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 Pаприори. 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 Pдействия), что Кевин съест пончик?”
Машина оценивает эту вероятность с помощью простого вычисления:
Pдействия = C1 × Pаприори.
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 Pдействия = 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 Pаприори, 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.
Задача машины – оценивать постоянно меняющееся число C1. Но наше искусственное предсказательное устройство не имеет прямого доступа к мозгу Кевина. Внимание исследуемого – результат ряда сложнейших нейронных взаимодействий, спрятанных в его черепной коробке. Машина всего лишь направляет на Кевина камеру и микрофон. Ей нужны какие-то простые правила, которые могут превратить данные ограниченных наблюдений в оценку состояния внимания Кевина.
Чтобы помочь нашей машине, привлечем некоторые хорошо обоснованные научные данные о том, как работает внимание. Во-первых, пончик белого цвета и расположен под яркой лампой: это стимул перцептивно значимый, он бросается в глаза. Пончик высокой насыщенности означает, что Кевин с большей вероятностью обратит на него внимание. Следовательно, машина может повысить оценочную величину C1. Во-вторых, пончик – единственный предмет на столе, а внимание находится в обратной зависимости от зашумленности, или зрительной конкуренции. На основе этой подсказки машина опять же может повысить оценку C1. В-третьих, полезную информацию дает направление взгляда Кевина. Взгляд – не точный индикатор, Кевин может смотреть прямо на пончик, но думать о чем-то другом – скажем, прислушиваться к шуму из коридора или строить планы на завтра. Но в общем и целом, если вы хотите оценить чье-то внимание, направление взгляда стоит учитывать. В-четвертых, подсказкой способно оказаться выражение лица. Если взгляд останавливается на пончике и лицо быстро меняет выражение с нейтрального на более сосредоточенное, – у машины есть все основания, чтобы вычислить резкое повышение значения C1.
Учитывая все эти данные – взаимосвязь внимания с насыщенностью стимула, зашумленностью среды, направлением взгляда и выражением лица, – машина может оценить меняющееся во времени значение С1, объем ресурсов обработки, которые Кевин направляет на объект 1. Эта оценка меняется во времени по мере того, как наше устройство получает новые сведения. Используя значение C1, машина может для каждого момента времени вычислить вероятность того, что Кевин съест пончик: сейчас – может быть; сейчас – нет; точно нет; нет; сейчас – опять готов.
