Машина мышления. Заставь себя думать
Шрифт:
То есть наш мозг, ориентируясь на обстановочную афферентацию (в одном случае — дача, в другом случае — ваш рабочий офис), считает какие-то пусковые стимулы более релевантными для неё, а какие-то — менее.
Ведь точно так же, если ваш коллега по работе (пусковой стимул) вдруг появится в обстановочной афферентации вашего дачного посёлка, это опять-таки приведёт ваш мозг в некоторое замешательство, потому что подобное событие трудно, а то и невозможно было предсказать.
Вот
Мозг постоянно рассчитывает вероятности будущих событий с учётом актуальной ситуации (обстановочной афферентации) и предсказывает будущее — то есть предиктивно его кодирует («опережающе отражает»).
Если прогноз, сделанный нашим мозгом, оправдывается, то ему и нет нужды особенно напрягаться — он работает на автоматизмах, особенно даже не вовлекаясь в процесс.
О чём тут задумываться, если «всё как обычно», «типично», «рутинно»?
Однако же, если вы сталкиваетесь с пусковым стимулом, который нетипичен для данной обстановочной афферентации, срабатывает сигнал тревоги, и вы судорожно пытаетесь понять, как вам действовать в этой непривычной для вас ситуации. И тут мозг включается на все сто.
То есть если наш прогноз не оправдывается, это повергает нас в стресс, что включает целый комплекс адаптационных механизмов, о чём, собственно, и говорил Иван Петрович Павлов, учитель Петра Кузьмича Анохина, рассказывая о феномене динамической стереотипии.
ВЕРОЯТНАЯ ВЕРОЯТНОСТЬ
Томас Байес, пресвитерианский священник и сын пресвитерианского священника, кроме богословия, освоил в Эдинбургском университете ещё и логику, что стало, судя по всему, закладным камнем всем нам известной теперь теории вероятности.
В 1764 году, уже после смерти Байеса, в «Трудах Лондонского королевского общества» была опубликована его работа «Эссе о решении проблем в теории случайных событий», которая рассказывала о «теореме Байеса»20.
Работу, кстати сказать, обнаружил в архиве Байеса его друг — Ричард Прайс. Обнаружил — и вписал тем самым байесовское имя в историю (впрочем, как и своё собственное).
Теорема Байеса в этом эссе определяет вероятность наступления события в условиях, когда на основе наблюдений известна лишь некоторая информация о событиях.
То есть мы знаем, что было такое-то количество наблюдений (замеров) и такое-то количество попаданий (событий), и из этого можем высчитать, какова вероятность того, что при следующем наблюдении искомое событие будет иметь место.
Энное количество раз я закрывал холодильник в своей кухне, и, видимо, такое же количество раз за этим следовал тихий хлопок. Количество замеров, произведённых моим мозгом, и соответствующих совпадений делает этот хлопок обязательным элементом ситуации, а его вероятность — практически стопроцентной.
Если всё максимально упростить, то теорема Байеса утверждает: вероятность какого-либо события — это то же самое, что и частота наступления этого события, где частота — это количество измерений.
Таким образом, если разделить число известных случаев события на общее количество измерений, мы получим вероятность события.
Феномен предиктивного кодирования — это и есть механизм предсказания вероятности будущих событий, который с математической точки зрения описывается как раз вариационными байесовскими методами.
Последние учитывают и поступающие данные, и скрытые переменные с различными потенциальными вариантами отношений между ними. То есть это уже многоуровневая байесовская модель, которая позволяет аппроксимировать расчёт вероятностей до конкретных предсказаний.
Над этой темой, если вы захотите разбираться в ней более детально, работают Карл Фристон и Саша Ондобака из Университетского колледжа Лондона, Анил Сет из Университета Сассекса, а также канадка Лиза Фельдман Барретт из Северо-Восточного университета в Бостоне и Кайл Симмонс из Университета Оклахомы.
А упоминаю я обо всём этом только потому, что возможность подобной математизации имеет чрезвычайно большое методологическое значение…
Фактически мы видим, что в основе психической функции предиктивного кодирования лежит не «мысль», как мы привыкли её понимать, а алгоритм.
Так что нет ничего удивительного в том, что предиктивное кодирование определяется сейчас уже как универсальный механизм адаптации множества различных систем к средам, в которых они могут оказаться.
Клетка биологического организма с помощью предиктивного кодирования предсказывает поступление веществ из межклеточной среды и заранее готовится к этому, продуцируя необходимые для такого случае белки.
Нейроны зрительной коры прогнозируют то, что внешняя среда покажет им в ближайшее мгновение. На высоком когнитивном уровне мы точно так же постоянно прогнозируем то, что ещё не произошло, но с большой вероятностью может случиться.
Или вот посмотрим, как этот механизм работает на уровне конкретного нейрона.
Допустим, у нас есть нейрон В, который возбуждается от нейрона А и передаёт соответствующий сигнал нейрону С.
Допустим, что нейрон В привык, что нейрон А возбуждает его сотней синапсов. Соответственно, активация ста синапсов на нейроне А создаёт потенциал действия, который передаётся по цепи нейрону С.
В результате, согласно принципу предиктивного кодирования, нейрон С предсказывает, что получит привычный для него потенциал действия от нейрона А, и живёт с этим счастливым ощущением предопределённости.