Наука сознания. Современная теория субъективного опыта

В последнее время исследователи стали строить искусственные системы в попытке решить задачу предсказания поведения, используя интенциональные установки[101]. Чтобы угадать чью-то такую установку, предположительно требуется накопить затейливые знания о человеческой природе – о типичных мотивациях и особенно о выражении эмоций через мимику. Однако я хочу отойти от интенциональных установок и обратить внимание на кое-что попроще, но, как мне кажется, принципиально более важное.

Предположим, я возьму доступную статистическую информацию о человеческом поведении в целом, добавлю к ней сведения о конкретном Кевине и его особой интенциональной установке на сегодняшнее утро и все это загружу в общий набор цифр. Тогда можно будет вычислить вероятность реализации каждого аффорданса в комнате. Съесть пончик: 30 %. Осторожно переступить через лужу: 50 %. Забрать чей-то забытый на полке телефон: 3 %. Я проделал всю подготовительную работу, которая обычно считается сущностью социального познания, и выдал эту информацию Предсказателю-5000. Кажется, я выполнил за него его должностные обязанности.

Тем не менее даже со всей этой загруженной в нее полезной информацией машина все еще не в силах предсказать поведение Кевина в каждый конкретный момент. Ей нужны данные по определяющей скрытой переменной, которая варьирует во времени: куда Кевин направляет внимание. Ресурсы Кевина по обработке данных постоянно перемещаются, двигаются по комнате. В результате этого вероятности действий с пончиком, лужей и телефоном постоянно меняются.

Вот, скажем, пончик. Априорная вероятность того, что его бросят на пол и растопчут, настолько мала, что предсказательный механизм отбрасывает этот вариант. Так же как и вариант с пончиком в роли монокля. Нам остается лишь один реалистичный вероятный аффорданс: пончик съедят. Но вероятность этого действия меняется во времени. Чтобы попытаться ее предсказать, понадобится немножко математики: я воспользуюсь системой, которая называется байесовской статистикой. Если вы математикой не интересуетесь, пропустите эту часть, но я обещаю объяснить как можно проще.

Предположим, что, с учетом всех наших знаний о людях в целом и о Кевине в частности, мы считаем вероятность поедания пончика равной примерно 30 %. Это число называется априорной вероятностью: именно его мы загрузили в нашего Предсказателя. Обозначим это число P_{априори}. Теперь предположим, что машина высчитала второе число, которое тоже лежит между 0 и 100 %, – примерную оценку объема внимания, которое Кевин направляет на пончик. Назовем это число C₁, где индекс 1 означает объект 1 – пончик. Позже мы рассмотрим C₂ и C₃, говоря об объеме внимания, которое Кевин обратит на лужу и телефон. С₁ постоянно меняется во времени. Бóльшую его часть Кевин обращает на пончик мало внимания и значение C₁ близко к нулю. Иногда внимание к пончику может усилиться, и C₁ чуть возрастет; или же почти все внимание обратится к пончику, и тогда C₁ временно окажется близко к отметке 100 %.

Чем больше внимания Кевин обращает на пончик (т. е. чем выше значение C₁), тем больше вероятность, что он с ним как-то поступит. C₁ – что-то вроде разрешительной переменной, которая открывает возможности к действию. Сейчас будет единственное уравнение, которым я вас нагружу. Допустим, вы спросили Предсказатель-5000: “Какова вероятность в этот конкретный момент времени (назовем ее P_{действия}), что Кевин съест пончик?”

Машина оценивает эту вероятность с помощью простого вычисления:

P_{действия} = C₁ × P_{априори}.

Вот и все. Умножьте априорную вероятность на предполагаемый объем внимания – и вы сможете предсказать поведение Кевина в каждый конкретный момент. Пока он не уделяет внимания пончику, C₁ = 0, а значит, и P_{действия} = 0, и машина предсказывает, что сейчас есть он не будет. По мере того как внимание к пончику возрастает, возрастает и оценочная вероятность того, что Кевин его съест. Но даже на пике внимания вероятность поедания лакомства никогда не превысит P_{априори}, которая может быть не так уж и велика, – просто потому, что люди в принципе не так часто хватают и съедают случайно попавшиеся им на глаза пончики. Когда внимание к пончику снова падает, стремится к нулю и вероятность его поедания. Удобство таких вычислений в том, что они применяют стандартный подход к построению модели психического состояния (который требует рассматривать один за другим статичные моменты во времени: если дать Кевину пончик, съест ли он его?) и помещают его в систему, которая способна учитывать динамические изменения внимания во времени.