Быть собой: новая теория сознания - Анил Сет

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[127]: 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[128]. 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[129]. 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[130].

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[131].

* * *

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