С точки зрения контролируемой галлюцинации вызывать перцептивный опыт в ходе активного, конструктивного процесса могут как первичные, так и вторичные качества объектов. Однако ни в том ни в другом случае содержание этого перцептивного опыта не будет тождественно соответствующему качеству объекта.
Второй контраргумент касается нашей способности воспринимать новое. Может показаться, будто для всего, что нам когда-либо предстоит воспринять, необходимо сформированное заранее наиболее вероятное предположение и поэтому мы навеки заперты в перцептивном мире заведомых ожиданий. Представьте, что вы никогда не видели гориллу — ни в жизни, ни по телевизору, ни в кино, ни даже в книгах, — и вдруг она топает навстречу вам по улице. Я гарантирую, что гориллу вы в этом случае все равно увидите, и это будет новый и, вероятно, довольно пугающий перцептивный опыт. Но как он в принципе возможен в мире заведомых ожиданий?
Вкратце на этот вопрос можно ответить так: опыт «наблюдения гориллы» нельзя назвать целиком и полностью новым. Горилла — это животное с руками, ногами и шерстью, и вы — или ваши предки — непременно видели другие существа с такими же или частично такими же чертами. Если более общо, то горилла — это объект с отчетливыми (хотя и косматыми) контурами, он движется предсказуемым в разумных пределах образом, он отражает свет так же, как другие объекты схожего размера, цвета и текстуры. Новизна опыта «наблюдения гориллы» строится на перцептивных прогнозах, действующих на множестве разных уровней детализации и приобретаемых в течение разных периодов времени — от прогнозов относительно освещенности и очертаний до прогнозов относительно лиц и поз, — совокупность которых формирует новые общие наиболее вероятные перцептивные предположения, и поэтому гориллу вы видите впервые.
Чтобы ответить подробнее, нам нужно больше узнать о том, как мозг выполняет свою невероятно сложную нейронную акробатику, участвующую в перцептивных умозаключениях, этим мы и займемся в следующей главе.
Глава 5Вероятное неочевидное[125]
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[126]. 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[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.