学弟的提问，想了一下，还是认真回答一下，分享给大家或许对有需要的人会有帮助。
很高兴收到你的提问！看了你的问题，一时半会有点答不上来（你还不如问我做什么来钱最快的好？嘿嘿！！），可能是你提的问题太泛了，我从以下几个方面回答你看对你有没有帮助：
1.嵌入式是一个很宽泛的概念，它是一种解决问题的解决方案，不狭隘的仅仅限制于ARM/Linux/wince/driver这些概念，其实FPGA，DSP，GPU等等这些都叫嵌入式，嵌入式是很多领域的底层基础。
（1）从具体应用的角度讲：
比如图像处理，
低级别的图像预处理依赖于ISP专业图像处理芯片、FPGA、DSP、SOC等嵌入式硬件平台，如果选择从事这个方向就要将嵌入式技术与图像预处理技术结合起来，主要包括数字逻辑、高速通信电路、图像3A和图像底层滤波；
高级别的图像分析通常直接与硬件平台打交道的机会不多，不过可能会涉及到CPU的多线程、GPU的CUDA高并行技术，一般使用的平台都是像Nvidia GTX1080 GPU,jetson TX1/TX2家用超级计算平台或分布式云计算平台，像这一类平台开发人员跟多的关注图像算法的改进和计算资源的最大化利用，很少直接关注底层硬件具体实现。
（2）从软硬件技术角度讲：
硬件层，
需要知道FPGA、DSP、SOC之间是怎么交互的，比如千兆以太网、USB传输、图像的senser电采样，曝光、补偿和适应技术；
软件层，
需要了解操作系统的部署和作用，在操作系统下进行有效的数据访问和资源使用，各种脚本语言shell、python、matlab这些都是算法开发可科学研究的利器，各种亚操作系统ROS（机器人操作系统）、VM-Tecl,高并发程序，数据编解码和搜索技术。
2.图像处理，机器学习，计算机视觉这些是专业领域分支，既是学术研究领域的热点，也是科研向工程产品转化的热点，这也造成了这个领域的准入门槛高，一般的公司招聘明确写出硕士以上，博士优先，从事这个领域的人员基本50%时间与各种数学理论（最优化问题，运筹学，概率模型，马尔科夫过程，卡尔曼滤波，小波变换，图论，矩阵论，李群李代数，反正就是一堆上学时听说过但从来没弄懂的数学知识）和论文打交道，剩下时间就是研究别人的论文（大部分只有英文文献）来调数学模型与模型参数，如果数学功底不够或没有强大的专研精神，这一行慎入！！慎入！！慎入！！
PS：我现在做的就是这种工作，机器人SLAM及时定位与自主导航，SLAM的前端是计算机视觉领域的图像特征提取和视觉几何学，SLAM的后端是优化领域的图论和各种代数求解技术，SLAM的闭环端是机器学习模式识别技术。要让SLAM真正的跑起来，需要在linux系统上架设ROS亚系统，并且给其提供各种专业库支持（opencv,python,OPENGL，cuda，Eigen，CMAKE）,同时应用端开放map、navigation、pose等接口，最难搞的是如何提高SLAM系统的鲁棒性和定位识别精度，谷歌和微软等巨头也没有很好的解决办法，所以说媒体上宣传机器人、人工智能时代马上就来来了，其实人工智能时代才刚刚起步，大部分从业人员还都只是涉足基础领域研究和学术研究，有商业案例也只是一些低级智能或伪智能，所以还没有入行的伙伴务必冷静！！冷静！！冷静！！
3.人工智能，大数据这应该是跟宽泛的概念了，媒体炒作这些概念的原因一方面估计是实体经济不景气，一方面是为了吸引VC的注意力来获得资本的注入。这是个最好的时代，也可能是个最坏的时代。
好时代，是指咱们这一代有机会为人工智能的到来贡献自己的力量，成为历史的书写者；
坏时代，是说咱们在有生之年可能也看不到真正人工智能的到来。
最后小结一下：
你说的这些领域都是技术领域，技术是相同的，别为具体走哪条路太在意，等到了一定境界这些东西都不会太不同。选择一个感兴趣的问题，利用这些技术去解决这个问题去奋斗或许更行的通。工作的这段时间里有幸接触了一些有海外留学背景的前辈和外国人，感觉有一点，西方教育的学科划分没有咱们天朝那么细，也就是说他们的学生知识面会更广，还有点就是西方教育中思维里更多的是如何去解决一个问题，知识学习更多的是以问题为导向。如果你现在有一个很感兴趣的问题在苦苦寻求解答，你可能就不会来问我未来去做什么了。