داده های مغزی و مدل های کسب و کار: چگونه رابط مغز و رایانه با هوش مصنوعی به بازار داده پردرآمد دامن می زند

چگونه یادگیری ماشین همراه با رابط مغز و رایانه می تواند جریان درآمد جدیدی ایجاد کند

عکس مورگان هوسل در Unsplash

اخیراً این شانس را داشتم که شرکت کنم یک گروه وظیفه مسئول ایجاد مدلهای تجاری جدید مربوط به رابطهای مغز و رایانه. هدف این بود که به یک شرکت بزرگ فناوری کمک کند تا بفهمد چگونه می تواند از داده های مغز به طور اخلاقی استفاده کند.

با افزایش رابط های غیرتهاجمی مغز و رایانه (BCIs) ، توسعه راه حل های یادگیری عمیق برای کمک به بهبود دقت BCIs و کاهش هزینه هدست های EEG (Electroencephalography) ، تعداد فزاینده ای از استارتاپ ها و شرکت های بزرگ فناوری به دنبال راه های جدیدی برای ایجاد درآمد از داده های مغز هستند.

در واقع ، توسعه رابط های مغز و رایانه بازار سودآوری داده ها را تقویت کرده و توسعه "سرمایه داری عصبی" را تسریع می کند. چندین شرکت در حال تلاش برای یافتن بهترین استراتژی هستند تا قبل از اینکه BCI های تهاجمی و غیرتهاجمی به یک محصول بازار انبوه تبدیل شوند.

در این مقاله ، اهمیت تجارت داده های مغزی را توضیح خواهم داد. با الگوریتم ها ، مدل های تجاری احتمالی آینده مربوط به BCI ها ، نحوه ترکیب BCI و AI اکوسیستم های محصول قوی تر و مفهوم "neuropapitalism".

رابط مغز و کامپیوتر-توضیح

برای کسانی که با اصطلاح "رابط مغز و رایانه" آشنا نیستند ، دستگاهی را تعریف می کند که امکان برقراری ارتباط مستقیم بین مغز و ماشین را دارد.

به عبارت دیگر ، BCI یک "کامپیوتر- سیستم مبتنی بر سیگنال های مغزی ، آنها را تجزیه و تحلیل می کند و آنها را به دستوراتی که برای انجام عمل مورد نظر به یک دستگاه خروجی منتقل می شوند ، ترجمه می کند. "(1). قصد انسان با استفاده از تکنیک های یادگیری ماشین برای طبقه بندی سیگنال های الکتریکی تولید شده توسط مغز به با استفاده از ابزارهای خاص ، امکان تبدیل این سیگنال های بیومتریک به بینش های کاربردی برای اندازه گیری احساسات و کنترل دستگاه های متصل وجود دارد.

یادگیری ماشین و توسعه BCI غیرتهاجمی

در این مقاله ، من اغلب به "یادگیری ماشین" به دو دلیل اشاره می کنم. اولین مورد این است که BCI می تواند به ایجاد جلوه های بهتر شبکه داده و جمع آوری داده های استراتژیک کمک کند. مورد دوم مربوط به این است که چگونه ML می تواند به BCI ها برای آماده شدن در بازار کمک کند.

در واقع ، توسعه رابط مغز و کامپیوتر با یادگیری ماشین ارتباط تنگاتنگی دارد. تکنیک های ML (از جمله یادگیری عمیق) نقش کلیدی در "استخراج ویژگی ها و طبقه بندی سیگنال های EEG/ECoG" (2) ایفا می کند.

بر اساس تجربه من ، رمزگشایی فعالیت الکتریکی مغز با تنوع زیاد و غیر سر و صدای ثابت به یک سیگنال معنی دار دشوار است. بنابراین ، استفاده از تکنیک های یادگیری ماشین کلیدی برای حل برنامه های کاربردی BCI است.

برای مقابله با چالش های کاربرد BCI ، چندین سازمان برای بهبود استخراج ویژگی های ضروری از سیگنال های EEG تلاش می کنند.

از نظر تجربه مشتری ، استفاده از هوش مصنوعی و BCI می تواند به این شکل باشد. بگذارید تصور کنیم که در خیابان شخصی را می بینید که تی شرت مورد علاقه شما را پوشیده است. بعداً ، در حالی که در برنامه رسانه های اجتماعی مورد علاقه خود حرکت می کنید ، یک تی شرت با ظاهر مشابه را روی یک پست حمایت شده مشاهده می کنید. ممکن است شخصی که این تی شرت را می پوشد شبیه شما باشد محتوای مبتنی بر شبکه های مخالف تولیدی (GAN). این سناریو می تواند به زودی به واقعیت تبدیل شود.

رابط مغز و رایانه و داده های بازاریابی

با استفاده از BCI ها ، شرکت ها می توانند داده های کلیدی بازاریابی مانند فعال سازی حافظه را جمع آوری کنند.

این وضعیت به شرکت ها این امکان را می دهد تا اطلاعات شخصی تری درباره مصرف کنندگان جمع آوری کرده و نحوه تعامل ما با دستگاه های روزمره را به طور اساسی تغییر دهند.

تصویر نویسنده

رابط مغز و رایانه به شرکت ها این امکان را می دهد که" سفرهای مشتری ، احساسات و ترجیحات آنها "(4) را به طور عمیق تری پیگیری کنند. تبلیغات و تجربیات سفارشی را افزایش دهید تا فروش را مستقیماً به مغز یا دستگاه های پوشیدنی خود افزایش دهید.

BCI ها همچنین می توانند برای "بهینه سازی تبلیغات اینترنتی و نقاط تلویزیونی" استفاده شوند (5). با اطمینان می توان فرض کرد که داده های امواج مغزی به جای داده های کوکی به هنجار جدیدی برای تبلیغات آینده مبتنی بر وب تبدیل می شود.

اگر شرکتی مانند Google تصمیم به توسعه BCI ها داشته باشد ، می تواند تشخیص دهد که آیا شما توجه به تبلیغات ویدیویی ، احساسی که نسبت به آنها دارید و اینکه آیا آنها شخصاً به شما مربوط هستند یا خیر. شرکتی مانند اپل می تواند BCI ایجاد کند که لیست پخش موسیقی را با توجه به روحیه شما انتخاب می کند.

سایر شرکت ها ممکن است برنامه هایی را برای جمع آوری داده های مغز شما با استفاده از BCI ساخته شده توسط یک شرکت دیگر توسعه دهند (کمی شبیه Google Play و برنامه های تلفن همراه شخص ثالث).

تصویر نویسنده > همین شرکتهای بزرگ فناوری نیز بیشتر از اشکال جدید BCI سود خواهند برد. در واقع ، برخی از شرکت ها می توانند از قبل یک رابط مغز و کامپیوتر به شکل هدفون ایجاد کنند (6). اشکال دیگر BCI به مزایای BCIs برای توده ها در یک فرم که مردم به طور منظم از آن استفاده می کنند ، کمک می کند. به همین دلیل است که داده های مغزی برای شرکت ها بسیار استراتژیک می شود. هدست هایی که قادر به اجرای طیف وسیعی از برنامه های شخص ثالث هستند ، اکنون با قیمت 100 دلار (7) خریداری می شود.

نوروکاپیتالیسم & مدلهای تجاری

طی ماموریت من ، ما به این نتیجه رسیدیم که شرکتهای فناوری پیشرفته باید از قبل آماده شدن برای تسریع دوران عصب سرمایه داری را آغاز کنند. سالهای آینده تحت تأثیر تجاری سازی داده های مغزی در بازار مصرف قرار خواهد گرفت. همچنین توسعه دستگاههایی که برای تعامل با BCI ساخته شده اند.

رابط غیرتهاجمی مغز و رایانه باعث می شود که افراد داده های مغزی خود را با خدمات شرکت های خصوصی مبادله کنند.

New Brain-Computer مدلهای تجاری رابط؟

فراتر از ساختن رابطهای مغز و کامپیوتر ، من انتظار دارم که شرکتهای بزرگ فناوری یک اکوسیستم واقعی از برنامه های کاربردی رایگان و سایر دستگاهها را در کنار BCI توسعه دهند.

بر اساس تجزیه و تحلیل ما ، ما معتقدیم که مدل اصلی کسب و کار برای BCI ، مدلی به نام "پرداخت با داده" خواهد بود. به عنوان مثال ، برخی از برنامه های کاربردی BCI مانند انتخاب موسیقی می توانند به صورت رایگان در ازای دسترسی کاربران به تمام داده های مغز خود ارائه شوندمربوط به این برنامه (8).

این داده ها می توانند سازماندهی شوند و یا برای اهداف تبلیغاتی هدفمند استفاده شوند و یا با قیمت مناسب به اشخاص ثالث فروخته شوند. با بهبود کیفیت خدمات و ارتباط تبلیغات ، این مدل کسب و کار به افزایش قفل شدن مشتریان کمک می کند.

Lock In Effect: استراتژی ای که در آن یک شرکت کار را برای مشتریان خود بسیار سخت می کند آنها را ترک کنید. تصویر نویسنده

شرکت ها می توانند همچنین از داده های مغز برای بهبود توصیه های محصول و افزایش ارزش طول عمر هر مشتری استفاده کنید. این برای اکثر شرکت های تجارت الکترونیک استراتژیک است. در این صورت ، داده های مغزی به یک مدل کسب و کار موجود کمک می کند.

ما همچنین انتظار داریم BCI ها رابط کاربری آینده شوند و ارتباطات یکپارچه تری را با دستگاه ها ایجاد کنند. به این ترتیب ، شرکت های بزرگ فناوری سعی خواهند کرد ویژگی های مربوط به BCI را به استراتژی اکوسیستم محصول فعلی خود اضافه کنند. سپس آنها می توانند داده ها را از منابع/دستگاه های متعدد از جمله BCI/داده های مغز جمع آوری کنند. داده های مغزی به بهبود کارایی اکوسیستم و افزایش حداکثر ارزش مشتری و ماندگاری مشتری کمک می کند.

ادغام BCI با اکوسیستم محصول موجود نیز به افزایش فروش کمک می کند. به عنوان مثال ، اگر مصرف کننده به محصول خاصی در یک فروشگاه توجه می کند ، عینک های هوشمند مجهز به BCI می توانند فکر مربوط به قیمت را طبقه بندی کرده و این اطلاعات را به فروشگاه ارسال کنند که می تواند از قیمت های پویا برای تعدیل قیمت استفاده کند.

اکثر مشاغل فروش محتوای آنلاین از استفاده از داده های مغزی بسیار سود خواهند برد. به عنوان مثال ، شرکت های رسانه ای می توانند از داده های مغز برای تصمیم گیری در مورد ایجاد محتوا استفاده کنند. BCI ها همچنین می توانند سطح توجه هر خواننده را اندازه گیری کرده و محتوا را در زمان واقعی تنظیم کنند.

بهبود ارتباط تبلیغات/پیوندهای وابسته در کنار هر محتوا ممکن می شود. همچنین می توان از داده های مغزی برای ایجاد توصیه های محتوایی بهتر و مشارکت بیشتر استفاده کرد. سپس شرکت ها می توانند برای استفاده (مانند Netflix) هزینه دریافت کنند.

تصویر توسط نویسنده

سایر شرکت ها ممکن است از طریق برنامه خود به داده های مغز شما و همچنین سایر داده های مربوط به شما دسترسی داشته باشند. به عنوان مثال ، LinkedIn می تواند اطلاعات مربوط به تجربیات شغلی گذشته شما و داده های مربوط به نحوه واکنش شما به آگهی های شغلی خاص را بفروشد. به این ترتیب ، شرکت ها می توانند دسترسی به داده های برتر را بفروشند یا حتی دسترسی API را به داده های خام ساخته شده با داده های مغزی بفروشند. ' بهره وری. برخی از شرکت ها قبلاً از BCI استفاده کرده اند تا "تغییرات حالات احساسی در کارکنان خط تولید ، ارتش و در راس قطارهای سریع السیر را تشخیص دهد" (9).

BCI های موجود با سنسورهای بی سیم به طور مداوم "امواج مغزی استفاده کننده را تحت نظر داشته باشید و داده ها را به رایانه هایی که از Machine Learning برای تشخیص موج احساسی مانند افسردگی ، اضطراب یا خشم استفاده می کنند" (10) نظارت کنید. به شرکتهای تخصصی BCI را به عنوان راهی برای افزایش کارایی کلی کارگران با تغییر دفعات و طول زمانهای استراحت برای کاهش استرس روانی ترویج خواهند کرد. من انتظار دارم که اکثر BCI ها را در کلاه ایمنی معمولی یا کلاه های یکنواخت پنهان کنم.

من تصور می کنم که برخی از مشاغل خاص به BCI نیاز دارند (خلبانان ،رانندگان کامیون و غیره).

داده های مغزی کارکنان می تواند به یک منبع درآمد جدید تبدیل شود. در واقع ، داده های مغزی را می توان برای اهداف مرتبط با مجموعه داده یا مطالعات بازار به شرکت های دیگر فروخت. تولید بسیاری از محصولات مبتنی بر یادگیری ماشین بیشتر محصولات یا خدمات فناوری فعلی به کیفیت داده های کاربر بستگی دارد. هرچه تعداد کاربران از یک برنامه بیشتر باشد ، می توان داده های بیشتری جمع آوری کرد تا مدل ها را تربیت کند و دقت بیشتری را ارائه دهد ، که به نوبه خود کاربران بیشتری را جذب می کند.

به نظر من ، داده های مغزی مشاغل ساخته شده را بیشتر تقویت می کند بر اثرات شبکه داده دسترسی به داده های مغزی به معنای مجموعه داده بهتر برای ابتکارات ML ، ML بهتر به معنای خدمات/محصولات بهتر و غیره است. شرکت هایی که توانایی استفاده از داده های مغزی را ندارند ، تأثیرات شبکه شبکه داده های قدرتمندتری خواهند داشت.

تصویر نویسنده ، با الهام از منبع [https://twitter.com/realalexbarge/status/922870908980748288] < h1> فراتر از بازاریابی

تقریباً همه شرکت ها/صنایع تحت تأثیر داده های مغزی قرار می گیرند. پیامدهای داده های جمع آوری شده از طریق استفاده از BCI بسیار فراتر از تبلیغات هدفمند است. به عنوان مثال:

شرکت های بیمه ممکن است از داده های مغز برای "تعیین میزان کسر مبلغ شما بر اساس سطح استرس ثبت شده در EEG" استفاده کنند. (11) بانک ها می توانند "اعتبار از طریق داده کاوی" (12) و داده های مغزی را تعیین کنند. صنعت سرگرمی ممکن است از داده های مغزی برای کسب اطلاعات بیشتر در مورد مصرف کنندگان و ایجاد برنامه های متناسب تر استفاده کند. محتوای ساخته شده بازی های عصبی ، "جایی که شما حرکات خود را در یک بازی ویدیویی با استفاده از مغز خود کنترل می کنید" (13) به جای یک کنترل کننده سنتی ، بسیار امیدوار کننده به نظر می رسد. واکنش مغز بازیکنان را می توان جمع آوری کرد و به شرکت های دیگر فروخت ... این برنامه ها به عنوان اسب تروا برای جمع آوری داده های مغزی عمل می کنند ، سپس داده ها را به یک خندق رقابتی تبدیل می کنند که به بهبود سایر محصولات/راه حل ها کمک می کند. خندق داده: یک خندق داده "یک مزیت رقابتی است که شما در برابر آن مشاغل دیگر بر اساس مجموعه داده های اختصاصی شما "(14).

ایجاد اعتماد

با وجود این درآمدهای جدید بالقوه امیدوارکننده ، باید عدم شفافیت فعلی در مورد اینکه کدام دستگاه ها واجد شرایط هستند را برجسته کنم به عنوان BCIs در واقع ، یک منطقه خاکستری نظارتی برای BCI های غیر تهاجمی وجود دارد. از نظر برخی از کارشناسان ، این بدان معناست که جامعه ما به برخی قوانین در مورد نحوه جمع آوری ، ذخیره و استفاده از مغز (15) نیاز دارد.

با اطمینان می توان گفت که اکثر شرکت های بزرگ فناوری دارای سابقه استفاده غیر اخلاقی از داده های مشتری من انتظار دارم که شرکت های بزرگ فناوری زمان و پول زیادی را روی محتوایی سرمایه گذاری کنند که توضیح می دهد چگونه از حریم خصوصی داده های شما محافظت می کنند. وقتی BCI ها به جریان اصلی تبدیل می شوند ، حریم خصوصی داده ها به یک عامل متمایز کننده اصلی تبدیل می شود.

برای کسب اطلاعات بیشتر در مورد این موضوع ، پیوندهای زیر را توصیه می کنم:

ترکیبی از رابط های مغز و رایانه و هوش مصنوعی: برنامه ها و چالش ها پیشرفت رابط کامپیوتر مغز در علوم اعصاب: برنامه ها و مسائل گوش هایی که می توانند ذهن شما را بخوانند؟ Orbityl مرزهای رابط های مغز و رایانه را پیش می برد افزایش رابط های رایانه ای مغز و آینده بازاریابی نوروکاپیتالیسم چیست و چرا در آن زندگی می کنیم؟ یادگیری عمیق در رابط مغز و رایانه: وضعیت فعلی و چالش ها برای پیشرفت در این زمینه فناوری ذهن را با ماشین ها درگیر می کند و نگرانی ها را افزایش می دهد آینده عجیب رابط های مغز و کامپیوتر: جایگزینی رمزهای عبور با افکار و مدیران ذهن خوان کهمی تواند بفهمد چه زمانی بی حوصله هستید اسکن مغز در کارخانه های چین احتمالاً کار نمی کند-اگر اصلاً اتفاق بیفتد مثل این است که آنها ذهن من را می خوانند: چگونه نسل بعدی برنامه ها امواج مغزی شما را به بازار عرضه می کنند. استفاده از داده کاوی برای بهبود ارزیابی اعتبار از طریق مدل های امتیازدهی اعتبار مسابقه برای کنترل بازی های ویدئویی با استفاده از ذهن فیس بوک در حال تأمین هزینه آزمایشات مغزی برای ایجاد دستگاهی است که ذهن شما را می خواند: شرکت های بزرگ فناوری سعی می کنند افکار مردم را بخوانند و هیچ کس آماده عواقب آن نیست منظور از فناوری نوظهور خواندن ذهن در بازاریابی

استفاده

ایجاد یک سیستم تشخیص صدا با PyTorch با استفاده از تکنیک های بینایی رایانه ای

یادگیری متضاد برای کارهای تحت نظارت و تحت نظارت

عکس توسط ایوان بندورا در Unsplash

مقدمه

روشهای احراز هویت مبتنی بر بیومتریک در طول زمان اهمیت خود را افزایش می دهند فاصله اجتماعی ، کار از راه دور و همکاری ، زیرا می توانند امنیت و تجربه مشتری بالاتری را همزمان ارائه دهند. یکی از تکنیک های آن تشخیص صدا است ، یعنی تشخیص اینکه یک ورودی صوتی داده شده از شخصی است که قبلاً ثبت شده است یا خیر. احراز هویت صوتی یکی از بهترین تجربیات کاربر در بین همه روشهای احراز هویت را ارائه می دهد ، بنابراین پیشرفت در آن زمینه می تواند به امنیت برنامه ها بدون آسیب رساندن به تجربه در بسیاری از صنایع کمک کند.

در این بخش ما نحوه عملکرد منطقی را توضیح می دهیم. سیستم تشخیص صدا با PyTorch ، با استفاده از تکنیک های عمیق یادگیری رایانه. با نتایج 90.2 accuracy با استفاده از نمونه های مختلف آموزشی و آزمایش و تنها 25 of از اندازه مجموعه داده اصلی ، ما نشان می دهیم که چگونه در حال حاضر برای حوزه های مختلف هوش مصنوعی امکان استفاده از دانش یکدیگر برای بهبود تکنیک ها و نتایج آنها وجود دارد. < /p>

زمینه

مانند رایانه کامپیوتری (CV) و پردازش زبان طبیعی (NLP) ، برنامه های کاربردی مبتنی بر صدا یکی از تأثیرگذارترین مناطق در پیشرفت های اخیر در یادگیری عمیق هستند.

مشکلاتی مانند تشخیص صدا و گفتار برای دهه ها بسیار چالش برانگیز بود. نه اینکه در حال حاضر مشکل نیست ، اما راه حل های کلاسیک برای این مشکلات معمولاً به طراحی ویژگی های دستی و دانش تخصصی زیادی نیاز دارد.

اما شاید مهمترین آن ، یادگیری عمیق نیز باعث افزایش چشمگیر همکاری ها شد در میان متخصصان در زمینه های مختلف قبل از شروع یادگیری با پارادایم داده ، محققان NLP ، Computer Vision و پردازش سیگنال همکاری چندانی با یکدیگر نداشتند-این بسیار مختص حوزه بود. امروزه ، محققان پردازش سیگنال می توانند از پیشرفت های انجام شده در CV و NLP استفاده کنند. این تبادل اطلاعات می تواند به سادگی خواندن یک مقاله و به کار بستن ایده ها در زمینه های مختلف باشد.

امروزه ، با درک خوب از یادگیری ماشین ، مجموعه داده های تمیز و خوش رفتار و کتابخانه های یادگیری عمیق ، ساختن یک اثبات مفهوم ساده (POC) نسبتاً ساده است.

برای اثبات موضوع ، در این مقاله ما قصد داریم فرآیند استفاده از یک روش یادگیری بدون نظارت اخیر (برای CV ) ، برای ایجاد POC برای تشخیص صدا. به عبارت دیگر ، ما سیستمی می خواهیم که بتواند صدای افراد خاصی را تشخیص دهد.

چرا اهمیت دارد؟ فناوری مبتنی بر صدا تا حد زیادی به عنوان یک عامل بیومتریک برای احراز هویت مورد استفاده قرار می گیرد. بسیاری از بازیکنان مانند گوگل و اپل دارای فناوری اصلی مبتنی بر تعامل صوتی هستند. Apple Siri ، Google Assistant و Cortana ، برخی از محبوب ترین ها هستند. علاوه بر این ، فناوری صدا به عنوان یک مرحله احراز هویت چند عاملی مورد استفاده قرار می گیرد. در اینجا ، بیومتریک مانند اثر انگشت ، عبارت عبور صدا و تشخیص چهره را می توان برای ایجاد یک مکانیزم احراز هویت سفارشی و ایمن ترکیب کرد.

مانند هر سیستم مبتنی بر داده ، راه حل ارائه شده در اینجا کامل نیست. این به معنای POC است که در آن آزمایش محرک اصلی است. با این وجود ، سیستم تنها با استفاده از بخش کوچکی از داده های موجود ، عملکرد شایسته ای را به دست می آورد.روش یادگیری مورد استفاده برای این پروژه و انتقال به مورد استفاده ما. کد ، که در PyTorch نوشته شده است ، می تواند در Github قابل دسترسی باشد. صحنه های مرتبط تا حد امکان (بر اساس معیار فاصله مشخص) در حالی که نمایش ها را از صحنه های مختلف جدا می کنیم.

بصورت بصری ، بیایید به موردی بپردازیم که یک مجموعه داده تحت نظارت داریم که برچسب هایی برای هر کلاس پرچم گذاری می کند. به راحتی می توان دریافت که در چنین سناریویی ، ما می توانیم نمونه های مختلف از یک کلاس را انتخاب کنیم ، بردارهای جاسازی شده آنها را بدست آوریم و یک شبکه را بهینه کنیم تا این جفت جاسازی در فضای نمایش نزدیک به هم باشد. به دلایلی که به زودی روشن خواهد شد ، بیایید این جفت بردارهای جاسازی شده را به صورت (

چگونه یک رابط مغز و رایانه بسازیم-و چرا باید ذهن خود را به هم وصل کنیم

راه هایی برای تبدیل توری عصبی به واقعیت

ارتباطات به پیشرفت بشریت در وضعیت کنونی کمک کرد ، از تکامل توانایی صحبت کردن و درک حرکات ، تا ساخت ابزارها - مانند ابزارهای نوشتاری ، ماشین چاپ ، رادیو ، کامپیوتر و اینترنت. در حال حاضر ، در حال حاضر ، اکثر تولیدات تکنولوژیکی و خلاق بشریت نیاز به ضربه زدن ماهرانه به انگشتان خود بر روی صفحه کلید دارد - و این جایی است که همه چیز در حال تغییر است.

"توری عصبی" را وارد کنید ، یک داستان تخیلی دستگاهی از رمان های فرهنگ Iain M. Banks ، که می تواند با مغز انسان ها ارتباط برقرار کرده و به آنها اجازه برقراری ارتباط ، ذخیره و بازیابی اطلاعات ، رابط کاربری با ماشین ها و تنظیم عملکردهای بیولوژیکی آنها را بدهد. به همین ترتیب ، نویسنده رمز نعام یک داروی نانو با اتصال بی سیم به نام Nexus را توصیف می کند که امکان برقراری ارتباط ذهن ، ذهن و همکاری و افزایش هوش و توانایی های بشریت را فراهم می کند.

منبع تصویر: گرگ دان

چرا در این مورد می نویسم؟ امروزه برخی از شرکتهای باورنکردنی به طور جدی روی ایجاد این فناوری کار می کنند ، از جمله Kernel ، Neuralink و گروههای تحقیقاتی متعددی که من به آنها اشاره می کنم. این می تواند مهمترین جهش تکنولوژیکی باشد که بشریت در سالهای آینده انجام خواهد داد ، و عظمت چالش های مهندسی و پیامدهای اجتماعی چنین فناوری می تواند بسیار دلهره آور باشد ، اما همانطور که خواهید دید ، می تواند به همان اندازه نیز الهام بخش باشد.

در این مقاله من "توری عصبی" را از حوزه علمی تخیلی بیرون می آورم و توضیح می دهم که چگونه می توانیم یک رابط مغزی ایجاد کنیم ، از اصول درجه اول ، تا محدودیت های فنی و آنچه با فیزیک امروزی ، پیشرفت های فعلی در مورد نحوه استخراج داده های معنایی از افکار خود امکان پذیر است. و سرانجام اینکه چرا اتصال مغز ما با این فناوری می تواند برعکس ما را بیشتر از همیشه انسان سازد.

بیایید مستقیماً وارد فناوری شویم ... (برای اینکه مستقیماً به دلیل آن بپردازیم ، به نیمه دوم این مقاله بروید) < /p>

شروع از سلول عصبی

در ابتدا ، ما باید بتوانیم داده ها را مستقیماً از قسمتی از مغز خود ارسال یا دریافت کنیم ، و برای انجام این کار ، باید هر دو را حس کنیم و باعث شلیک نورون های فردی می شود. با این محدودیت ها ، من تکنیک هایی مانند EEG را که تنها می تواند سیگنال کلی حاصل از شلیک میلیاردها سلول عصبی را اندازه گیری کند ، و fMRI یا fNIRS ، که فعالیت عصبی را به طور غیر مستقیم از طریق جریان خون اندازه گیری می کند ، کنار می گذارم و بنابراین خوانده می شود. -تنها ، و وضوح مکانی و زمانی نسبتاً پایینی دارد.

نورونها دارای کارآیی کوانتومی و ترمودینامیکی تقریباً کاملی هستند ، که از نظر تکاملی برای پستانداران مانند ما با جرم مغز به بدن بالا بسیار عالی است. نسبت ، اما همچنین به این معنی است که آنها دارای سطح سیگنال بسیار ضعیفی هستند. یکی از راه های مطمئن برای تشخیص شلیک نورون ، تماس مستقیم و اندازه گیری پتانسیل عمل یا جریان یونی در غشای سلولی است. ابزاری که می توانیم برای این کار استفاده کنیم ، گیره وصله نام دارد که از مکش برای اتصال فیزیکی به یک نورون استفاده می کند و غالباً عمدا غشای سلولی را در این فرآیند می شکند. زیرا اینها برای آنها مناسب نیستآرایه های بزرگ ، عدم تهاجم و ماندگاری مورد نیاز برای رابط کامپیوتر مغزی ، ما می توانیم آنها را فعلا رد کرده و ادامه دهیم.

گیره وصله متصل به نورون (منبع)

یک جایگزین استفاده از الکترود است که به اندازه کافی نزدیک یک نورون قرار گرفته است. در حالی که این الکترودها می توانند شلیک چندین نورون مجاور را افزایش دهند ، منابع این سیگنال ها را می توان به راحتی جدا کرد ، به ویژه اگر الکترودها در یک آرایه ثابت قرار گیرند. اما خروج سیگنال از چنین الکترودهایی از مغز یک چالش است - و یکی از این راهها سیم کشی است. بانک ها ، می توانیم از سیم کشی فوق العاده ای الهام بگیریم ، هنگامی که یکی از شخصیت ها شخصاً با یک توری عصبی برخورد می کند:

"این یک بسته کوچک از آنچه نازک به نظر می رسید بود نخ آبی ، در یک کاسه کم عمق قرار گرفته است. یک تور ، مانند چیزی که در انتهای چوب قرار داده اید و برای ماهیگیری در رودخانه ماهیگیری می کنید. سعی کرد آن را بردارد ؛ آن را به طرز غیرقابل قبولی slinky و مواد از طریق انگشتان او مانند روغن؛ حفره های شبکه بسیار کوچک بودند تا بتوان یک نوک انگشت را از بین برد. سرانجام او مجبور شد کاسه را بالا بکشد و مش آبی را در کف دست خود بریزد. محدودیت ها. یک آرایه چند الکترود یوتا (منبع)

این آرایه ها معمولاً خوشه هایی هستند که در شبکه های محکم با هم الکترود شده اند در نکات یا نقاط تماس متعدد در هر سنبله. آرایه های معمولی ، مانند یوتا ، تا 100 امتیاز دارند ، بنابراین سیم کشی در اینجا پیچیده است - اما عامل محدود کننده نیست. با یک آرایه سفت و سخت ، محدودیت بیشتر تعداد الکترودهایی است که می توانند در یک ساختار به اندازه کافی کوچک ساخته شوند و بتوانند بدون ایجاد آسیب ، زخم یا التهاب در مغز قرار بگیرند.

کاوشگرهای فیلم نازک می توانند انعطاف پذیری و تولید آن آسان تر است ، اما محدود بودن به صفحه دو بعدی تعداد الکترودها و آثار را به میزان قابل توجهی محدود می کند و با تا زدن یا لایه بندی ، مزایای انعطاف پذیری را به سرعت از دست می دهد.

نوع دیگری از آرایه الکترود "توزیع شده" و با محدودیت کمتر ، مش مشکی تزریقی است. این ساختار باز و انعطاف پذیر شبیه به بافت مغز دارد - به نورون ها اجازه می دهد از طریق ساختار نفوذ کرده و خطر التهاب یا زخم کمتری داشته باشند. Neuralink ، روشی را برای دستیابی به این معامله با استفاده از یک دستگاه وارد کننده سفت اما دستگاه کاشته انعطاف پذیر توصیف می کند]

مش الکترونیکی تزریقی با سرنگ (منبع)

در حالی که اینها نشانه های امیدوار کننده ای از پیشرفت به نظر می رسند ، مشکلات درج این آرایه های سیمی به طور ایمن و دائمی با تعداد نقاط افزایش می یابد ما در حال تلاش برای رابط و سیمهای اتصال مورد نیاز هستیم ، و تصور اینکه چگونه می توانیم تقریباً 100 میلیون ارتباطی را که چشم انسان دارد ، تطبیق دهیم دشوار است.مبهم به نظر می رسد ، مقداری نور در انتهای تونل وجود دارد. مغز در حال حاضر یک مسیر فیزیکی تقریباً کامل دارد که دسترسی به تقریباً هر سلول عصبی را امکان پذیر می کند. این شبکه از مسیرها همزمان با تکامل مغز تکامل پیدا کرد تا اطمینان حاصل شود که هر سلول عصبی دارای اکسیژن ، مواد مغذی و حذف زباله است-شبکه قلبی عروقی.

این در حال حاضر مسیری است که ما برای ارسال از آن استفاده می کنیم. داروها و داروها به عنوان دستورالعمل های یک طرفه برای تغییر عملکرد مغز ما هستند. علیرغم همه پیشرفت ها در زمینه مواد مخدر ، برای ارتباطات مغزی ، این یک رویکرد ذاتاً محدود است که می توان آن را با ریختن بدون تبعیض اعلامیه های تبلیغاتی مقایسه کرد که سالها طول می کشد تا از طریق ماشین چاپ ، جایی که ما در عوض ، امید به دستیابی پیام های فوری است.

استفاده از این شبکه قلبی عروقی برای سیم کشی دسترسی به سلول های عصبی ممکن است چندان غیرقابل تصور نباشد. قطر بهترین مویرگها تقریباً 10 میکرومتر است ، در حالی که نانولوله های کربنی ، یک ساختار فوق العاده قوی که می تواند سیگنال هایی را از نورون های مجاور منتقل کند ، می تواند تقریباً 10 هزار برابر باریک تر باشد ، به این معنی که تا زمانی که اینها جریان خون را مسدود نکنند ، می توان فضای زیادی را در اختیار داشت. وجود این ساختارها در مویرگهای ما ما می توانیم یک شبکه خودساز و خوددرمان را با گره هایی در داخل عروق بزرگتر که توانایی تجمع ، تقویت یا دیجیتالی شدن سیگنال ها را دارند ، و با قابلیت رشد و یا شکستن بی خطر ساختارهای انعطاف پذیر شاخه های نانولوله را با استفاده از هیچ چیز غیر قابل ملاحظه تصور کنیم. مقدار کمی کربن و انرژی از جریان خون. و از همه مهمتر ، آنها باید از عملکرد سالم سیستم قلبی عروقی اطمینان حاصل کنند یا حتی آن را در وضعیتی سالم تر از حضور این شبکه ها حفظ کنند.

این تلاش مستلزم تسلط بی سابقه ای بر فناوری نانو و زیست شناسی مصنوعی و شامل برخی از پیچیده ترین طرح های سیم کشی خود سازماندهی شده است که می توانیم تصور کنیم. اگرچه ممکن است روزی این امر امکان پذیر باشد ، اما ممکن است اقدامات واسطه ای تا آن زمان انجام شود.

شرکتی به نام Synchron در حال آزمایشات بالینی برای دستگاهی است که آنها توسعه داده اند و می تواند کمتر تهاجمی باشد. از طریق یک ورید از طریق کاتتر تحویل داده می شود و طوری طراحی شده است که خود را در یکی از رگ های خونی بزرگتر گسترش دهد ، جایی که می تواند نورون های مجاور را اندازه گیری کند.

استنترود از Synchron

رویکرد دیگری برای رابط های مغزی برای جلوگیری از پیچیدگی یا تهاجمی بودن سیم کشی می تواند استفاده از نوعی مبدل باشد که می تواند به راحتی در مجاورت یک نورون قرار می گیرد ، که می تواند سیگنال ضعیف نورون را به محیط دیگری تبدیل کند که به راحتی به دستگاهی خارج از مغز و از آن منتقل می شود. بیایید برخی از گزینه ها را سرگرم کنیم… مانند سری Nexus ارتباط برقرار کنید. ما در حال حاضر اطلاعات زیادی در مورد پروتکل های آدرس دهی به میلیاردها گره ، شبکه مش و تکنیک های به اشتراک گذاری طیف EM داریم. و معلوم می شود که جالب ترین سلول های عصبی که برای فرایندهای فکری سطح بالاتر با آنها ارتباط برقرار می کند ، احتمالاً در لایه های بیرونی مغز خواهد بود ،نزدیکتر به سطح ، که امیدوارم به سیگنال کمک کند.

اما حتی اگر بتوانیم تمام این قابلیت را در چنین بسته بندی کوچکی فشرده کنیم ، به سرعت با محدودیتهایی که می توان با فیزیک به دست آورد ، برخورد می کنیم ، یعنی

قدرت سیگنال بی سیم با فاصله به شدت کاهش می یابد ، به ویژه در بدن انسان که بیشتر از آب تشکیل شده است اندازه و کارایی آنتن توسط طول موج EM تعیین می شود ، محدودیت سختی در اندازه این تراشه ها

برای به دست آوردن قدرت ، اندازه و پهنای باند مطلوب سیگنال ، ما باید قدرت و/یا فرکانس را به میزان قابل توجهی افزایش دهیم - هر دو منجر به مقدار بیشتری انرژی می شود ، و از بین رفت.

اینجاست که همه چیز به سرعت مشکل ساز می شود. مغز در مقایسه با سیستم های محاسباتی فعلی ما با بازده حرارتی بی سابقه ای عمل می کند ، بنابراین ارائه و دفع ایمن این انرژی از تمام این گره ها در حال حاضر از دستیابی به این رویکرد جلوگیری می کند.

یک رویکرد سالم

< p> یک رویکرد بی سیم دیگر برای برقراری ارتباط با نورونهای ما بدون برخی از مشکلات تشعشع EM ، استفاده از صدا است - یا به طور خاص ، سونوگرافی هدفمند ، که دو مزیت اصلی آن است: امواج صوتی می توانند به راحتی از طریق بافت بدن نسبت به تابش الکترومغناطیسی ، بنابراین سیگنال کمتری کاهش می یابد از آنجا که سرعت صدا بسیار کمتر از نور است ، طول موج بسیار کوچکتر است و بنابراین دستگاه ها ممکن است "آنتن" کوچکتری داشته باشند. محدودیت های اندازه نظری کمتر

این مفهوم پشت گرد و غبار عصبی است ، یک پروژه هیجان انگیز خارج از دانشگاه برکلی ، که شامل دستگاه ها یا موت هایی است که حدود یک چهارم اندازه یک دانه برنج را شامل می شود. این موت ها حاوی یک کریستال پیزو برای تبدیل این حرکات کوچک در اثر امواج اولتراسوند به ولتاژ الکتریکی و یک ترانزیستور برای حس کردن یا تحریک یک نورون متصل است.

می توان پراکندگی اولتراسوند را از یکی از هزاران موت در یک منطقه معین با استفاده از تشکیل پرتو اندازه گیری کرد تا امواج اولتراسوند را به نوبت به هر مکان دقیق متمرکز کند. از معایب صدا این است که از نظر میزان نور بسیار کندتر است ، زمان رفت و برگشتی که برای رسیدن صدا به نقطه و بازگشت به طول می انجامد زمانی اهمیت پیدا می کند که از طریق شمارش چند گره به صورت جداگانه و انتظار برای پاسخ ، تعداد موارد قابل خواندن را محدود کرده است. به خوشبختانه ، مانند بسیاری از مشکلات ، با ریاضی می توان از این طریق با استفاده از تکنیکی به نام تجزیه چند قسمتی ، سیگنال ها را جدا کرد و به چندین (حدود 1000) گره امکان رسیدگی همزمان را داد.

این گرد و غبار عصبی بسیار کوچک هستند ، اما هنوز از نظر مقیاس نورونها قابل توجه هستند. گفته می شود که تیم در حال کار بر روی آنها به اندازه 50 میکرون مکعب است که کاهش چشمگیری خواهد داشت ، اما هنوز بسیار بزرگ است که به طور ایمن از طریق رگ های خونی به مغز منتقل نشود ، و بنابراین احتمالاً هنوز نیاز به جراحی برای قرارگیری دقیق در بدن است.

روش دیگری برای ایجاد اصطلاحاً "مبدل ها" بر روی نورون ها وجود دارد که می تواند کمتر تهاجمی باشد ...

روشن کردن راه

ممکن است نور حتی بهتر باشد به عنوان یک رسانه انتقال بی سیم از طریق مغز و جمجمه. در حالی که هنوز تابش الکترومغناطیسی است ، وجود دارد"پنجره نوری" مناسب از طول موج که بافت بدن تا حد زیادی شفاف است ، در مرز نور مرئی و نامرئی ، محدوده مادون قرمز نزدیک (NIR) نامیده می شود. این پنجره در بین نوارهای جذب هموگلوبین و آب قرار دارد ، همانطور که در نمودار زیر نشان داده شده است.

بنابراین بیایید این ایده را سرگرم کنیم: اگر می توانستیم ماشین های نانو را برای هر یک از سلول های عصبی ارسال کنیم ، چه چیزی می تواند با دریافت این نور ، فعالیت عصبی را تحریک کند و همچنین فعالیت عصبی را به نور قابل تشخیص تبدیل کند. ؟ یا بهتر است بگوییم که این کار را با ارسال دستورالعمل مونتاژ برای این ماشینهای نانو به صورت غیرتهاجمی انجام دهید و آیا نورونهای ما این واحدها را مستقیماً روی خودشان ایجاد می کنند؟

این به نام اپتوژنتیک نامیده می شود و به لطف نور کار می کند. پروتئین های حساس به نام اوپسین دستورالعمل های ایجاد این پروتئین ها را می توان با استفاده از ژن درمانی در انواع نورون های مغز قرار داد و کانال های یونی حساس به نور ایجاد کرد. و بنابراین می توان به جای عمل جراحی ، این "مبدل نور" را از طریق دستورات ژنتیکی که در ویروس اصلاح شده حمل می شود وارد مغز کرد. نه تنها به بافت ها عمیق تر نفوذ می کند ، بلکه به راحتی متمرکز می شود. بنابراین دو رویکرد برای اینکه بتوانید به طور دقیق به سلول های عصبی بپردازید ، با هدف قرار دادن ویژگی ژنتیکی انواع سلول ها و انتخاب نورون هایی که به چه نوری حساس می شوند ، و دوم با تمرکز دقیق نور ، با استفاده از تکنیک های هولوگرافی دیجیتال.

یک نمونه هولوگرام با 50 هدف نورونی ، برای استفاده در اپتوژنتیک (منبع) < /img>

این رشته فوق العاده هیجان انگیز و امیدوار کننده است ، اما به ژن درمانی نیاز دارد. در حالی که ما اینجا هستیم و از سونوگرافی و هولوگرافی صحبت می کنیم ، روش دیگری برای BCI وجود دارد که این رویکردها را ترکیب می کند و ممکن است به زودی سال آینده برای نمایش آماده شود.

ترکیب نور و صدا برای fMRI بهتر < /h4>

شرکتی به نام OpenWater در حال کار بر روی سونوگرافی هدفمند و هولوگرافی دیجیتالی به روشی منحصر به فرد برای اندازه گیری اساساً فعالیت عصبی با تشخیص تغییرات جریان خون در مغز با وضوح بالاتری بالاتر از fMRI موجود است ، اما با یک دستگاه تهاجمی و پوشیدنی.

موفقیت اصلی در استفاده از هولوگرافی معکوس برای بازسازی نور از یک منبع نقطه ای و سپس معکوس پراکندگی است که با پرتاب نور از ذرات در راه خود در مغز و جمجمه انسان رخ می دهد. به به طور معمول این نور پراکنده فقط مانند نویز تلقی می شود و بنابراین سیگنال با عمق به صورت تصاعدی کاهش می یابد ، زیرا بافت اندازه ای بیش از جذب خود پراکنده می کند. از آنجا که پراکندگی یک فرایند قطعی است ، از طریق تکنیکی به نام ترکیب فاز نوری (که در اینجا نیز روی آن کار می شود) برگشت پذیر است. به لطف پیشرفت های بی وقفه در تولید صفحه نمایش و دوربین ، آوردن این سطح از دستکاری نور در دستگاه های مقرون به صرفه و پوشیدنی ، و پیشرفت هایی که در مبدل های مافوق صوت با دستگاه میکرو ماشین انجام می شود ، بسیار ساده تر است.

در این رویکرد ، نور به مغز ارسال می شود و سونوگرافی روی نقطه مورد نظر متمرکز می شود و باعث می شود نور برگشتی از این نقطه به طول موج کمی کوتاهتر تغییر رنگ دهد. با ارائه یک پرتو مرجع با همان طول موج کوتاه تر ، aالگوی هولوگرام را می توان از نوری که از این نقطه می آید ، ساخت. با CMOS چند لایه ای که امکان پردازش سریع داده ها را فراهم می آورد ، می توان خط موج نور را از روی الگوی هولوگرام بازسازی کرد. (نظم در اینجا برعکس شده است - چون صدا کندتر حرکت می کند ، اولتراسوند باید ابتدا ارسال شود تا همزمان با نبض نور به مقصد برسد)

تصویر عملکرد دستگاه OpenWater که نور منعکس شده رنگی را به رنگ نارنجی نشان می دهد و مفهوم کیت توسعه برای انتشار در سال آینده (منبع)

قبلاً روش های fMRI یا fNIRS را به دلیل این واقعیت که آنها فقط می توانند اندازه گیری غیر مستقیم پاسخ همودینامیکی فعالیت نورون ها را انجام دهند. اما اگر یا زمانی که این فناوری بتواند به قطعنامه های نظریه پردازی شده دست پیدا کند ، می تواند توانایی استخراج بینش های بسیار دقیق از فعالیت مغز را باز کند. (بنیانگذار ، مری لو جپسن ، معمولاً به برخی از کارهای انجام شده برای ترسیم فعالیتهای fMRI به آنچه که افراد مشاهده می کنند ، اشاره می کند ، تا الهام بخشیدن به امکانات تخیل شده از آنچه می توان با وضوح دقیق تر "fMRI های پوشیدنی" انجام داد) و تا آنجا که به نوشتن دسترسی دارد مغز ، مری لو اشاره می کند که سونوگرافی متمرکز بر قدرت بالا که برای تغییر طول موج نور استفاده می شود ، می تواند برای فعال کردن مناطق دقیق مغز نیز مورد استفاده قرار گیرد. توسعه رابط های مغز و رایانه ، مزایایی که آنها می توانند از طریق تشخیص ارزان تر و زودتر تومورها ، لخته شدن ، و همچنین بینش بیشتر در مورد بیماری ها ، اختلالات و عملکرد بدن ما ، حتی ستودنی تر و هیجان انگیزتر باشد. -الهام بخش.

پس از این ، ممکن است به زودی بتوان فعالیت عصبی را مستقیماً با استفاده از نور خواند/نوشت و از شر محدودیت وضوح زمانی پایین خلاص شد. این چیزی است که بنابر گزارشها ساختمان 8 فیس بوک برای ایجاد "رابط گفتار خاموش" روی آن کار می کرد.

اکنون که ایده ای از نحوه برخورد با نورون های فردی داریم ، باید بفهمیم چگونه ما با ذهن و از آن ارتباط برقرار می کنیم. خوشبختانه مغز ما نسبت به نحوه استفاده از ورودی و خروجی بسیار خوب است و از بدو تولد این کار را برای کمک به تعامل با جهان پیرامون انجام می دهد.

چگونه می توان به ذهن متصل شد؟ < /h1>

کشف پلاستیسیته عصبی باورنکردنی مغز منجر به پیشرفت هایی در استفاده از این قابلیت پیکربندی مجدد برای افزودن ورودی ها یا حواس جدید ، مانند استفاده از سطح زبان برای ارسال سیگنال های نوری به مغز ، یا جلیقه پوشیدنی که گفتار را تبدیل می کند ، شده است. به ارتعاشات و توانایی کنترل خروجی ها مانند مکان نما کامپیوتر یا اندام مصنوعی. در اینجا وعده این است که با این اتصالات فیزیکی جدید به مغز ما ، می توانیم یاد بگیریم که چگونه مستقیماً با رایانه یا جریان داده ارتباط برقرار کرده و ارتباط برقرار کنیم ، گویی گسترش بدن یا حس دیگری است.

در صورت امکان نیک بوستروم در مورد راههای ظهور "فوق هوش" نکاتی را در مورد نقش رابط های مغز و رایانه بیان می کند. او استدلال می کند که برای بهبود پهنای باند اطلاعات ، ما باید نه تنها ورودی پهنای باند بالا را وصل کنیم ، بلکه باید آن را ارتقا دهیم.مغز ، زیرا محدودیت فعلی ما سرعت ورودی نیست ، بلکه این است که چقدر سریع مغز می تواند داده ها را درک کند. نمونه ای که او استفاده می کند چشم انسان است که در حال حاضر 10 میلیون بیت در ثانیه می گیرد و مخصوصاً برای تولید این داده ها به منظور معنا دادن به این داده ها ، ظروف مرطوب را تکامل داده و بهینه کرده است. روش فعلی ما برای وارد کردن داده ها به ذهن ما از طریق نمایش داده ها بر روی شبکیه چشم به عنوان نمادهای بصری ، یا روی حلزون گوش به عنوان صداها است ، که به دلیل نحوه درک و تفسیر این داده ها از نمایندگی آن ، به برخی از پردازش های سنگین نیاز دارد. در دنیای واقعی.

به عنوان مثال ، پردازش و لایه های شبکه های عصبی مورد نیاز برای تبدیل سیگنال های رنگ خام به لبه ها ، بافت ها ، اشکال ، ویژگی ها و در نهایت به یک مفهوم انتزاعی مانند "بازیابی طلایی هیجان زده" ممکن است لازم نباشد اگر بتوانیم آن را دور بزنیم و فقط مفهوم انتزاعی را مستقیماً بیان کنیم. این مفهوم انتزاعی همچنین نیازی به انتزاع یا بی تصویری ندارد ، هنگام خروجی - با استفاده از یک فرایند مولد مانند GAN ، می توانیم "بازیگر طلایی هیجان زده" تصور شده خود را با جزئیات کامل و باشکوه برای دیگران ارائه دهیم ، به طور بالقوه ظرافتها را به اندازه کافی سریع به ارمغان می آورد. تلاش برای به تصویر کشیدن چنین تصویری مفصل ممکن است برای فرد متصور نامحسوس باشد. به این ترتیب ما می توانیم برخی از تولید و رمزگشایی ویژگی های سطح پایین را به سخت افزار خارجی منتقل کنیم و نیاز به پهنای باند داده خام را محدود کنیم.

هنگام در نظر گرفتن ارتباط مستقیم با یک توری عصبی ، باید در نظر بگیریم که مغز از فرمت های استاندارد ذخیره سازی و نمایش داده ها استفاده کنید ، بلکه هر یک از مغزهای ما نمایانگر متمایز خود از محتوای سطح بالاتر را توسعه می دهد. بنابراین ، برای ترسیم الگوهای شلیک نورون در یک مغز بر الگوهای شلیک معادل معنایی دیگر ، نیاز به تجزیه آنها به نمادها بر اساس برخی از قواعد مشترک است که به آنها اجازه می دهد تا به درستی تفسیر شوند - که عملکرد زبان است. این ممکن است به ما نیاز داشته باشد یا منجر به ایجاد نوعی جدید از زبان شود ، در حالی که از الزامات خودداری کنیم تا بتوانیم به راحتی آن را از طریق حنجره در امواج صوتی قابل تفسیر رمزگذاری کنیم.

چرا باید یک رابط مغزی ایجاد کنیم؟ < /h1>

اگر چند لایه اضافی از ماده قشری وجود نداشت ، بشریت در وضعیت فعلی قرار نمی گرفت. شرط بندی گران قیمتی که تکامل بر توسعه این ماده خاکستری اضافی گذاشت ، همه تفاوتهایی را ایجاد کرد که به ما اجازه می داد مشکلات بیشماری را حل کرده و به پتانسیل های جدید برسیم. اگر بخواهیم به جلو بگوییم ، ممکن است هیچ محدودیتی برای گسترش پتانسیل ذهن ما وجود نداشته باشد ، و اینکه بتوانیم با یکدیگر ارتباط برقرار کنیم و همکاری کنیم ، ممکن است به ما این امکان را بدهد. فضیلت چنین فناوری از طریق نقل قول یکی از قهرمانان به جهان عرضه می شود: نتیجه همکاری گروه های انسانی است. "

ما می توانیم تصور کنیم که چگونه این توانایی های شناختی اضافی می تواند به ما این امکان را بدهد که به طور مشترک طوفان فکری ، طراحی یا تدوین سطوح جدیدی از اختراع و بیان را انجام دهیم.یا اینکه چگونه آنها ما را قادر می سازند تا داده های مربوط به جهان پیرامون خود را تجسم ، تفسیر و احساس کنیم ، و درک های جدید ، انتزاعات سطح بالاتر و مدل های ذهنی را ایجاد کنیم و به اشتراک بگذاریم که پیش از این غیرممکن بود. ما همچنین می توانیم دنیایی را بدون نمایشگرها یا رابط های غیر ضروری تصور کنیم و در عوض فقط با درخواست اطلاعات در ذهن خود از دمای خانه ، وضعیت محصول ، قیمت سهام ، وضعیت پروژه یا موقعیت یک دوست عزیز آگاهی داشته باشیم. و این توانایی های شناختی می تواند ذهن انسان را در جریان نگه داشتن ما در جهت پیشرفت در ساختن هوش مصنوعی با انتزاعات فکری بالاتر قرار دهد و احتمال بیشتری برای همسویی و کنترل آینده ای که می سازیم را تضمین می کند.

فراتر از توانایی های شناختی اضافی ، ممکن است مانند تلاش برای توضیح رنگ برای یک فرد نابینا باشد. اما ما می توانیم با شبیه سازی مواردی که ما یا دیگران ، ورودی حسی گسترده یا احساس ارتباط با دیگران را تجربه کرده ایم ، احساس آن را احساس کنیم. تجربیاتی مانند ارتباط عاطفی با ذهن دیگر ، تماس فیزیکی با معشوق یا برعکس بیزاری از زندان انفرادی ، تنهایی یا سندرم محبوس. ما می توانیم به ارزشی که برای احساسات متنوعی که می توانیم تجربه کنیم ، توجه کنیم ، از عادی تا عمیق ، و برعکس ، رنجی را که کسانی تجربه می کنند که توانایی خود را از طریق آسیب یا فلج ، یا از نظر احساسی از طریق افسردگی از دست داده اند ، تجربه می کنند. یا با همدلی با شادی و سرگردانی شدید هنگامی که فردی که نابینا یا ناشنوا است می تواند برای اولین بار ببیند یا بشنود.

ما این احساسات را به عنوان اوج تجربیات بشری تشخیص می دهیم. اگر ارتباط و ارتقاء ذهن ما در پی افزایش و گسترش این تجربیات است ، ایجاد چنین فناوری می تواند به انسان بیشتر از همیشه کمک کند. و قبل از رسیدن به آن نقطه ، ما بدون شک راههای جدیدی را برای درمان بیماری ها ، طولانی شدن عمر ، و نحوه عملکرد پیچیده ترین ساختار جهان ، یعنی ذهن ما ، کشف خواهیم کرد. به همین دلیل است که من معتقدم کار روی این موضوع بسیار مهم است.

راه پیش رو

بشریت هرگز فقط با قوانین بازی نکرده است ، بلکه برای بازنویسی آنها تلاش کرده است تا آنچه را که هست تغییر دهد از نظر فیزیکی امکان پذیر است این امر به ویژه هنگام گسترش توانایی های شناختی ما با واسط های مغزی صادق است. همانطور که ما این فناوری را ایجاد می کنیم که زمینه بازی را به طور اساسی تغییر می دهد ، باید به طور جدی هوشیار باشیم که بهترین آینده را برای همه ایجاد می کنیم. این فضا را تماشا کنید.

اگر لذت بردید یا مفید بودید لطفاً در زیر کف بزنید یا به اشتراک بگذارید.

در صورت تمایل با سوالات ، نظرات یا انتقادات خود در [e-mail] یا @با من تماس بگیرید. justLV در توییتر.

همچنین ، اگر از جنبه های فنی و فلسفی ایجاد محصولات سخت افزاری لذت می برید ، برخی از نوشته های دیگر من را مطالعه کنید

استفاده تواند نورون

چرا ساخت رایانه Deep Learning 10 برابر ارزان تر از AWS است

به روز شده 12/11/2019

فضای داخلی زیبا از رایانه یادگیری عمیق شما اگر از AWS/Azure/GCloud برای یادگیری ماشین استفاده کرده اید یا در نظر دارید ، می دانید که چقدر گران است زمان GPU است و خاموش و روشن کردن ماشین ها اختلال بزرگی در گردش کار شما است. راه بهتری هم هست فقط یک کامپیوتر Deep Learning شخصی خود بسازید. 10 برابر ارزان تر است و همچنین استفاده از آن آسان تر است. بیایید نگاهی دقیق تر در زیر بیاندازیم. این قسمت 1 از 3 در سری کامپیوترهای Deep Learning است. قسمت 2 "چگونه می توان یک فرد کامل را ساخت" و قسمت سوم "عملکرد و معیارها" است. مشاهده عکس ها و به روز رسانی های جدید: مرا در Medium ، Twitter و Instagram دنبال کنید! نظرات و سوالات خود را در نظرات زیر بنویسید.

ساخت یک رایانه یادگیری عمیق قابل توسعه بدون 1 GPU سطح بالا فقط 3 هزار دلار هزینه دارد

دستگاهی که من ساخته ام 3 هزار دلار هزینه دارد و دارای قطعات است در ذیل نشان داده شده است. یک پردازنده گرافیکی 1080 Ti برای راه اندازی وجود دارد (به همین راحتی می توانید از 2080 Ti جدید با 600 دلار بیشتر یا Titan RTX با 1800 دلار بیشتر استفاده کنید - فقط مراقب باشید تا با طراحی فن دمنده تهیه کنید) ، CPU 12 هسته ای ، 64 گیگابایت رم و SSD 1 ترابایتی M.2. می توانید سه GPU دیگر را به راحتی در مجموع چهار عدد اضافه کنید. 11/2019: حافظه اکنون بسیار ارزان تر است و پردازنده های TR 2 و 3 Gen به راحتی اولین 1920X را جایگزین می کنند.

3 هزار دلار قطعات کامپیوتر قبل از کسر مالیات. با استفاده از اجزای ارزان تر ، که در پست بعدی آمده است ، می توانید قیمت را به حدود 2 هزار دلار کاهش دهید.

ساختمان 10 برابر ارزان تر از اجاره در AWS/EC2 است و به همان اندازه

با فرض اینکه 1 کامپیوتر GPU شما برای Deep Learning در 3 سال به 0 دلار کاهش یابد (بسیار محافظه کارانه) ، نمودار زیر نشان می دهد که اگر تا 1 سال از آن استفاده کنید ، 10 برابر ارزان تر خواهد شد ، از جمله هزینه های برق به در صورت داشتن قرارداد چند ساله ، آمازون قیمت ها را تخفیف می دهد ، بنابراین مزیت آن برای قراردادهای چند ساله 4 تا 6 برابر است. اگر ده ها هزار دلار برای یک قرارداد چند ساله خرج می کنید ، باید به طور جدی با 4-6 برابر پول کمتر هزینه کنید. ریاضی برای نسخه 4 پردازنده گرافیکی 21 برابر ارزان تر در مدت 1 سال مطلوب تر می شود!

مقایسه هزینه برای ساختن رایانه شخصی شما در مقابل اجاره از AWS. بسته به میزان استفاده ، 1 پردازنده گرافیکی 4 تا 10 برابر ارزان تر و 4 پردازنده گرافیکی 9 تا 21 برابر ارزان تر است. قیمت AWS شامل تخفیف برای اجاره های یکساله و 3 ساله (35، ، 60) است. مصرف برق 0.20 دلار /کیلووات ساعت برآورد شده است ، و 1 دستگاه GPU 1 کیلووات ساعت /ساعت و 4 دستگاه GPU 2 کیلووات /ساعت مصرف می کند. استهلاک به صورت محافظه کارانه در 3 سال به صورت خطی/با تخلیه کامل برآورد می شود. پردازنده های گرافیکی اضافی با قیمت 700 دلار هر کدام ، قبل از مالیات.

برخی نقاط ضعف وجود دارد ، مانند کاهش سرعت بارگیری در دستگاه شما زیرا در ستون فقرات نیست ، برای دسترسی به آن در خارج از خانه ، IP ثابت لازم است. ممکن است بخواهید GPU ها را ظرف چند سال تازه کنید ، اما صرفه جویی در هزینه آنقدر مضحک است که هنوز هم ارزشش را دارد.

اگر به فکر استفاده از Ti 2080 برایرایانه یادگیری عمیق شما ، 600 دلار بیشتر و همچنان 4-9 برابر ارزان تر برای یک دستگاه GPU است. Titan RTX 1800 دلار گرانتر است ، اما با بیش از دو برابر حافظه 2.8 برابر سریعتر از 1080 Ti - اگرچه شما فقط می توانید یک Titan RTX را جا دهید زیرا آنها دارای فن دمنده نیستند. تنظیمات کنونی من دارای یک Titan RTX در شکاف پایینی و 3 کارت دیگر در بالا است. < /p>

دستگاه های پردازنده گرافیکی ابری با قیمت 3 دلار در ساعت گران هستند و حتی در مواقعی که از دستگاه استفاده نمی کنید باید هزینه کنید. < /h4>

دلیل این اختلاف چشمگیر هزینه این است که خدمات وب آمازون EC2 (یا Google Cloud یا Microsoft Azure) برای GPU ها 3 دلار در ساعت یا حدود 2100 دلار در ماه گران است. در استنفورد ، من آن را برای پروژه تقسیم بندی معنایی خود استفاده کردم و قبض من 1000 دلار بود. Google Cloud را نیز برای یک پروژه امتحان کرده ام و قبض من 1800 دلار بوده است. این امر با استفاده از دستگاه و خاموش کردن دستگاه ها در زمان عدم استفاده - درد شدید در باسن! -

حتی با خاموش کردن دستگاه ، باز هم باید هزینه ذخیره سازی دستگاه را با قیمت 0.10 دلار در هر گیگابایت پرداخت کنید. در هر ماه ، من صد دلار در ماه هزینه می کردم فقط برای حفظ اطلاعاتم.

شما فقط در چند ماه دیگر خراب خواهید شد

برای رایانه 1 GPU 3k $ برای یادگیری ماشین که می سازید (1 کیلو وات در ساعت) ، اگر به طور منظم از آن استفاده می کنید ، فقط در 2 ماه شکست خواهید خورد. این بدان معنا نیست که شما هنوز صاحب رایانه خود هستید و در 2 ماه بسیار کاهش نیافته است ، بنابراین ساخت و ساز باید بیهوده باشد. باز هم ، ریاضی برای نسخه 4 پردازنده گرافیکی (2 کیلو وات بر ساعت) مطلوب تر می شود زیرا در کمتر از 1 ماه حتی شکست خواهید خورد. (هزینه برق 0.20 دلار/کیلووات ساعت برآورد می شود)

عملکرد GPU شما با AWS

Nvidia 1080 Ti 700 دلاری شما در مقایسه با پردازنده گرافیکی ابر Nvidia V100 با سرعت 90٪ عملکرد می کند (که از نسل بعدی فناوری ولتا). این به این دلیل است که پردازنده های گرافیکی ابری از IO آهسته بین نمونه و GPU رنج می برند ، بنابراین حتی اگر V100 از نظر تئوری 1.5-3 برابر سریعتر باشد ، IO در عمل سرعت آن را کند می کند. از آنجا که از SSD M.2 استفاده می کنید ، IO به سرعت در رایانه شما می سوزد.

با V100 ، 16GB در مقابل 11GB ، حافظه بیشتری به دست می آورید ، اما اگر اندازه دسته های خود را کمی کوچک کنید کوچکتر و مدل های شما کارآمدتر است ، با 11 گیگابایت به خوبی کار خواهید کرد. < /p>

در مقایسه با اجاره آنلاین آخرین نسل Nvidia K80 (ارزان تر از 1 دلار در ساعت) ، 1080 Ti شما آن را از آب بیرون می آورد ، 4 برابر سریعتر در سرعت تمرین من تأیید کردم که در معیار خودم در اینجا 4 برابر سریعتر است. K80 برای هر پردازنده گرافیکی 12 گیگابایت است که یک مزیت کوچک برای 11GB 1080 Ti است.

کارت های RTX جدید انویدیا حتی سریعتر هستند: 2080 Ti 1.4 برابر سریعتر و Titan RTX با 2 برابر بیشتر 1.6 برابر سریعتر است. حافظه نسبت به 1080 Ti اگر در حال تمرین با دقت دقیق هستید ، کارت های RTX به ترتیب 1.6x و 2.2x سریعتر هستند. این کارت های RTX به راحتی عملکرد بهتری نسبت به کارت های دیگر دارندابر.

AWS گران است زیرا آمازون مجبور است از GPU بسیار گرانتری استفاده کند < /h4>

دلیلی وجود دارد که مراکز داده گران هستند: آنها از 1080 Ti /2080 Ti /Titan استفاده نمی کنند کارت انویدیا به طور قراردادی استفاده از کارت های GeForce و Titan در مراکز داده را ممنوع کرده است. بنابراین آمازون و سایر ارائه دهندگان مجبورند از نسخه مرکز داده 8500 دلار GPU ها استفاده کنند و برای اجاره آن هزینه زیادی باید بپردازند. این بخش بندی مشتریان در بهترین افراد است!

ساختن بهتر از خرید

شما همچنین باید تصمیم بگیرید که آیا برای یادگیری ماشین رایانه بخرید یا خودتان بسازید. اگرچه برای من کاملاً غیرقابل تصور است که علاقه مندان به جای ساختن ، خرید را انتخاب کنند ، اما خوشحال خواهید شد بدانید که ساخت آن نیز 1000 دلار ارزان تر است. خرید پیش ساخته مزایایی دارد ، زیرا دارای 3 سال ضمانت خوب ، پشتیبانی و پکیج Deep Learning از پیش نصب شده است. Exxact گزینه های خوبی در اینجا دارد: 2 x 2080Ti با قیمت 5899 دلار.

خرید یکی از آنها ضروری نیست. می بینید ، قسمت سخت ساختن پیدا کردن قطعات مناسب برای یادگیری ماشین و اطمینان از کار همه آنها با هم است ، که من برای شما انجام داده ام! ساختن رایانه از نظر فیزیکی کار سختی نیست ، یک فرد تازه کار می تواند این کار را در کمتر از 6 ساعت انجام دهد ، حرفه ای در کمتر از 1 ساعت.

ساختمان به شما امکان می دهد از افت قیمت دیوانه

< p> وقتی سخت افزارهای نسل جدید هر سال عرضه می شوند ، سخت افزاری آخرین نسل به صورت مرحله ای کاهش می یابد. به عنوان مثال ، وقتی AMD با پردازنده های Threadripper 2 عرضه شد ، قیمت پردازنده 1920X را از 800 دلار به 400 دلار کاهش داد. و در سال 2019 ، می توانید 1920X را با 200 دلار خریداری کنید! 2920x در حال حاضر 400 دلار است. می توانید فوراً از این قطره ها استفاده کنید و $ $ $ در جیب خود داشته باشید.

ساختمان به شما امکان می دهد قطعاتی را انتخاب کنید تا رایانه شما بتواند تا 4 GPU گسترش یابد و آن را به روشهای دیگر بهینه کند.

< p> من به برخی از نسخه های خارج از قفسه نگاه کردم ، و برخی دیگر نمی توانند به 4 GPU بروند یا برای عملکرد بهینه نشده اند. چند مثال از مسائل: CPU دارای 36+ خط PCIe نیست ، مادربرد نمی تواند 4 GPUS را وصل کرده باشد ، منبع تغذیه کمتر از 1400 وات ، CPU کمتر از 8 هسته است. من در پست بعدی به تفاوت های ظریف انتخاب قسمت می پردازم ، و در اینجا ویدئویی از ساختن کامپیوتر من وجود دارد.

همچنین می توانید از زیبایی طراحی زیبا اطمینان حاصل کنید (من شخصاً برخی از رایانه های رایج را پیدا می کنم موارد بسیار وحشتناک است) ، مشخصات نویز پایین است (برخی منابع تغذیه دارای درجه طلا بسیار بلند هستند) و قطعات برای یادگیری ماشین منطقی است (SATA3 SSD 600 مگابایت بر ثانیه است در حالی که M.2 PCIe SSD 5 برابر سریعتر با 3.4 گیگابایت است) /sec).

چگونه ساخت خود را شروع کنید

به پست بعدی بروید: چگونه یک کامپیوتر یادگیری عمیق کامل بسازید و هزاران دلار صرفه جویی کنید تا نحوه انتخاب اجزا و ساخت را بیاموزید دستگاه شما با لیست قطعات عمومی من بدون قیمت گذاری (صفحه به روز شده در 7/2019 را بررسی کنید). در اینجا فیلم ساخت وجود دارد.

مشاهده عکس ها و به روز رسانی های جدید: دنبال کنیدمن در رسانه های متوسط ​​و توییتر!

سQالات متداول

چرا توسعه پذیری در رایانه یادگیری عمیق مهم است؟ اگر نمی دانید چقدر قدرت پردازنده گرافیکی مورد نیاز است ، بهترین ایده این است که با 1 GPU یک کامپیوتر برای Deep Learning بسازید و در ادامه کار GPU های بیشتری اضافه کنید.

آیا در ساختن به من کمک خواهید کرد یکی؟ خوشحال می شوم از طریق نظرات /ایمیل به سوالات کمک کنید. من همچنین www.HomebrewAIClub.com را اداره می کنم ، برخی از اعضای ما ممکن است علاقه مند به کمک باشند.

چه مدلهایی را می توان آموزش داد؟ شما می توانید هر مدلی را که داده دارید آموزش دهید ، GPU ها برای شبکه های عصبی عمیق مانند CNN ها ، RNN ها ، LSTM ها ، GAN ها بسیار مفید هستند. برخی از نمونه ها با مجموعه و مجموعه داده ها در وب سایت من thisisjeffchen.com ذکر شده است.

دید و بهبود عکس در حال حاضر واقعاً خوب است و این باعث می شود آیفون 11 جدید شگفت انگیز باشد.

چگونه کار می کنم رایانه با ابر رایانه شخصی Nvidia با 49000 دلار شخصی AI مقایسه می شود؟ ابر رایانه شخصی Nvidia از 4 پردازنده گرافیکی (تسلا V100) ، پردازنده 20 هسته ای و 128 گیگابایت حافظه رم استفاده می کند. من یکی ندارم بنابراین به طور دقیق نمی دانم ، اما آخرین معیارها 25 تا 80 درصد بهبود سرعت را نشان می دهند. معیار خود انویدیا 4 برابر سریعتر نقل قول می کند ، اما می توانید شرط ببندید که معیار آنها از تمام مزایای منحصر به فرد V100 مانند نیمه دقیق استفاده می کند و در عمل عملی نمی شود. به یاد داشته باشید که دستگاه شما با 4 GPU فقط 4.5 هزار دلار هزینه دارد ، بنابراین به بانک بروید.

چگونه می توانم هوش مصنوعی را یاد بگیرم؟ استنفورد بسیاری از برنامه های درسی CS خود را ارائه می دهد. بنابراین آنجا را نگاه کنید.

من هنگام تحقیق در مورد ساختار ، از مقالات دیگر کمک زیادی کردم ، اگر به مطالعه بیشتر علاقه مند هستید ، آنها را در اینجا لیست کرده ام: پست مایکل ریبل بوسن ، پست Gokkulnath T S ، پست Yusaku Sako ، وبلاگ Tim Dettmer ، پست Vincent Chu ، Puget System's PCIe 16x در مقابل 8x post ، اجاره QuantStart در مقابل خرید خرید ، مقاله Tom's Hardware.

از دوستانم Evan Darke ، Nick Guo تشکر می کنم ، جیمز ژانگ ، خیلا سیل و ایموژن گرونینگر برای خواندن پیش نویس این مقاله.

تلفن هوشمند Motorola Moto X XT1058 - اطلاعات و اطلاعات

اطلاعات بیشتر در مورد صدا و اطلاعات را در اختیار داشته باشید! Complementando as informações que trazemos nos vídeos ، trazemos posts sobre os produtos por aqui. Não com a resenha complete، mas algo que funcione como um agregador das informações que dispomos a vocês. Aqui، vocês irão encontrar uma pequena ficha técnica، fotos tiradas com os aparelhos (quando esse for o caso) e os vídeos sobre o produto (review، unboxing e comparativo، se houver).

Motorola Moto X XT105

Preço e onde comprar: قیمت پیش خرید: 1799 دلار سایت: lojaoficialmotorola.com.br

یک لطف: • Controle de voz e gestos especial e iltil؛ • Processamento poderoso e inteligente؛ • Câmera e áudio de boa qualidade.

Contra: • Preço inicial liftado؛ • customização de cores ainda não chegou ao país؛ • Esquenta muito em algumas situações.

به عنوان مثال

به منظور مشاهده تصاویر ، Moto X و سایر مشکلات LG LG Nexus 4 ، Sony Xperia ZQ ، iPhone 5 e Samsung S4 کهکشان. Possui recursos de voz inteligentes e muitas outras funções que não vemos em outros aparelhos.

Seu processamento e câmera também não delpcionam، ao contrário de seu valor médio، que pode ser superior a todos os seus انتخاب ایده آل برای گوشی های هوشمند به عنوان نمونه اولیه ، برای استفاده از صدا ، و همچنین برای صدا.

ما می توانیم از تلفن های هوشمند خود استفاده کنیم و از فیلم ها ، موسیقی استفاده کنیم. ، jogos e navegação na internet. Só delpciona por não ter o sistema de personalização de cores disponível nos Estados Unidos.

اطلاعات

Tela: 4.7 polegadas وضوح تصویر: 720 در 1184 پیکسل سیستم عامل: اندروید 4.2.2 Jelly Bean پردازنده: Qualcomm Snapdragon 1.7GHz دو هسته ای Krait ARMv7 ، 2 گیگابایت حافظه RAM استفاده مجدد: GSM/HSDPA/LTE/3G/4G Armazenamento: 16 گیگابایت داخلی (12 گیگابایت disponíveis) Camera: 10.5 مگاپیکسل (com frontal 2.1MP) فلاش: LED اتصال: Wi-Fi 802.11 a/b/g/n/ac دو بانده ، نقطه اتصال WiFi ، DLNA ، WiFi Direct ، GPS com A-GPS e GLONASS ، بلوتوث 4.0 + A2DP + LE + EDR ، NFC ، 3G ، 4G ، USB میزبان ، MHL ، Sincroniza com PC: sim ابعاد: 12.33 6. 6.5 1 1 سانتی متر پزو: 130 گرم Autonomia de bateria: Até 40 horas em stand-by /Até 20 horas em conversação e internet Itens شامل: aparelho، manuais، carregador sem fio، fones de ouvido، espumas e clipe para fones، cabo USB e clipe para retirar or chip SIM.

Galeria de fotos

[گالری type = ”rectangular” ids = ”7216،7217،7218،7219،7220،7221،7222،7224،7223”]

جعبه گشایی

httpv: //www.youtube. com/watch؟ v = vMjoz82q7tA

Resenha em vídeo

httpv: //www.youtube.com/watch؟ v = oK5ewbe4TUI