Как мозг сводит нас с ума. Проблемы психосоматики - Регина Фанилевна Габидуллина

духов, а изменение давления воздуха – в музыку. Как голографический проектор создает 3D-иллюзию виртуального мира, так наш мозг создает «контролируемую галлюцинацию». Эта «галлюцинация» отражает самые важные для выживания аспекты окружающего мира. В человеческой модели нет места запахам хищников, но они важны для грызунов, нет места оттенкам лепестков цветка, но они важны для насекомых, или нет места для сочности травы, но она важна для жвачных животных. Зато в нашей модели представлены свет, температура, присутствие еды и целостность тела.

Чтобы уменьшать разницу между предсказанием и данными из окружающей среды, организм использует две стратегии. Во-первых, можно адаптировать предсказания к потокам информации из окружения. На практике это значит обновлять или корректировать «модель мира», чтобы ошибок предсказания становилось меньше. Такую стратегию мы описали в примере с проказником-котом. Во-вторых, можно отыскивать в мире такие ситуации, которые сохраняют и подтверждают предсказания. Для этой стратегии приведем пример задачи на поиск. Допустим, вы собираетесь выйти из дома и ищете ключ от машины. Мозг загружает образ ключа (его модель), и вы бродите по квартире до тех пор, пока реальность не совпадает с прогнозом. О, да вот же он! Мы постоянно используем обе эти стратегии – и это позволяет нам довольно неплохо выживать в этом мире.

Идея использовать модель предсказаний пришла к нам из работ специалистов по коммуникациям. Это они выяснили, что гораздо экономичнее при передаче информации использовать прогнозы. Еще в 1948 году Клод Шеннон, математик и криптограф, работавший в Bell Laboratories обнаружил, что английский текст можно эффективно сжать, используя предсказуемые сочетания слов и букв. Если за определенной буквой почти всегда следует другая, то машина будет всегда думать, что за одной буквой идет та самая вторая буква. Важно лишь определенным образом пометить исключения. Такой способ гораздо эффективнее, поскольку требует меньше сигналов для передачи, чем нужно для кодирования каждой буквы. Теперь этот принцип присутствует повсюду. Лучший пример – передача видео. Нет нужды передавать по каналу связи два незначительно отличающихся видеокадра, мы можем передать первый и отличия во втором. Автоматической охранной видеосистеме нет нужды постоянно сканировать поле обзора: как только последующий кадр перестал быть похожим на предыдущий – возникла ошибка предсказания – включается алгоритм анализа и реагирования. Такая технология значительно экономит ресурсы.

Нечто подобное происходит и в нашем мозге. При всей своей мощи он не способен в режиме реального времени формировать внутреннюю модель во всем многообразии. Гораздо проще и эффективнее создать модель, сравнивать ее с поступающей информацией. Если прогноз и поступающая информация отличаются, то на этот сигнал стоит обратить внимание. Если прогноз и поступающая информация соответствуют друг другу, мозг не тратит свои ресурсы. Представьте себе, что вы играете в бадминтон. Если бы наш мозг был умной камерой и просто воспринимал реальность по кадрам, вы, скорее всего, не успели бы отбить воланчик. Вы наверняка ощущали это приятное чувство, что ваше тело почему-то знает, куда и как двигаться без вашего осознания. Так работают предсказания. Применением этого принципа к работе человеческого мозга являются теории, в названиях которых присутствуют слова

«предсказывающее кодирование», «предсказывающая обработка», «активный вывод» или «байесовский мозг».

Как же мозг прогнозирует реальность?

Попробуем разобраться и для этого рассмотрим пару примеров. Предположим, мы подбросили монету, и она упала либо орлом, либо решкой вверх. Есть всего два варианта развития событий с вероятностью 50 % каждый. Но если мы оцениваем какой-то параметр, который может принимать много разных значений, например, рост человека, то мы получим множество цифр, группирующихся вокруг наиболее вероятного. Если мы будем измерять рост всех мужчин на улице в России, то наиболее вероятно наша рулетка покажет значения от 176–178 см, чуть реже будут встречаться мужчины на 2 см ниже или выше среднего, еще реже те, что ниже / выше среднего на 4 см и т. д. Если нарисовать наши измерения в виде графика, то мы получим изогнутую кривую, как на рисунке, где на вершине самый часто встречающийся вариант.

Усложним пример. Допустим, мы видим вдалеке кружку с водой на столе и пытаемся предсказать, какова температура жидкости. Если у нас нет никакой другой информации, то возможны следующие варианты: кружка комнатной температуры (скорее всего), вода горячая, если кто-то недавно залил кипяток, или же вода холодная, если стакан достали из холодильника. В виде графика эту ситуацию можно изобразить так:

Кривая вероятностей довольно пологая, она говорит нам о том, что примерно с равной вероятностью вода может быть какой угодно температуры. Математики бы выразились так: вид кружки на столе – довольно неточный сигнал для определения температуры. Но предположим: мы подошли чуть ближе и увидели, что над кружкой поднимается пар. Эта новая информация позволяет нам уточнить прогноз. Скорее всего, вода в кружке горячая. Появилось больше определенности – и часть гипотез про холодную воду становятся менее вероятными. На графике эта ситуация выглядит так:

Мы не исключаем всякие экзотические гипотезы, например, что в кружке очень холодный жидкий азот и пар идет от него. Но, опираясь на свой опыт, считаем, что их вероятность крайне мала. Крутые склоны графика говорят нам о том, что для какого-то из предположений вероятность высока, а для других резко снижается.

Степень разброса вероятностей (или степень определенности) – очень важная вещь для работы байесовского мозга. Мозг будет придавать значение только тем сигналам, в которых есть достаточно определенности.

Можно привести такую аналогию. Предположим: мы тщательно настроили прицел нашего ружья и уверены, что теперь оно попадет в цель. Мы закрепляем ружье в станке, тщательно нацеливаем его на центр мишени и делаем десять выстрелов. Мы можем получить четыре разные картины:

1) Мы попали в центр мишени – и разброс следов пуль очень небольшой. Наши ожидания и результат совпадают. Похоже, наша гипотеза верна: мы хорошо настроили прицельный механизм. Отличная работа.

2) Во втором варианте разброс попаданий заметно больше: довольно большая часть попадает в цель, но что-то оказывается довольно далеко от цели. Да, возможно, у нас кривые руки, но, может быть, на стрельбище сильный ветер или станок неустойчивый. Из этих данных ничего нельзя сказать о том, хорошо ли мы настроили прицел.

3) В каком-то случае попадания могут хаотично располагаться на поверхности мишени. Здесь снова большой разброс попаданий,