单片机实例分享，自制电感和电容测量仪

电子爱好者进行制作时经常需要绕制电感，而一般的数字万用表通常又没有电感测量挡，所以无法测量绕好的电感的电感量。本文介绍一种用单片机制作的电感和电容测量仪(见图23.1)，可以有效地解决这一问题。

测量原理

本测量仪采用谐振法测量电感和电容，其方法是用谐振回路的谐振特性来进行测量，其测量原理可用如图23.2所示的电路进行说明。

图23.1 电感和电容测量仪

测量电感Lx时，配用标准电容C1，用Lx和C1组成谐振回路，测量出回路的谐振频率f即可计算出Lx的电感量;测量电容Cx时，配用标准电感L1，用L1和Cx组成谐振回路，测量出回路的谐振频率f即可计算出Cx的电容量。

上述测量方法也有一个缺陷：当Lx或Cx很小时，谐振频率f会很大，测量比较困难，为此我们可以采用如图23.2所示的改进型电路，分别用L1和C1作“垫底”，降低了测量时的谐振频率。

假设由 L1和C1 组成的谐振回路谐振频率为f1，测量Lx时，Lx和L1串联，测得(L1+Lx)和C1组成的谐振回路谐振频率为f2，则根据下式可计算出Lx的电感量：

Lx=[(f1/f2)2-1]L1

测量Cx时，Cx和C1并联，测得L1和(C1+Cx)组成的谐振回路谐振频率为f2，则可根据下式可计算出Cx的电容量：

Cx=[(f1/f2)2-1]C1

硬件电路

测量仪电路如图23.2所示。电路由LC振荡电路、单片机电路、显示电路等部分组成。

CD4069是6非门CMOS集成电路，其中非门F1、F2和C2、R1、R2等组成两级放大电路。第一级放大电路中，R2是负反馈偏置电阻，将F1输出端的直流电位钳制在VCC/2，使F1工作在线性放大区域。第二级放大电路没有加反馈电阻，直接用第一级放大电路输出的直流电压作偏置电压，以提高放大器的增益。放大电路通过正反馈回路R3、C3与L1、C1谐振电路一起组成正弦波振荡电路，非门F3用于信号整形，把F2输出的正弦波转换成矩形波输入到单片机ATmega8的T1脚，由单片机进行脉冲计数，从而测出LC回路的谐振频率。通过单片机对数据进行计算处理后，由LCD1602液晶屏显示测量结果。

图23.2 测量仪电路原理图

S1为测量转换开关，当S1转向L时测量电感，转向C时测量电容。S2是归0按钮。

LCD1602采用4线制传递数据，只使用了数据端口D4～D7。

当开关S1在电容挡但没有测量电容Cx，或在电感挡并且用短路线代替Lx时，电路的振荡频率约为503kHz，我们把这个频率称为基准频率。测试电容或电感时，被测试元件的电容量或电感量越大，对应的振荡频率越低。当被测电容的电容量为10μF(或电感的电感量为1H)时，对应的振荡频率约为5.03kHz。

电阻R5的阻值控制LCD1602液晶屏的对比度，R5阻值越小，液晶屏对比度越大。LED和LED+是液晶屏背光发光二极管的供电端口。

程序设计

测量仪的电路比较简单，而功能的实现更重要地依赖于程序的设计。程序的设计和优化需要花费更多的精力。

程序由频率测量、测试数据的计算处理、LCD1602液晶屏驱动显示三大部分组成。频率测量部分用定时器T/C1作脉冲计数，定时器T/C2产生测量脉冲频率的闸门时间。这里闸门时间选择0.5s，定时器T/C1累计的脉冲数乘以2即得脉冲频率。闸门时间选择0.5s是为了提高LCD1602显示数据刷新速度，如果闸门时间选1s，则刷新速度偏慢。

测试数据的计算处理部分主要利用前面给的两个公式计算出测量结果，并经过数据预处理后，输出到显示电路显示读数。

LCD1602的数据传输采用4线制，8位数据分两次传送，先传高4位，后传低4位，因为传递的数据量不大，所以你感觉不到4线制速度传输和8线制有什么区别。

安装调试

制作所需元器件的清单见表23.1。

C1、L1要选用精度比较高的元件，有条件的可用万能电桥进行筛选。L1如买不到成品电感也可自制，磁芯用Φ8×10的工字磁芯，用Φ0.42的漆包线绕55.5圈。

安装前先将程序的目标文件写入单片机ATmega8L，熔丝位的设置如图23.3所示。

图23.3 熔丝位的设置

电路板的装配图如图23.4所示。LCD1602的接口排座焊接在电路板上，排针焊接在LCD1602模块上如图23.5所示。

表23.1 元器件清单

图23.4 电路板装配图

安装完成后，用一根USB线将电源接口连到电脑USB插座上，接通测量仪的电源，将S1置于电容挡，测量端不接电容，这时LCD1602第二行显示的是基准频率f1，如图23.6所示。基准频率如果超出503kHz±5kHz的范围，说明L1、C1中有元件误差较大，需进行相应的调整。如果L1是自绕的，出现误差的可能性相对较大，可适当增减其圈数，直至满足要求。

接通电源后，以电容挡为例，虽然我们在测试端并没有接任何电容，但LCD1602第一行显示的电容量读数并不为零，如图23.6所示，我们称其为初始值，这是由基准频率略有漂移造成的。这时如果测量小容量的电容，误差就比较大，当初始值后有“-”号时，测量值是实际值减去了初始值，即读数比实际容量小了。反之，测量值是实际值加上了初始值，即读数比实际容量大了。

对于上述问题，我在程序中也作了考虑，只要在不接测试电容的情况下按一下S2就可以归0了，其实质就是基准频率作了修正，并把修正结果存入EEPROM，掉电后不会丢失。归0后的显示数据如图23.7所示。

电容挡归0后，电感挡就不需要归0了，因为电容挡归0就相当于在电感挡测试端接了一个短路线，等同于电感挡归0(在S1置于电感挡，S2归0时其测试端必须接短路线)，分析一下电路就明白了。

图23.5 排针的焊接

如果使用中发现测量误差较大，可通过程序进行修正，具体做法如下：找一个精度高的1000pF电容进行测量，假设读数为950pF，则计算1000/950≈1.05，我们将其称为修正系数，将计算公式Cx=[(f1/f2)2-1]C1改为Cx=[(f1/f2)2-1]C1×1.05，用这个公式计算就能减小测量误差了。为了简化程序中的计算，我采取把程序中的语句“unsigned int C1=1000”改为“unsigned int C1=1050”的方法，效果是一样的。

再找一个精度高的100μH电感进行测量，假设读数为94，则计算100/94≈1.06，把程序中的语句“unsigned char L1=100”改为“unsigned char L1=106”，同样也能减小测量误差。

把重新编译好的目标文件烧写到ATmega8L，再进行测量，精度就提高了。

用本测试仪测量电容的实例如图23.8所示(测量对象分别为240pF云母电容和0.47μF安规电容)，测量电感的实例如图23.9所示(测量对象分别为10μH电感和电子节能灯的电感线圈)。

当测量值超过量程时，读数显示“OVE”，测电感时电感测试端不接电感(相当于电感量为无穷大)，读数也显示“OVE”。

图23.6 基准频率的测量结果

图23.7 按S2归0后的显示数据

使用这个电感和电容测量仪时有一个问题需要注意，即电感或电容的参数会受测试频率的影响。例如，具有磁芯的电感，由于受磁芯的频率特性影响，不同的测试频率，其结果可能有所不同，用这个测量仪测的数据和用信号源频率为1000Hz的万能电桥测的数据可能会不一致。笔者认为，用更接近实际工作频率的测试频率可以得到比较符合实际的测试结果。由于本测试仪工作频率比较高，不适合测量电解电容器。笔者测量一个10μF的电解电容器，对应测试频率为6.5kHz，读数为6.26μF，误差很大。

图23.8 电容的测量结果

图23.9 电感的测量结果

5个方面详解：AI产品运营必知的软硬件技术

比算法更难得是算法的思想，比编程工具更难的是编程的思维，比做产品更难的是产品的梦想。本文主要从5个方面，详细阐述AI产品运营必知的软硬件技术。

一、AI产品运营对基础关系的安排

1. 智能软硬件与软件和硬件

在AI产品里没有纯粹单独的软件和硬件，尤其是产品经理更应该系统来看，把软件和硬件看成是AI赋能的智能软硬件。

例如：单片机一般意义上被看做硬件，但是我们以一种单片机Arduino来看，Arduino板子上的微控制器可以通过Arduino的编程语言来编写程序，编译成二进制文件，烧录进微控制器，而程序本身又是软件部分。其他AI产品部件也类似像STM32，瑞芯微3288等等。

单片机只是举例，现在这么大的数据量单片机是处理不了的，AI也不只是跑在单片机上，X86，服务端也有。

AI里软件相当于人的大脑，硬件相当于人的身体！所以离开软件硬件没有灵魂，离开硬件软件没有肉身！当下AI硬件主要被用来采集数据和作为算力！

2. 算法和数据

有人说算法重要，因为它体现了技术水平的高低，驾驭数学知识的能力；有人说数据重要没有数据算法如何实现效果，实际上LineLian和工程院院士杨善林的学生讨论后发现，算法和数据是鱼和水的关系。AI时代里算法跟传统算法的区别在于AI的算法是对人脑的模拟，是一种智能。

AI是在大量的样本数据基础上，通过神经网络算法训练数据，建立了输入数据和输出数据之间的映射关系，其最直接的应用是在分类识别方面。例如：训练样本的输入是语音数据，训练后的神经网络实现的功能就是语音识别，如果训练样本输入是人脸图像数据，训练后实现的功能就是人脸识别。

AI算法使得解决问题的步骤智能，数据使得算法得到训练从而实现算法所构建的商业模式！

3. 服务端和应用端

服务端和应用端是相对的。

开发应程序调操作系统的API，操作系统的API有（创建线程、读写文件【读、写、偏移到指定地址】、网络通信、图形渲染），那么操作系统就是应用程序的服务端。

而写一个常规的小程序或者APP，前端用户界面上需要的数据就是分别通过WEB程序调用浏览器功能接口然后OS向后台服务端发请求传数据。

另外web程序员，和底层嵌入式程序员理解的服务端和应用端还有差别，这里产品经理明了这种关系即可。服务端即底层就是功能的实现者，应用端上层就是功能的使用者，这一关系利于产品开发过程中需求时间安排规划。

AI产品经理明了基础关系，能更好的协调资源，补充Team短板，提升产品生命期效率！

二、站在硬件肩旁上赋能硬件

智能软硬件是指通过将硬件和软件相结合，对设备进行智能化创造或者改造。而智能软硬件移动应用端则是软件，通过应用连接智能硬件，操作简单、开发简便，各式应用层出不穷，也是企业获取用户的重要入口。例如：新零售的店铺，智能贩卖机等！

创造和改造对象可能是电子设备，例如：手表、电视和其他电器；也可能是以前没有电子化的设备，例如：门锁、茶杯、汽车甚至房子。

智能软硬件已经从可穿戴设备延伸到智能电视、智能家居、智能汽车、医疗健康、智能玩具、机器人等领域。比较典型的智能软硬件包括Google Glass、三星Gear、FitBit、麦开水杯、咕咚手环、Tesla、无屏电视等。

1. 智能软硬件的特征

信息的获取和交互智能软硬结合

2. 智能硬件的组成

（1）传感器

传感器是一种检测装置，能感受到被测量的信息，并能将感受到的信息，按一定规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。

例如：检测距离的声波传感器，寻找轨迹的红外传感器，通信的蓝牙、NB-IoT传感器等等！

（2）控制器

控制器是指按照预定顺序改变主电路或控制电路的接线和改变电路中电阻值，来控制电动机的启动、调速、制动和反向的主令装置。

由程序计数器、指令寄存器、指令译码器、时序产生器和操作控制器组成，它是发布命令的“决策机构”，即完成协调和指挥整个计算机系统的操作。例如：一般功能的叫MCU单片机，复合功能的叫操作系统OS！

首先，控制器在智能硬件中一般叫做芯片，AI与CPU比较在架构和功能特点上有着非常大的区别。

传统的CPU运行的所有的软件是由程序员编写，完成的固化的功能操作，其计算过程主要体现在执行指令这个环节。但与传统的计算模式不同，人工智能要模仿的是人脑的神经网络，从最基本的单元上模拟了人类大脑的运行机制。它不需要人为的提取所需解决问题的特征，或者总结规律来进行编程。

AI一般包含机器学习和深度学习，但不管是机器学习还是深度学习都需要构建算法和模式，以实现对数据样本的反复运算和训练，降低对人工理解功能原理的要求。

因此，AI芯片需要具备高性能的并行计算能力，同时要能支持当前的各种人工神经网络算法。传统CPU由于计算能力弱，支撑深度学习的海量数据并行运算，且串行的内部结构设计架构为的是以软件编程的方式实现设定的功能，并不适合应用于人工神经网络算法的自主迭代运算。

传统CPU架构往往需要数百甚至上千条指令才能完成一个神经元的处理，在AI芯片上可能只需要一条指令就能完成。

其次，解读主流的人工智能芯片。

AI的高级阶段是深度学习，而对于深度学习过程则可分为：训练和推断两个环节。

训练环节通常需要通过大量的数据输入或采取增强学习等非监督学习方法，训练出一个复杂的深度神经网络模型。训练过程由于涉及海量的训练数据和复杂的深度神经网络结构，需要的计算规模非常庞大，通常需要GPU集群训练几天甚至数周的时间，在训练环节GPU目前暂时扮演着难以轻易替代的角色。

推断环节指利用训练好的模型，使用新的数据去“推断”出各种结论，如视频监控设备通过后台的深度神经网络模型，判断一张抓拍到的人脸是否属于黑名单。虽然推断环节的计算量相比训练环节少，但仍然涉及大量的矩阵运算。

在推断环节，除了使用CPU或GPU进行运算外，FPGA以及ASIC均能发挥重大作用。目前，主流的人工智能芯片基本都是以GPU、FPGA、ASIC以及类脑芯片为主。

FPGA：

即专用集成电路，一种集成大量基本门电路及存储器的芯片，可通过烧入FPGA配置文件来来定义这些门电路及存储器间的连线，从而实现特定的功能。而且烧入的内容是可配置的，通过配置特定的文件可将FPGA转变为不同的处理器，就如一块可重复刷写的白板一样。

FPGA有低延迟的特点，非常适合在推断环节支撑海量的用户实时计算请求，如语音识别如LineLian2017年打造的裸眼3D试衣镜所采用的芯片。

由于FPGA适合用于低延迟的流式计算密集型任务处理，意味着FPGA芯片做面向与海量用户高并发的云端推断，相比GPU具备更低计算延迟的优势，能够提供更佳的消费者体验。在这个领域，主流的厂商包括Intel、亚马逊、百度、微软和阿里云。

ASIC：

即专用集成电路，不可配置的高度定制专用芯片。特点是需要大量的研发投入，如果不能保证出货量其单颗成本难以下降，而且芯片的功能一旦流片后则无更改余地，若市场深度学习方向一旦改变，ASIC前期投入将无法回收，意味着ASIC具有较大的市场风险。但ASIC作为专用芯片性能高于FPGA，如能实现高出货量，其单颗成本可做到远低于FPGA。

谷歌推出的TPU就是一款针对深度学习加速的ASIC芯片，而且TPU被安装到AlphaGo系统中。但谷歌推出的第一代TPU仅能用于推断，不可用于训练模型，但随着TPU2.0的发布，新一代TPU除了可以支持推断以外，还能高效支持训练环节的深度网络加速。

根据谷歌披露的测试数据，谷歌在自身的深度学习翻译模型的实践中，如果在32块顶级GPU上并行训练，需要一整天的训练时间，而在TPU2.0上，八分之一个TPUPod(TPU集群，每64个TPU组成一个Pod)就能在6个小时内完成同样的训练任务。

GPU：

即图形处理器。最初是用在个人电脑、工作站、游戏机和一些移动设备上运行绘图运算工作的微处理器，可以快速地处理图像上的每一个像素点。后来科学家发现，其海量数据并行运算的能力与深度学习需求不谋而合，因此，被最先引入深度学习。

GPU之所以会被选为超算的硬件，是因为目前要求最高的计算问题正好非常适合并行执行。一个主要的例子就是深度学习，这是人工智能（AI）最先进的领域。

深度学习以神经网络为基础，神经网络是巨大的网状结构，其中的节点连接非常复杂。训练一个神经网络学习，很像我们大脑在学习时，建立和增强神经元之间的联系。

从计算的角度说，这个学习过程可以是并行的，因此它可以用GPU硬件来加速。这种机器学习需要的例子数量很多，同样也可以用并行计算来加速，在GPU上进行的神经网络训练能比CPU系统快许多倍。

目前，全球70%的GPU芯片市场都被NVIDIA占据，包括谷歌、微软、亚马逊等巨头也通过购买NVIDIA的GPU产品扩大自己数据中心的AI计算能力。

3. 智能硬件生产流程

智能软硬件的开发流程介绍

（1）需求调研及分析

凡是开发产品类的，都需要进行完成的市场调研，智能硬件也是一样，通过面向群体来收集有用的价值，从而对产品开发的导向及功能要求有明确的方向。

（2）产品原型设计

对于该产品的硬件、原件、结构进行开发，完成后进行联调测试，如果中途出现问题，需要重新设计，若通过进行组装及测试。

（3）试产阶段

小批量的进行产品试产，进行产品认证。

（4）产品运营硬件市场化量产阶段

一般情况下，需要等到一些认证做完，接到正式订单才会开始大规模生产。

三、站在软件肩旁上赋能软件

上文第二节里讲站在硬件的肩旁上赋能硬件里，硬件本身亦不是纯硬件，其中有软件部分且是必不可少的部分。

软件包含系统软件和应用软件，系统软件是软件的软件，是软件运行的平台，应用软件是为了完成特定产品业务运营而编写的软件。

常用的系统软件有操作系统（DOS、WINDOWS、UNIX、OS/2）、数据库管理系统（FoxPro、DB-2、Access、SQL-server）、编译软件（VB、C++、JAVA）。应用软件有文字处理软件（WORD、WPS）、信息管理软件、辅助设计软件（CAD）、实时控制软件(CAM)。再例如：APP、小程序等属于应用软件，Android/IOS等属于系统软件。

软件流程一般如下图：

AI需要的智能软硬件流程：

四、以智能家居的智能软硬件产品实战为例

本节以智能家居整体结构设计、芯片选型、模块设计实战经验为例讲一遍智能软硬件产品的打造流程。

先看下图为笔者操盘的智能家居整体结构图：

以下为整体结构图解析：

Android手机终端在连接的4G或WIFI情况下通，过向服务器发出 HTTP 请求完成对信息的查询和任务的设定。

云服务器根据用户需求提供必要的数据，并将对应的任务更新至数据库。嵌入式智能设备通过WIFI模块AT与服务器，进行Socket通信，服务器端使用基于JavaNIO的框架实现 Socket连接。

Android手机终端和智能设备通过不同的服务器进行通信，Android手机终端采用http 协议与服务器进行通信，服务器提供了用于通信的RESTful API，嵌入式智能设备基于 Socket与服务器连通。两个服务器部署在同一台机器上，通过MYSQL数据库做中间桥接，实现数据的共享。

再看下图为具体模块结构图：

上图中MCU负责整个模块的控制；WIFI模块实现模块的无线连接，并集成协议TCP/Ip协议，负责同服务器交换数据；开关控制使用继电器实现，能够实现弱电对强电的控制；湿度、温度、亮度模块根据不同模块的功能进行选装，从而实现对不同量的测量。

限位检测用于检测电机运行的位置状态，从而实现对宠物喂食中机械的控制，实现定量的喂食；RTC时钟为系统的运行提供时间基准；FRAM保存配置数据,即使在掉电后还能够执行之前设定的任务；基本的用户界面提供了现场的控制途径，使用户能够对模块进行直接的操作；供电使用AC/DC电源直接由220V供电或者使用DC进行供电，可以根据外部公开进行选择。

其次芯片选型。

选用M451LG6AE作为主控芯片M451LG6AE为 32位单片机，基于M4内核，具有足够的RAM和 Flash能够满足运行程序的要求。其具有多个串口，支持硬件的 SPI 及 I2C，能够方便实现的通信，具有 AD能够实现一些状态量的测量。

使用 DTH11进行温湿度的测量，其集成了温度及湿度检测功能,接口为单线制串口。节约 IO，使用 DS18B20进行范围较大的温度测量，其测温范围较广，具有密封的封装，能够测量液体温度，能多个并联。对于土壤湿度的测量，使用电阻式湿度传感器进行测量。

限位检测主要用于检测物体是否移动到了指定位置，或者在喂食装置中电机旋转的圈数（决定喂食的量），只需要输出开关量，因此使用光电门进行检测，使用非接触测量能够有效地延长传感器的使用时间，同时能够提供足够的精度。

为了实现高精度的计时，从而减小离线时出现的定时误差，使用外置的RTC DS3231 作为计时基准。DS3231 内置了带温补的晶振,能够实现较高精度的计时，满足运用的需求。

选择擦写次数多和读取速度块的FRAM FM24V系列，来进行设置数据的存储%使掉电复位后，仍然能够进行中断的任务。

使用 HLK-PM01 作为 AC/DC芯片，HLK-PM01 用于实现220VAC到 5VDC的转换，能够提供 3W的功率,足够系统的使用。使用 HLK_M30模块作为WIFI 模块，其体积很小，功耗较低，支持TCP Server/TCP Client /UDP Server/UDP Client工作方式，能够方便地实现互联网连接，串行接口能够方便地与主控器连接。

再则软件设计：

整体软件功能模块如下图：

其中1： 软件部分与硬件之间交互通信模块， APP通过HTTP 协议与服务器进行通信，采用 OkHttp 进行网络请求，请求的方式以 Post为主。

Android系统提供了两种 HTTP 交互的方式HTTPURL-CONNECTION和 APACHE HTTP CLIENT，虽然两者都支持 HTTPS流的上传和下载，配置超时IPV6和连接池，已足够满足各种HTTP请求的需求，但原生的HTTP 接口存在着 API 数量过多，扩展困难等不足。

因此产生了许多出色的网络通信库来替代原生的 HTTPURLConnection，其中OkHttp是最出色的一个。

使用 OkHttp 库进行更高效 HTTP请求可以让应用运行更快、更节省流量，因此，本项目中使用 OkHttp库依赖开发。

APP与服务器通信时采用 JSON格式进行数据传输，JSON 作为一种轻量级的数据交换格式，易于阅读和编写，并且多种编程语言均提供了对 JSON 格式数据解析的支持，易于机器解析和生成。

并且相比XML格式，JSON数据量更小，具有较高的有效数据率，有助于节省流量，提升网络传输速率。APP采用 Android 自带的 JSONObject 类进行 JSON数据的解析。

其中2： 登录模块，由于智能家居控制系统是一个面向多种需求多个用户的控制系统，需要建立用户系统，使不同的用户可以有序地管理自己的设备。

APP在启动时会首先检查本地是否存有用户的 token，如果不存在，跳转到登录界面，密码采用 MD5进行加密。用户登录成功后，将服务器发来的 token通过 SharedPreferences 保存在本地，以后每次网络请求通过这个token进行用户验证，而不需要重新进行登录。

其中3： 设备模块设备列表中选择一个设备进入设备控制页面，在设备控制页面可以进行查看设备信息，查看历史记录，对设备进行控制等操作。

进行设备控制时，智能照明控制开、关两种状态，智能浇水对浇水量进行控制，智能喂食对喂食量进行控制，每种设备的控制均提供手动和定时两种工作方式。在启动定时任务时，可以设置每周某几天在某个时间重复执行设备控制的任务。

其中4： 场景页面中可以添加的任务分为两种类型：

一种是对设备的控制任务，包含控制照明设备的开关，浇水设备的浇水量、喂食设备的喂食量等。另一种是延时任务，用于设定不同设备控制任务之间的延时间隔，场景可以设置为手动或定时启动两种方式。为了减少控制的复杂性，场景中的单项任务不能进行定时的设置，但可以通过设置场景整体的定时任务来实现场景中每个任务的定时执行。

希望通过以上智能软硬件产品实战，来传达一套系统的智能软硬件产品方法论！

五、Hold住产品靠本领，引领智能软硬件市场靠人性！

同样是语音识别猎豹做出来翻译棒，而天猫做出阿里智能音箱。同样是图像识别，用在机场可以协助安检通过，波士顿动力可以给机器狗避障！

智能软硬件产品运营是生意人，互联网产品运营是设计师。

而笔者爸爸说：

“10年难培养一个生意人，1年也许就能培养一个擅长用工具的设计师和程序员”。

比算法更难得是算法的思想，比编程工具更难的是编程的思维，比做产品更难的是产品的梦想！

运营好和卖好产品，并用户口口香传，与实现产品同样重要。没有指令机器不知运转，而没有机器指令又命谁运转？智能软硬件是产品运营的未来！

#专栏作家#

连诗路，公众号：LineLian。人人都是产品经理专栏作家，《产品进化论：AI+时代产品经理的思维方法》一书作者，前阿里产品专家，希望与创业者多多交流。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议

上海羊羽卓进出口贸易有限公司