Здравый смысл врет. Почему не надо слушать свой внутренний голос
Шрифт:
Способность знать то, что релевантно для данной конкретной ситуации, есть отличительный признак тех общеизвестных истин, которые я обсуждал в предыдущей главе. На практике нам редко приходит в голову, что легкость, с которой мы принимаем решения, маскирует всевозможные сложности. Как замечает философ Дэниел Деннетт [10] , когда встает посреди ночи, чтобы перекусить, ему нужно знать одно — что в холодильнике лежат хлеб, ветчина, майонез и пиво. А уж остальная часть плана образуется сама собой. Разумеется, он также знает, что «майонез не растворяет ножи, кусок хлеба меньше горы Эверест, а открывание холодильника не вызывает ядерную катастрофу на кухне», и, вероятно, триллионы других не относящихся к делу фактов и логических связей. Но каким-то образом ему удается проигнорировать все эти вещи — даже не осознавая, что конкретно он игнорирует, — и сосредоточиться на тех немногих, которые и вправду важны.
10
Деннетт Дэниел (род. 1945) — американский философ, директор
Впрочем, утверждает Деннетт, существует большая разница между знанием того, что релевантно, и пониманием, откуда, собственно, это знание взялось{69}. На первый взгляд, вопрос простой. Для любой отдельно взятой ситуации релевантно, конечно, то, что объединяет ее с другими сравнимыми моментами. Например, мы знаем, что для принятия решения о покупке релевантна цена, ибо при совершении покупок именно она, как правило, имеет немаловажное значение. Но откуда мы знаем, какие ситуации сравнимы с той, в которой находимся мы? Что же, и в этом вроде бы нет ничего сложного. Сравнимы ситуации с одинаковыми условиями. Все «покупательские» решения подобны в том смысле, что включают размышления об имеющихся вариантах: стоимости, качестве, наличии и так далее. Но тут-то и возникает загвоздка: для определения того, что именно релевантно для данной ситуации, необходимо соотнести ее с неким рядом сравнимых. А чтобы определить это, необходимо знать, какие признаки релевантны.
Этот порочный круг (иначе говоря, внутренняя циркулярность) образует так называемую проблему фреймов [11] , над которой философы и когнитивисты бьются вот уже несколько десятилетий. Проблема фреймов была впервые замечена в области искусственного интеллекта. В то время ученые делали первые шаги в программировании компьютеров и роботов, чтобы те решали относительно простые повседневные задачи — такие как, скажем, уборка комнаты. Поначалу предполагалось, что составить перечень всех релевантных для подобной ситуации факторов не может быть так уж сложно. Люди же как-то умудряются убирать свои комнаты каждый день и не задумываются об этом. Насколько же трудно научить этому машину? Выяснилось, что очень трудно. В предыдущей главе я уже писал о том, что даже такая относительно незамысловатая деятельность, как поездка в метро, требует поразительного количества знаний о мире. Речь идет не только о дверях и платформах. Нужно держать дистанцию, не смотреть другим пассажирам в глаза или вовремя убираться с дороги наглых, невоспитанных нью-йоркцев. Исследователи искусственного интеллекта очень быстро поняли, что буквально каждая повседневная задача сложна по одной и той же причине: список потенциально релевантных факторов и правил поразительно длинен. Неважно, что большей частью этого списка можно в конечном счете пренебречь. Заранее-то никогда не знаешь, что можно отбросить, а что — нельзя. Одним словом, чтобы научить своих «подопечных» выполнять даже наипростейшие задачи, исследователям пришлось писать сложнейшие программы {70} .
11
Фрейм — структура данных, описывающих фрагмент знаний человека о мире или представляющих стереотипную ситуацию. — Прим. пер.
Неразрешимость проблемы фреймов в итоге погубила первоначальную версию искусственного интеллекта, предполагавшую воспроизведение человеческого разума более или менее в том же виде, в каком имеем его мы. Впрочем, нет худа без добра. Поскольку ученым приходилось программировать каждый факт, каждое правило и каждый процесс обучения «с нуля» и поскольку их детища вели себя далеко не так, как ожидалось, — то падали с обрыва, то ломились сквозь стены, — дольше игнорировать проблему фреймов стало попросту невозможно{71}. Решать ее никто не собирался: вместо этого программисты избрали совершенно другой подход, акцентировавший не мыслительные процессы, а статистические модели данных. Он, сегодня называющийся «машинным обучением», гораздо менее интуитивен, чем первоначальный подход здравого смысла, зато намного продуктивнее его. Именно ему мы обязаны большинством прорывов в сфере искусственного интеллекта: от почти магической способности интернет-поисковиков выдавать результаты запроса до робокаров и компьютеров, играющих в «Свою игру»{72}.
Мы думаем не так, как мы думаем, что мы думаем
Проблема фреймов существует не только у искусственного интеллекта. У человеческого — тоже. Как замечает психолог Дэниел Гилберт в своей книге «Спотыкаясь о счастье», когда мы представляем себя или окружающих в определенной ситуации, наш мозг отнюдь не выдает длиннющий перечень вопросов о всевозможных потенциально релевантных подробностях. Скорее, как усердный ассистент оживляет скучную презентацию Power Point имеющимися в фильмотеке материалами, так и наша «умозрительная симуляция» рассматриваемого события извлекает недостающие фрагменты из обширной базы воспоминаний, образов, опыта, культурных норм и воображаемых результатов{73}. В одном из обзоров покидавшие ресторан респонденты охотно расписывали униформу официантов или игравшую музыку — тогда как в действительности никакой музыки и никаких официантов-мужчин не было. В другом эксперименте учащиеся, которых спрашивали о цвете классной доски, вспоминали, что она зеленая, хотя на самом деле она была синей{74}. В третьем испытуемые систематически переоценивали как досаду от предполагаемых убытков, так и радость от предполагаемых прибылей{75}. В четвертом познакомившиеся по Интернету испытывали тем больше симпатий к потенциальному партнеру, чем меньше сведений о нем было доступно{76}. Во всех этих случаях необходима дополнительная информация. Но, поскольку процесс «заполнения пробелов» происходит мгновенно и не требует ни малейших усилий, обычно мы его не осознаем. Поэтому нам редко приходит в голову, что чего-то не хватает.
Проблема фреймов предостерегает: поступая так, мы склонны к совершению ошибок. И мы их совершаем. Постоянно. Но, в отличие от неудач в сфере искусственного интеллекта, промахи людей не столь вопиющи, и переписывать всю ментальную модель их мышления, к счастью, не приходится. Скорее, как воображаемый читатель «American Soldier» Пола Лазарсфельда нашел два противоположных результата равно очевидными, так и мы, узнав, как все обернулось, почти всегда можем определить ранее упущенные аспекты ситуации. Теперь-то они кажутся релевантными! Мы ожидали, что, выиграв в лотерею, будем счастливы, но вместо этого огорчены? Бесспорно, прогноз плохой. Но ко времени осознания ошибки мы уже располагаем новыми сведениями — скажем, обо всех тех родственниках, которые внезапно объявились с требованием денег. Тогда кажется, будь у нас эта информация раньше, мы бы предвосхитили свое нынешнее состояние верно и, возможно, никогда бы не купили лотерейный билет. Получается, вместо сомнения в собственной способности прогнозировать будущее мы делаем вывод, что просто упустили из виду нечто важное. О, эту ошибку мы ни в коем случае больше не допустим! — но, увы, совершаем ее снова и снова. Не важно, как часто нам не удается верно предсказать поведение окружающих: как только их поступки становятся известны, мы объясняем собственные заблуждения с точки зрения чего-то, о чем раньше понятия не имели. Таким образом, проблему фреймов весьма успешно удается замять — уж в следующий-то раз мы все сделаем правильно! Беда в том, что в действительности мы никогда не можем усвоить, что можем прогнозировать, а что — нет.
Нигде эта тенденция не является более очевидной и не поддается исключению труднее, чем во взаимосвязи материальных вознаграждений. Ни у кого не вызывает сомнений, что качество и эффективность работы служащего могут повышаться в ответ на соответствующие финансовые стимулы, — и в последние несколько десятков лет немалой популярностью стали пользоваться системы вознаграждений, основанные на результатах деятельности. В основном это касается резко увеличившихся вознаграждений руководства компаний, привязанных к курсу акций{77}. Разумеется, бесспорно и то, что трудящихся интересуют не только деньги. Следовательно, такие факторы, как удовольствие от работы, признание и карьерный рост, вроде бы тоже должны оказывать свое влияние. При прочих равных здравый смысл подсказывает: улучшить эффективность деятельности служащих можно соответствующими материальными вознаграждениями. И все-таки, как показал ряд исследований, взаимосвязь между оплатой и результатами является на удивление сложной.
Недавно мы с коллегой по Yahoo! Уинтером Мейсоном провели ряд интернет-экспериментов, в которых участникам платили различные суммы за выполнение простых однообразных задач.
Последние включали раскладывание по порядку фотографий уличного движения или нахождение слов, спрятанных в заполненном буквами поле. Всех своих испытуемых мы набрали с известного веб-сайта Mechanical Turk, который Amazon запустил в 2005 году для выявления дубликатов своих веб-страниц{78}.
Сегодня Mechanical Turk используется сотнями компаний, предлагающими широкий спектр задач — от называния предметов на картинке до характеристики «настроения» газетной статьи или выбора наиболее понятного объяснения из двух предложенных (так называемый краудсорсинг). Но Mechanical Turk — еще и потрясающе эффективный способ набирать испытуемых для психологических экспериментов. Ведь раньше психологи бегали по колледжам и распространяли листовки. А теперь, поскольку выполняющим подобную работу, как правило, платят всего несколько центов за задачу, траты составляют лишь незначительную долю обычной стоимости{79}.
В общей сложности наши эксперименты включали сотни участников, выполнявших десятки тысяч задач. В одних случаях им платили всего один цент (например, за сортировку одного ряда изображений или нахождение одного слова), тогда как в других — пять или даже 10 центов за то же самое. Разница в 10 раз представляет собой довольно существенное различие (для сравнения, средняя почасовая ставка компьютерного инженера в США лишь в шесть раз превышает минимальную), а значит, предположили мы, оно могло оказать серьезное влияние на поведение. И действительно, так оно и случилось. Чем больше мы платили испытуемым, тем больше задач они выполняли. Кроме того, для любой заданной ставки подопытные, получавшие «легкие» задачи (сортировка рядов из двух изображений), выполняли больше действий, чем испытуемые, получавшие «средние» или «трудные» задачи (три и четыре изображения в ряду соответственно). Все это согласуется с интуицией. Но вот в чем загвоздка: несмотря на эти различия, качество их работы — то есть точность, с которой участники сортировали изображения, — никак не изменялось в зависимости от уровня оплаты, хотя последней подлежали лишь те задания, которые были выполнены правильно{80}.