Текст книги "Быть собой. Новая теория сознания"

Глава 5
Вероятное неочевидное{109}109
  В оригинале – The Wizard of Odds (игра слов, построенная на замене названия Oz в «Волшебнике страны Оз» на Odds – «вероятности». – Прим. пер.) За название очередное спасибо Бабе Бринкману: оно взято из его «Рэперского руководства по сознанию» (Rap Guide to Consciousness) (2018), в котором я выступил научным консультантом. См.: https://bababrinkman.com/shows/#consciousness.


[Закрыть]

Преподобный Томас Байес (1702–1761) – пресвитерианский священник, философ и статистик, проживший большую часть жизни на юге Англии, в Танбридж-Уэллсе, – так и не опубликовал теорему, которой суждено было обессмертить его имя. «Очерки к решению проблемы теории вероятностей» представил в Королевском научном обществе спустя два года после смерти Байеса его коллега – философ-проповедник Ричард Прайс, а значительную часть неподъемных вычислений выполнил позже французский математик Пьер-Симон Лаплас. Однако именно фамилия Байеса останется навеки связана с методом рассуждений, названным «вывод наилучшего объяснения», принципы которого играют главную роль в понимании того, как сознательное восприятие строится на наиболее вероятных предположениях, возникающих в мозге.

Байесовское рассуждение – это рассуждение на основе вероятностей. Если точнее, его суть в том, чтобы делать оптимальные выводы (умозаключения, которые мы до сих пор называли наиболее вероятным предположением) в условиях неопределенности. «Умозаключение» – это уже знакомый нам термин, означающий попросту выводы на основе свидетельств и логики. Байесовский вывод относится к категории абдуктивного рассуждения, которое нужно отличать от дедуктивного и индуктивного. При дедуктивном рассуждении мы руководствуемся только чистой логикой: если Джим старше Джейн, а Джейн старше Джо, значит, Джим старше Джо. Если посылки верны и логические правила применены правильно, дедуктивное умозаключение гарантированно будет истинным. Индуктивное рассуждение – это экстраполяция из серии наблюдений: на протяжении всей обозримой истории солнце вставало на востоке, значит, оно всегда встает на востоке. Индуктивные умозаключения, в отличие от дедуктивных, могут быть ошибочными: первые три шарика, которые я вытащил из сумки, были зеленые, значит, все шарики в сумке зеленые. Этот вывод может оказаться как истинным, так и ложным.

Абдуктивное рассуждение – его разновидность, формализованная байесовским выводом, – состоит в том, чтобы найти лучшее объяснение для ряда наблюдений, когда эти наблюдения неполны, недостоверны и так или иначе сомнительны. Абдуктивное рассуждение, как и индуктивное, тоже может привести к неверным выводам. Процесс поиска «лучшего объяснения» в абдукции можно представить как рассуждение не от причин к следствию, как в случае дедукции и индукции, а «наоборот», от наблюдаемых следствий к наиболее вероятным причинам.

Рассмотрим на примере. Выглянув поутру из окна своей спальни, вы видите, что газон мокрый{110}110
  Пример приводится в адаптированном виде по F. V. Jensen (2000). Для более основательной подготовки в абдуктивном рассуждении лучше всего обратиться к «Выводу наилучшего объяснения» (Inference to the Best Explanation) Питера Липтона (2004).


[Закрыть]. Получается, ночью шел дождь? Возможно, а может быть, вы просто забыли выключить разбрызгиватель. Задача – найти лучшее объяснение или гипотезу для наблюдаемого вами положения дел: если газон мокрый, какова вероятность, (1) что ночью шел дождь или (2) что вы не выключили полив? Иными словами, мы хотим вывести наиболее вероятную причину наблюдаемых данных.

Как это сделать, нам укажет байесовский метод. Он предлагает оптимальный способ обновления наших представлений по мере поступления свежих данных. Байесовское правило – это математический рецепт перехода от того, что мы уже знаем (априори), к тому, в чем мы должны увериться в дальнейшем (апостериори), на основании того, что мы узнаём сейчас (условная вероятность). Априорные, апостериорные и условные вероятности часто называют байесовскими «убеждениями», поскольку они представляют собой состояние знания, а не состояние мира. (Обратите внимание, что байесовское убеждение не означает, что убеждены должны быть именно мы лично. Сказать, что наша зрительная кора «убеждена», будто находящийся передо мной объект – это чашка кофе, мы можем с таким же успехом, как сообщить о своем убеждении, что Нил Армстронг высаживался на Луне.)

Априорная вероятность определяется состоянием дел до поступления новых данных. Допустим, вы живете в Лас-Вегасе, и тогда априорная вероятность ночного дождя очень невелика. Априорная вероятность, что вы забудете выключить полив, будет зависеть от того, как часто вы используете разбрызгиватель и насколько вы забывчивы. Она тоже невелика, но все же выше, чем априорная вероятность дождя.

Условная вероятность – это (если брать в широком смысле) противоположность апостериорной. Она формализует рассуждение «направленное вперед», от причин к следствию: если ночью будет дождь или останется включенным разбрызгиватель, какова вероятность того, что газон будет мокрым? Как и априорные вероятности, условные тоже могут варьироваться, но пока давайте исходить из того, что и дождь, и оставленный разбрызгиватель в равной степени способны увлажнить газон.

Байесовский метод представляет собой правило комбинирования априорных и условных вероятностей и выведения апостериорной вероятности для каждой гипотетической комбинации. Само правило простое{111}111
  Байесовское правило принято записывать в виде следующей формулы:
  где p(H|D) – это апостериорная вероятность (то есть вероятность гипотезы H при реализации данных D, p(D|H) – это условная вероятность (вероятность данных при реализации гипотезы), а p(H) и p(D) – это априорные вероятности гипотезы и данных соответственно. Оговорюсь, что обозначить p(D) конкретным числом бывает довольно трудно, но, к счастью, обозначать его нужно не всегда. Когда задача, как это часто бывает, заключается в том, чтобы найти наиболее вероятное апостериорное предположение из ряда альтернатив, p(D) в числителе и знаменателе этой дроби благополучно сокращаются.


[Закрыть]: апостериорная вероятность – это априорная вероятность, умноженная на условную и деленная на маргинальную вероятность (то есть «предшествующую данным» – в нашем случае это предшествующая вероятность мокрого газона и сейчас она нас не интересует, поскольку будет одинаковой для каждой гипотезы).

Увидев поутру за окном мокрый газон, Истинный Байесовец должен выбрать гипотезу с высочайшей апостериорной вероятностью, которая и будет наиболее вероятным объяснением имеющихся данных. Поскольку в нашем примере априорная вероятность ночного дождя ниже, чем вероятность незапланированного орошения разбрызгивателем, апостериорная вероятность дождя тоже окажется ниже. Таким образом, Истинный Байесовец выберет гипотезу разбрызгивателя. Эта гипотеза и будет наиболее вероятным предположением Байесовца о причинах наблюдаемых данных, или «выводом наилучшего объяснения».

Если вам кажется, что это все и так понятно и ничего, кроме обычного житейского здравого смысла, для таких выводов не нужно, я соглашусь, но лишь потому, что наш пример большего и не требует. Однако есть множество других ситуаций, в которых байесовский вывод будет отличаться от того, что может предложить обычный здравый смысл. В частности, нам ничего не стоит ошибочно заподозрить у себя коварную болезнь на основании положительного медицинского анализа – из-за общей склонности завышать априорную вероятность развития редких болезней{112}112
  Именно поэтому в 2009 г. правительство США рекомендовало воздержаться от поголовного скрининга женщин старше 40 на рак молочной железы. В то время чувствительность маммограмм составляла около 80 %, то есть при скрининге рак груди в этой возрастной группе выявлялся где-то в 80 % случаев. Однако примерно у 10 % проходящих обследование скрининг сигналил о наличии рака ошибочно. Важно, что рак груди в этой возрастной группе встречается довольно редко – примерно у 0,04 % ее представительниц. Применив байесовское правило и взяв этот показатель за априорную вероятность, можно вычислить, что вероятность наличия рака груди при указывающей на это маммограмме составляет всего 3 %. То есть из каждых 100 женщин, получивших «настораживающую» маммограмму, 97 окажутся здоровы, но вынуждены будут мучиться, переживать и проходить дополнительные дорогие инвазивные обследования. Мораль (одна из) такова: нужно повышать чувствительность и диагностическую специфичность скрининга – и сейчас маммограммы действительно стали намного точнее. Согласно недавнему британскому исследованию, теперь проводить такие скрининги среди женщин старше сорока и вправду имеет смысл. См.: McGrayne (2012); Duffy et al. (2020).


[Закрыть]. Даже если анализ обладает 99-процентной точностью, положительный результат может лишь немного повысить апостериорную вероятность наличия у вас соответствующего заболевания, если его распространенность среди населения довольно низка.

Давайте вернемся к сценарию с мокрым газоном и немного его разовьем. Рассмотрев как следует собственный газон, вы оглядываетесь на соседский – и видите, что он тоже мокрый. Это значимая новая информация. Теперь условная вероятность для каждой из гипотез будет разной: для подтверждения гипотезы разбрызгивателя мокрым должен быть только ваш газон, для подтверждения гипотезы дождя мокрыми должны быть оба газона. (Условная вероятность, напомню, направлена от предполагаемых причин к наблюдаемым данным.) Вы, как Истинный Байесовец, обновляете свои апостериорные вероятности, и теперь наилучшим объяснением для увиденного оказывается прошедший ночью дождь, поэтому вы меняете мнение.

Крупное преимущество байесовского вывода заключается в том, что при обновлении наиболее вероятных предположений он принимает в расчет надежность информации. Надежная (оцененная как надежная) информация имеет для байесовского убеждения больший вес, чем информация (оцененная как) ненадежная. Представьте, что окно в вашей спальне давно не мыто, а очки вы потеряли. Соседский газон вроде бы мокрый, но зрение у вас слабое, а окно грязное, поэтому новая информация очень ненадежна, и вы это знаете. В этом случае, хотя гипотеза дождя кажется при взгляде за соседский забор чуть более вероятной, в фаворитах может остаться изначальная гипотеза незапланированного полива.

Во многих ситуациях обновление наиболее вероятных байесовских предположений по мере получения свежих данных происходит снова и снова, и процесс вывода приобретает характер бесконечного цикла. В каждой итерации прежняя апостериорная вероятность становится текущей априорной, на ее основе трактуется новая порция данных и формируется новая апостериорная вероятность – новое наиболее вероятное предположение, затем цикл повторяется. Если ваш газон окажется мокрым и на следующее утро, то в этот раз вы в своем наиболее вероятном предположении о причинах будете отталкиваться от вчерашнего наиболее вероятного предположения, и так далее, с каждым новым днем.

Байесовский вывод с успехом используется в самых разных контекстах, от медицинской диагностики до поиска пропавших атомных подлодок, и ему постоянно находится все новое и новое применение{113}113
  На удивление неоднозначная история становления байесовского анализа превосходно изложена в «Бессмертной теории» Шарон Макгрейн (The Theory That Would Not Die) (2012).


[Закрыть]. Собственно, и сам научный метод можно рассматривать как байесовский процесс, в котором научные гипотезы обновляются с появлением новых свидетельств по итогам экспериментов. Подобное представление о науке отличается и от «сдвигов парадигмы» Томаса Куна, согласно которым целые научные построения переворачиваются, как только накапливается достаточный объем не совпадающих с ними свидетельств, и от «фальсификационизма» (опровергаемости) Карла Поппера, согласно которому гипотезы выдвигаются и проверяются по очереди, одна за другой, словно воздушные шарики, которые отпускают в небо, а потом сбивают. В философии науки больше всего с байесовской концепцией схожи взгляды венгерского философа Имре Лакатоса, который в своих работах сосредоточивался прежде всего на том, что позволяет научно-исследовательским программам работать на практике, а не на том, в чем они в идеале должны состоять{114}114
  Подробнее см.: Lakatos (1978) и Seth (2015b).


[Закрыть].

Конечно, байесовское представление о науке подразумевает, что априорные убеждения ученых об обоснованности их теорий повлияют на то, в какой мере эти теории будут обновляться или опровергаться в свете новых данных. У меня, например, имеется сильное априорное убеждение, что мозг – это машина, выдающая байесовские прогнозы. Это сильное убеждение определяет не только мою трактовку экспериментальных данных, но и то, какие эксперименты я буду проводить, чтобы получить новые данные, отвечающие моим убеждениям. Мне иногда становится интересно, сколько понадобится данных, чтобы развенчать мое байесовское убеждение в том, что мозг, по сути, руководствуется байесовскими принципами{115}115
  Снимаю шляпу перед Полом Флетчером и Крисом Фритом, которые высказали ту же самую мысль применительно к собственной байесовской теории галлюцинаций и бреда при шизофрении (Fletcher & Frith, 2009).


[Закрыть].

* * *

Давайте вернемся к нашему воображаемому мозгу, который, томясь в глухой темнице черепной коробки, пытается выяснить, что происходит снаружи, во внешнем мире. Теперь мы можем ухватиться за эту трудную задачу как за идеальную возможность вывести байесовское умозаключение. Выдвигая наиболее вероятные предположения об источниках своих зашумленных и неоднозначных сенсорных сигналов, мозг руководствуется принципами преподобного Томаса Байеса.

Перцептивные априорные вероятности могут кодироваться на разных уровнях абстракции и гибкости. Они варьируются от самых общих и относительно фиксированных – таких как «свет льется сверху» – до обусловленных конкретной ситуацией, таких как «приближающийся мохнатый объект – это горилла». Условные вероятности в мозге кодируют отображение потенциальных источников в сенсорных сигналах. Это составляющие перцептивного умозаключения по принципу «рассуждения, направленного вперед», которые, как и априорные вероятности, могут действовать в самых разных пространственно-временных масштабах. Мозг непрерывно комбинирует эти априорные и условные вероятности согласно байесовскому правилу, каждую долю секунды формируя новую байесовскую апостериорную вероятность – наиболее вероятное перцептивное предположение. И на каждом следующем витке постоянно меняющегося потока входящих сенсорных данных предшествующая апостериорная вероятность становится действующей априорной. Восприятие – это текучий процесс, а не застывший снимок.

Надежность сенсорной информации играет важную роль и здесь. Если вы не в зоопарке, то априорная вероятность, что замаячившая вдалеке темная косматая фигура окажется гориллой, очень низка. Поскольку этот «неопознанный объект» пока находится далеко, оцениваемая надежность входящих зрительных данных тоже будет низкой, поэтому вряд ли вашим наиболее вероятным перцептивным предположением сразу же будет горилла. Но по мере приближения зверюги зрительные сигналы будут становиться все надежнее и информативнее и мозг будет перебирать наиболее вероятные предположения одно за другим – большая черная собака, человек в костюме гориллы, собственно горилла, – пока вы воочию не увидите гориллу (будем надеяться, как раз вовремя, чтобы успеть убежать).

Проще всего представить байесовские убеждения – априорные, условные и апостериорные вероятности – как числа от 0 (обозначающего нулевую вероятность) до 1 (обозначающей стопроцентную вероятность). Но чтобы понять, как надежность сенсорных сигналов влияет на перцептивное умозаключение, и увидеть, как байесовское правило может на самом деле применяться в мозге, нам нужно еще немного углубиться в теорию и начать рассуждать в терминах распределения вероятностей.

Диаграмма ниже демонстрирует пример распределения вероятностей для переменной х. Переменная в математике – это просто символ, который может принимать разные значения. Распределение вероятностей для х описывает вероятность того, что значения х будут располагаться в определенных пределах. Как видно на диаграмме, область значений можно изобразить в виде кривой. Вероятность того, что х находится в определенных пределах, задается площадью области под кривой, соответствующей этим пределам. В данном примере вероятность попадания х между двумя и четырьмя гораздо выше, чем вероятность его попадания между четырьмя и шестью. На графике распределения вероятностей общая площадь, лежащая под кривой, всегда равна единице. Это обусловлено тем, что при рассмотрении всех вероятных исходов какой-то непременно реализуется{116}116
  Строго говоря, х – переменная случайная, поскольку ее значение диктуется распределением вероятностей. Данный график представляет собой пример непрерывного распределения вероятностей (его называют также функцией плотности распределения вероятностей), так как х может принимать любое значение из допустимого диапазона. Если бы х мог принимать лишь определенные значения – например, «орел» или «решка», – у нас получилось бы дискретное распределение вероятностей.


[Закрыть].

Распределение вероятностей может принимать самую разную форму. Распространенная разновидность таких форм, к которой относится и данная кривая, – нормальное, или гауссовское, распределение. Оно полностью описывается средним значением или медианой (значением на вершине кривой – в нашем случае это три) и прецизионностью (насколько далеко друг от друга расположены значения – чем выше прецизионность, тем меньше растянута кривая). Эти величины – среднее и прецизионность – называются параметрами распределения[17]17
  Иногда вместо прецизионности используется термин «дисперсия». Дисперсия – это прямая противоположность прецизионности: чем выше прецизионность, тем ниже дисперсия.


[Закрыть].

Рис. 8. Гауссовское распределение вероятностей

Нам это важно, поскольку байесовские убеждения можно с успехом представить в виде распределения Гаусса. В интуитивном смысле среднее означает содержание убеждения, а прецизионность – уверенность мозга по поводу этого убеждения. Сжатая заостренная кривая (высокая прецизионность) соответствует высокой уверенности в убеждении. Как мы еще увидим, именно в этой способности отражать уверенность, или надежность, заключена сила и действенность байесовского вывода.

Вернемся к примеру с гориллой. Теперь мы можем представить соответствующие априорные, условные и апостериорные вероятности как распределения вероятностей, каждое из которых будет характеризоваться средним значением и прецизионностью. Для каждого распределения среднее будет означать вероятность того, что объект окажется гориллой, а прецизионность – уверенность мозга в оценке этой вероятности{117}117
  Существуют две трактовки соответствия байесовских убеждений происходящему в мозге. Более слабая версия состоит в том, что этими убеждениями мы, внешние наблюдатели, пользуемся как репрезентацией действительности для себя (подобно географической карте как репрезентации окружающего нас мира). С этой точки зрения нейронная активность, которую мы наблюдаем, служит репрезентацией определенного положения дел для нас, исследователей. Более сильная версия гласит, что данные убеждения (или что-то им подобное) использует мозг – как репрезентацию существующего для себя. Вторая трактовка воплощает в себе гипотезу «байесовского мозга» и играет центральную роль в концепции мозга как прогнозирующей машины. Неразличение этих двух смыслов «репрезентации» ведет к немалой путанице в когнитивной науке и нейронауке. См.: Harvey (2008).


[Закрыть].

Что происходит при появлении новых сенсорных данных? Процесс байесовского обновления данных лучше и проще будет изобразить графически. На следующей диаграмме пунктирная кривая представляет априорную вероятность встречи с гориллой. У этой кривой низкое среднее значение, указывающее на то, что гориллы здесь считаются редкостью, и относительно высокая прецизионность, говорящая о том, что уверенность в этом априорном убеждении высока. Прерывистая кривая – это условная вероятность, соответствующая входящим сенсорным данным. Здесь среднее значение выше, но ниже прецизионность: если бы навстречу вам действительно двигалась горилла, именно такие сенсорные данные вы бы и получали, но вы в этом не особенно уверены. И наконец, сплошная кривая – это апостериорная вероятность, представляющая вероятность того, что перед вами горилла, на основании имеющихся сенсорных данных. Апостериорная вероятность, как всегда, выводится с применением байесовского правила. При использовании распределения Гаусса применение байесовского правила сводится к перемножению пунктирной и прерывистой кривой, при этом площадь области под конечной кривой – апостериорной – должна сохраняться равной единице.

Рис. 9. Байесовский вывод с распределением Гаусса для наиболее вероятного предположения насчет встречи с гориллой

Обратите внимание, что пик кривой апостериорной вероятности ближе к пику априорной, чем пик условной. Это потому, что комбинация двух распределений Гаусса зависит и от среднего значения, и от прецизионности. В данном случае, поскольку у условной вероятности прецизионность относительно низкая – сенсорные сигналы, указывающие на наличие гориллы, оцениваются как ненадежные, – наиболее вероятное апостериорное предположение недалеко уходит от априорного. Но уже при следующем взгляде сенсорные данные, касающиеся гориллы, могут оказаться более отчетливыми, поскольку она приближается, и так как новая априорная вероятность – это прежняя апостериорная, то новая апостериорная – новое наиболее вероятное предположение – сдвинется ближе к версии «горилла». И так далее, пока не станет ясно, что пора уносить ноги.

Теорема Байеса обеспечивает критерий оптимальности для перцептивных умозаключений. Она задает наиболее оптимистичные сценарии того, что должен делать мозг, вычисляя наиболее вероятные источники входящих сенсорных данных, будь то горилла, красное кресло или чашка кофе. Однако это далеко не весь процесс. Теорема Байеса не в состоянии показать, как именно с точки зрения нейронных механизмов мозг проворачивает этот фокус с выдачей наиболее вероятного предположения.

Чтобы узнать, как это происходит, нам придется вернуться к теории контролируемой галлюцинации и ее центральному постулату, что содержание сознания не просто формируется перцептивными прогнозами – оно и есть эти прогнозы.

* * *

В предшествующей главе мы ознакомились с концепцией восприятия как непрерывного процесса минимизации ошибок предсказания. Согласно данной концепции мозг постоянно создает прогнозы относительно сенсорных сигналов и сравнивает эти прогнозы с сенсорными сигналами, которые улавливают глаза и уши, а также нос, кожа и так далее. Из-за разницы между прогнозируемым и реальным возникают ошибки предсказания. Если поток перцептивных предсказаний устремлен преимущественно сверху вниз (изнутри наружу), то поток ошибок предсказания направлен снизу вверх (снаружи внутрь). На основании сигналов об ошибке предсказания мозг обновляет свои прогнозы и готовится к новому раунду входящей сенсорной информации. То, что мы воспринимаем, складывается из содержания всех нисходящих прогнозов, вместе взятых, после максимальной минимизации (или «разъяснения») сенсорных ошибок предсказания{118}118
  Иногда восходящий и нисходящий потоки называются соответственно прямой и обратной связью. С точки зрения прогнозной обработки должно быть как раз наоборот. В инженерии «обратная связь» обычно относится к сигналу об ошибке, на основании которого корректируется контрольный сигнал «прямой связи». Поэтому в прогнозной обработке «обратной» оказывается восходящая связь, ведь сигналы об ошибках передает именно она. Однако и здесь не все просто: как упоминалось ранее, в восходящие сигналы могут быть встроены некоторые глобальные, стабильные прогнозы, и тогда ошибки прогнозирования будут передаваться по нисходящим связям (Teufel & Fletcher, 2020).


[Закрыть].

Концепция контролируемой галлюцинации во многом схожа с другими «предиктивными» теориями восприятия и функционирования мозга, прежде всего с теорией «предиктивной обработки»{119}119
  В этой книге я обозначаю термином «прогнозная обработка» целый ряд теорий, рассматривающих в качестве центрального механизма минимизацию ошибок прогнозирования. Одна из таких теорий, но не единственная, – предиктивное кодирование. То, что я объединяю их под общим названием, не значит, будто я пытаюсь преуменьшить важные и интересные различия между ними (Hohwy, 2020a).


[Закрыть]. Однако между ними есть существенная разница – в том, на что они делают основной упор. Теория предиктивной обработки рассматривает механизмы, посредством которых мозг осуществляет восприятие (а также познание и действие). Теория контролируемой галлюцинации, в отличие от нее, рассматривает, как устройством механизмов мозга объясняются феноменологические свойства сознательного восприятия. Иными словами, теория предиктивной обработки рассказывает, как работает мозг, а концепция контролируемой галлюцинации идет дальше и обосновывает природу сознательного опыта. Важно, что фундаментом для обеих служит процесс минимизации ошибок предсказания.

И именно минимизация ошибок предсказания увязывает между собой концепцию контролируемой галлюцинации и байесовский вывод. Она берет байесовское утверждение о том, что должен делать мозг, и превращает в предположение о том, что он делает на самом деле. И оказывается, что, постоянно и повсеместно минимизируя ошибки предсказания, на самом деле мозг применяет байесовское правило. Точнее, он аппроксимирует байесовское правило. Этой связью и санкционирована идея, что перцептивное содержание представляет собой нисходящую контролируемую галлюцинацию, а не восходящее «считывание» сенсорных данных.

Давайте рассмотрим три основные составляющие минимизации ошибок предсказания в мозге – порождающие модели, перцептивные иерархии и «взвешивание прецизионности» сенсорных сигналов.

Порождающие модели определяют репертуар воспринимаемого. Чтобы воспринять гориллу, мой мозг должен вооружиться порождающей моделью, способной генерировать соответствующие сенсорные сигналы, то есть такие, которых следует ожидать, если я действительно имею дело с гориллой. Эти модели обеспечивают поток перцептивных прогнозов, которые при сравнении с поступающими сенсорными данными образуют ошибки предсказания, а они в свою очередь по мере того, как мозг пытается минимизировать эти ошибки, индуцируют обновление прогнозов{120}120
  С точки зрения байесовских принципов порождающая модель – это сочетание априорной вероятности и условной. Считайте ее «совместной вероятностью гипотезы и данных», то есть p(H, D). Эта формулировка подводит математическое обоснование под постулат, что минимизация ошибок прогнозирования аппроксимирует байесовский вывод (Buckley et al., 2017).


[Закрыть].

Перцептивные прогнозы разыгрываются в самых разных пространственно-временных масштабах, поэтому мы воспринимаем структурированный мир, полный предметов, людей и пространств. Из высокоуровневого прогноза относительно наблюдения гориллы возникают прогнозы более низкого уровня относительно ее конечностей, глаз, ушей, шерсти, которые затем обрушиваются каскадом еще ниже, выливаясь в прогнозы относительно цвета, текстуры, очертаний и, наконец, в предугадываемые вариации яркости по всему полю зрения{121}121
  Иерархичность минимизации ошибок предсказания означает, что области мозга, участвующие в восприятии, должны быть хорошо оснащены средствами нисходящей связи, проводящими сигналы от высших уровней иерархии к низшим. Как показывают многочисленные исследования, именно так дело и обстоит, см., например: Markov et al. (2014). В концепцию восприятия как восходящего процесса наличие такой густой сети нисходящих связей вписывается плохо.


[Закрыть]. Перцептивная иерархия может затрагивать несколько сенсорных областей и даже распространяться за пределы сенсорных данных. Если я вдруг услышу голос матери, зрительная кора включит предсказания, говорящие о том, что приближающаяся фигура – это моя мать. Если я знаю, что я в зоопарке, перцептивные области моего мозга будут больше подготовлены к встрече с гориллой, чем во время обычной прогулки по улице.

Здесь важно уточнить, что «прогнозы» при минимизации ошибок предсказания не обязательно касаются будущего. Прогноз в данном случае – это просто выход за рамки данных благодаря использованию модели. В статистике суть прогноза в том, чтобы отработать недостаток данных. Чем этот недостаток обусловлен – тем, что предсказания делаются относительно будущего (будущее вполне можно рассматривать как недостаток данных) или относительно текущего, но не полностью известного положения дел, – значения не имеет.

Последняя ключевая составляющая минимизации ошибок предсказания – это взвешивание прецизионности{122}122
  См.: Feldman & Friston (2010). Взвешивание прецизионности осуществляется за счет смены априорных вероятностей на прецизионные (так называемые гиперприорные) таким образом, чтобы выводимая прецизионность либо возрастала, либо снижалась.


[Закрыть]. Мы уже видели, как относительная надежность сенсорных сигналов определяет степень обновления перцептивных умозаключений. Первый взгляд на маячащую вдалеке гориллу или на соседский газон через грязное окно принесет сенсорные сигналы низкой надежности, поэтому ваше наиболее вероятное байесовское предположение пока не слишком продвинется. Еще мы видели, как отражается надежность в прецизионности соответствующего распределения вероятностей. Как показывает график на рис. 9, сенсорные данные с низкой оцениваемой прецизионностью меньше влияют на обновление априорных убеждений.

Я говорю «оцениваемая прецизионность», а не просто «прецизионность», потому что прецизионность сенсорных сигналов не подается воспринимающему мозгу на блюдечке. Ее тоже нужно выводить как умозаключение. Мозгу приходится не только вычислять наиболее вероятные источники входящей сенсорной информации, но и устанавливать, насколько эта входящая сенсорная информация надежна. На практике это значит, что мозг постоянно корректирует степень влияния сенсорных сигналов на перцептивные умозаключения. Делает он это, временно меняя их оцениваемую прецизионность. Именно это и означает термин «взвешивание прецизионности». Снижение ее веса подразумевает, что сенсорные сигналы начинают меньше влиять на обновление наиболее вероятных предположений; увеличение веса, наоборот, увеличивает влияние сенсорных сигналов на перцептивные умозаключения. Таким образом, взвешивание прецизионности играет немаловажную роль в дирижировании этой изящнейшей перекличкой прогнозов и ошибок предсказания, без которого не получится вывести наиболее вероятное перцептивное предположение.

Выглядит это все очень сложно, однако на самом деле роль взвешивания прецизионности в восприятии нам всем отлично знакома. Повышение оцениваемой прецизионности сенсорных сигналов – это не что иное, как «обращение внимания». Когда мы обращаем на что-то внимание – например, присматриваемся, пытаясь разглядеть, действительно ли там впереди горилла, – мозг усиливает взвешивание прецизионности для соответствующих сенсорных сигналов, что эквивалентно повышению их оцениваемой надежности или включению их «усиления». Теперь понятно, почему иногда мы вроде бы смотрим, но не видим. Если вы обращаете внимание на одни сенсорные данные – увеличиваете их оцениваемую прецизионность, – другие сенсорные данные будут меньше влиять на обновление наиболее вероятных перцептивных предположений.

Примечательно, что в некоторых ситуациях обойденные вниманием сенсорные данные полностью лишаются возможности повлиять на воспринимаемое. В 1999 г. психолог Дэниел Саймонс снял хорошо сейчас известную видеодемонстрацию{123}123
  См. также: Simons & Chabris (1999).


[Закрыть] этого феномена, который он назвал «слепота невнимания». Если вы не видели этот ролик, рекомендую посмотреть, прежде чем читать дальше[18]18
  www.youtube.com/watch?v=vJG698U2Mvo


[Закрыть].

Вот что там происходит. Участники проводимого Саймонсом эксперимента смотрят короткий ролик, в котором сняты две команды по три игрока в каждой. Одна команда одета в черное, другая в белое. У каждой из команд имеется баскетбольный мяч, который они передают друг другу, хаотично перемещаясь и меняясь местами. Задача зрителя – подсчитать, сколько передач сделают «белые». Для этого ему приходится напрячь внимание, поскольку шесть игроков беспорядочно двигаются по всему пространству кадра, а мячей передается два.

Поразительно следующее: подсчитывая передачи, большинство людей совершенно не замечают человека в черном костюме гориллы, который проходит через кадр слева направо, по пути делая несколько характерных горилльих движений. Когда им включают тот же ролик снова, на этот раз попросив найти гориллу, они видят ее сразу и часто отказываются верить, что это то же самое видео. Дело в том, что при сосредоточении внимания на игроках в белом сенсорные сигналы от игроков в черном и от гориллы получают низкую оцениваемую прецизионность, поэтому почти (или совсем) не влияют на обновление наиболее вероятных перцептивных предположений.

Что-то похожее произошло много лет назад и со мной, когда я ехал к моему любимому месту для сёрфинга в Сан-Диего. Я повернул налево под недавно установленный знак «поворот налево запрещен» – на короткий съезд к океану где-то у Дель-Мара. Поскольку никаких очевидных причин установки такого знака не наблюдалось, поскольку другие машины передо мной тоже туда поворачивали, поскольку за долгие годы я сворачивал на этот съезд, наверное, сотни раз и поскольку я страшно возмущаюсь, когда меня пытаются несправедливо оштрафовать, я доказывал в своих письменных показаниях, что знак был для меня в буквальном смысле невидим, даже если он «в принципе» находился в поле зрения. Я строил свою защиту на принципе слепоты невнимания. Да, новый знак имелся, но в силу взвешивания прецизионности в мозге я его воспринять не смог. Я дошел до Калифорнийского суда по делам о нарушении безопасности движения – пусть не до Верховного, но все же достаточно высокого, чтобы моя фамилия появилась в календаре слушаний. Я даже подготовил симпатичную презентацию в Power Point для судьи, но и это, увы, не помогло.

Слепотой невнимания (возможно, не подозревая, что она называется именно так) пользуются и фокусники. Салонные фокусы, в частности, требуют виртуозно отвлекать внимание зрителей, чтобы они не заметили, как иллюзионист закладывает за ухо даму червей, которая чуть погодя должна возникнуть там словно из ниоткуда{124}124
  Обзор психологической составляющей в фокусах см.: Kuhn et al. (2008).


[Закрыть]. Пользуются этой особенностью перцептивной физиологии и преуспевающие карманники. Я наблюдал однажды, как щипач-профи Аполло Роббинс без малейших усилий уводил у моих коллег часы, бумажники и сумочки, – трюк тем более примечательный, что многие из «потерпевших» великолепно разбираются в восприятии, знают все о слепоте невнимания и были предупреждены о намерениях Роббинса.

* * *

Нам, конечно, удобнее видеть свое взаимодействие с миром примерно так: сперва мы воспринимаем мир таким, какой он есть, затем решаем, что делать, – и делаем. Ощущаем, думаем, действуем. Возможно, так это и выглядит, но повторю, истинное положение вещей не всегда позволяет судить о себе по тому, каким оно представляется. Пора вводить в нашу картину действие.

Действие неотделимо от восприятия. В силу своей тесной связи восприятие и действие определяют и обусловливают друг друга. Каждое действие модифицирует восприятие, меняя входящие сенсорные данные, а любое восприятие оказывается таким, какое оно есть, чтобы направлять действие. Без действия восприятие просто лишается смысла. Мы воспринимаем окружающий мир, чтобы эффективно в нем действовать, добиваться своих целей и в конечном итоге повышать свои шансы на выживание{125}125
  «Ориентированные на действие» формулировки прогнозной обработки уже довольно давно продвигает мой коллега из Сассекского университета Энди Кларк. Подробнее см. в его эпохальной работе «По волнам неопределенности» (Andy Clark, Surfing Uncertainty, 2016).


[Закрыть]. Мы воспринимаем мир не таким, какой он есть, а таким, каким он нам полезен.

Не исключено даже, что действие здесь первостепенно. Можно попробовать исходить не из того, что мозг выводит наиболее вероятные перцептивные умозаключения, чтобы затем направлять поведение, а из того, что его основополагающее занятие – порождение действий{126}126
  Как доказывает в своей книге 2019 г. «Мозг изнутри» (The Brain from Inside Out) нейробиолог Дьердь Бужаки, этот взгляд ставит перед экспериментальной нейронаукой новые задачи и открывает новые возможности. Пусть не все, но большинство экспериментаторов изучают мозг, анализируя его активность в ответ на внешние стимулы вместо того, чтобы подходить к нему как к динамичной по природе своей активной системе. См. также: Brembs (2020).


[Закрыть] и постоянная их калибровка с учетом сенсорных сигналов, чтобы наилучшим образом достигать стоящих перед организмом целей. С этой точки зрения мозг предстает по самой своей сути динамичной, активной системой, непрерывно прощупывающей среду и изучающей последствия[19]19
  Для примера рассмотрим такого морского обитателя, как асцидия. На личиночной стадии это примитивное животное имеет хотя и зачаточный, но отчетливо выраженный мозг, помогающий ему отыскать подходящий камень или коралл, на котором оно будет восседать до конца жизни, пропуская через себя воду и отфильтровывая все, что в ней найдется питательного. Обретя подходящее пристанище, личинка переваривает собственный мозг, оставляя только простую нервную систему. Некоторые ученые видят в асцидии метафору самих себя до и после обретения постоянного места в университете.


[Закрыть].

В предиктивной обработке действие и восприятие – это две стороны одной медали. Обе опираются на минимизацию сенсорных ошибок предсказания. До сих пор я описывал этот процесс минимизации в категориях обновления перцептивных прогнозов, но это не единственный вариант. Сокращать ошибки предсказания можно и совершая действия, ведущие к изменению сенсорных данных, чтобы новые сенсорные данные соответствовали существующему прогнозу. Минимизация ошибок посредством действия называется активным выводом – этот термин предложил британский нейробиолог Карл Фристон{127}127
  Friston et al. (2010)


[Закрыть].