женщин старше сорока и вправду имеет смысл. См.: McGrayne (2012); Duffy et al. (2020).
129
На удивление неоднозначная история становления байесовского анализа превосходно изложена в «Бессмертной теории» Шарон Макгрейн (The Theory That Would Not Die) (2012).
130
Подробнее см.: Lakatos (1978) и Seth (2015b).
131
Снимаю шляпу перед Полом Флетчером и Крисом Фритом, которые высказали ту же самую мысль применительно к собственной байесовской теории галлюцинаций и бреда при шизофрении (Fletcher & Frith, 2009).
132
Строго говоря, х — переменная случайная, поскольку ее значение диктуется распределением вероятностей. Данный график представляет собой пример непрерывного распределения вероятностей (его называют также функцией плотности распределения вероятностей), так как х может принимать любое значение из допустимого диапазона. Если бы х мог принимать лишь определенные значения — например, «орел» или «решка», — у нас получилось бы дискретное распределение вероятностей.
133
Иногда вместо прецизионности используется термин «дисперсия». Дисперсия — это прямая противоположность прецизионности: чем выше прецизионность, тем ниже дисперсия.
134
Существуют две трактовки соответствия байесовских убеждений происходящему в мозге. Более слабая версия состоит в том, что этими убеждениями мы, внешние наблюдатели, пользуемся как репрезентацией действительности для себя (подобно географической карте как репрезентации окружающего нас мира). С этой точки зрения нейронная активность, которую мы наблюдаем, служит репрезентацией определенного положения дел для нас, исследователей. Более сильная версия гласит, что данные убеждения (или что-то им подобное) использует мозг — как репрезентацию существующего для себя. Вторая трактовка воплощает в себе гипотезу «байесовского мозга» и играет центральную роль в концепции мозга как прогнозирующей машины. Неразличение этих двух смыслов «репрезентации» ведет к немалой путанице в когнитивной науке и нейронауке. См.: Harvey (2008).
135
Иногда восходящий и нисходящий потоки называются соответственно прямой и обратной связью. С точки зрения прогнозной обработки должно быть как раз наоборот. В инженерии «обратная связь» обычно относится к сигналу об ошибке, на основании которого корректируется контрольный сигнал «прямой связи». Поэтому в прогнозной обработке «обратной» оказывается восходящая связь, ведь сигналы об ошибках передает именно она. Однако и здесь не все просто: как упоминалось ранее, в восходящие сигналы могут быть встроены некоторые глобальные, стабильные прогнозы, и тогда ошибки прогнозирования будут передаваться по нисходящим связям (Teufel & Fletcher, 2020).
136
В этой книге я обозначаю термином «прогнозная обработка» целый ряд теорий, рассматривающих в качестве центрального механизма минимизацию ошибок прогнозирования. Одна из таких теорий, но не единственная, — предиктивное кодирование. То, что я объединяю их под общим названием, не значит, будто я пытаюсь преуменьшить важные и интересные различия между ними (Hohwy, 2020a).
137
С точки зрения байесовских принципов порождающая модель — это сочетание априорной вероятности и условной. Считайте ее «совместной вероятностью гипотезы и данных», то есть p(H, D). Эта формулировка подводит математическое обоснование под постулат, что минимизация ошибок прогнозирования аппроксимирует байесовский вывод (Buckley et al., 2017).
138
Иерархичность минимизации ошибок предсказания означает, что области мозга, участвующие в восприятии, должны быть хорошо оснащены средствами нисходящей связи, проводящими сигналы от высших уровней иерархии к низшим. Как показывают многочисленные исследования, именно так дело и обстоит, см., например: Markov et al. (2014). В концепцию восприятия как восходящего процесса наличие такой густой сети нисходящих связей вписывается плохо.
139
См.: Feldman & Friston (2010). Взвешивание прецизионности осуществляется за счет смены априорных вероятностей на прецизионные (так называемые гиперприорные) таким образом, чтобы выводимая прецизионность либо возрастала, либо снижалась.
140
См. также: Simons & Chabris (1999).
141
www.youtube.com/watch?v=vJG698U2Mvo
142
Обзор психологической составляющей в фокусах см.: Kuhn et al. (2008).
143
«Ориентированные на действие» формулировки прогнозной обработки уже довольно давно продвигает мой коллега из Сассекского университета Энди Кларк. Подробнее см. в его эпохальной работе «По волнам неопределенности» (Andy Clark, Surfing Uncertainty, 2016).
144
Как доказывает в своей книге 2019 г. «Мозг изнутри» (The Brain from Inside Out) нейробиолог Дьердь Бужаки, этот взгляд ставит перед экспериментальной нейронаукой новые задачи и открывает новые возможности. Пусть не все, но большинство экспериментаторов изучают мозг, анализируя его активность в ответ на внешние стимулы вместо того, чтобы подходить к нему как к динамичной по природе своей активной системе. См. также: Brembs (2020).
145
Для примера рассмотрим такого морского обитателя, как асцидия. На личиночной стадии это примитивное животное имеет хотя и зачаточный, но отчетливо выраженный мозг, помогающий ему отыскать подходящий камень или коралл, на котором оно будет восседать до конца жизни, пропуская через себя воду и отфильтровывая все, что в ней найдется питательного. Обретя подходящее пристанище, личинка переваривает собственный мозг, оставляя только простую нервную систему. Некоторые ученые видят в асцидии метафору самих себя до и после обретения постоянного места в университете.
146
Friston et al. (2010)
147
Вместе с Александром Чанцем, Кристофером Бакли и Береном Миллиджем мы разрабатываем на этой основе новые алгоритмы машинного обучения, способные выстраивать порождающие модели на небольшом объеме данных (Tschantz et al., 2020a). Интересно, что в этом контексте многообещающей выглядит перспектива «восходящих» прогнозов (Teufel & Fletcher, 2020). Она может быть связана с применяемой в машинном обучении мощной техникой «амортизации», в рамках которой аппроксимированная апостериорная байесовская вероятность вычисляется за счет прямого (восходящего) прочесывания надлежащим образом обученной искусственной нейросети.
148
Экспериментальная проверка, которой эта идея отлично поддается, подтверждает, что проприоцептивная сенсорная чувствительность снижается во время действия (C. E. Palmer et al., 2016). Собственно, именно сенсорным безразличием, сопровождающим действия, хорошо объясняется, почему нам не щекотно, когда мы щекочем сами себя (H. Brown et al., 2013).
149
Kandel (2012). (Кандель Э. Век самопознания. Поиски бессознательного в искусстве и науке с начала XX века до наших дней. — М.: Corpus, 2016.)
