Быть собой: новая теория сознания - Анил Сет

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[132].

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[133].

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[134].

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[135].

Концепция контролируемой галлюцинации во многом схожа с другими «предиктивными» теориями восприятия и функционирования мозга, прежде всего с теорией «предиктивной обработки»[136]. 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.