Говард выбывает из игры.
Энни вскакивает со стула и обнимает брата.
– Мне очень жаль, Говард, – шепчет она и, всхлипывая, выбегает из студии.
– Все нормально, – говорит Говард, найдя ее в холле. – Просто побей Фила.
«Вы должны научиться жить с этим, – позже сказал мне Говард. – Я только что прошел через это с собственным сыном. Он подал заявления в несколько колледжей и страшно нервничал. В итоге мы составили список из двенадцати школ, разделив их на три группы. В школы из первой группы он попадал наверняка, из второй группы – 50 на 50, а из третьей группы – с большой натяжкой. Потом мы сели и начали рассчитывать вероятности».
Проанализировав статистику, которую эти школы публиковали в интернете, Говард и его сын рассчитали вероятность попадания в каждый из колледжей. Затем они сложили все вероятности вместе. Это была довольно простая математика, доступная даже магистру английского языка, при условии, конечно, что он умеет пользоваться Гуглом. Они выяснили, что шанс попадания по меньшей мере в одну школу равнялся 99,5 %, а шанс попадания в хорошую школу превышал 50 %. К сожалению, вероятность того, что сын Говарда попадет в одну из престижных школ, которые ему так понравились, оказалась весьма невелика. «Это было печально, но, посмотрев на цифры, он немного успокоился, – сказал Говард. – Возможно, он не попадет туда, куда хочет, но уж куда-нибудь его точно возьмут».
«Вероятности ближе всего к предсказаниям, – пояснил Говард. – Нужны силы, чтобы жить с мыслью о том, что может произойти»
[228].
Глава 3
В конце 1990-х годов профессор когнитивистики из Массачусетского технологического института по имени Джошуа Тененбаум приступил к масштабным исследованиям: ученый хотел знать, каким образом обыкновенные люди делают повседневные прогнозы. Каждый день мы сталкиваемся с десятками вопросов, ответить на которые невозможно без той или иной степени прогнозирования. Допустим, нам нужно прикинуть, как долго продлится собрание, или выбрать маршрут с минимальным количеством пробок, или решить, куда поехать отдыхать всей семьей: на океан или в «Диснейленд». Размышляя о подобном, мы делаем прогнозы, приписывая вероятности различным исходам. Возможно, мы этого не осознаем, но мы мыслим сквозь призму вероятностей. Как наш мозг это делает?
Специальностью Тененбаума была вычислительная когнитивистика – в частности, сходства в процессах обработки информации, свойственных компьютеру и человеку
[229]. По сути, компьютер представляет собой детерминированный автомат. Он, конечно, может спрогнозировать, что предпочтет ваша семья (пляж или «Диснейленд»), но только при одном условии: если вы дадите ему четкую формулу для сравнения достоинств пляжных забав и парков развлечений. Человек, напротив, может принять решение даже в том случае, если он никогда раньше не ездил ни на океан, ни в Волшебное Королевство. Основываясь на предыдущем опыте, наш мозг, скорее всего, сделает примерно такой вывод: раз дети вечно ноют «на лоне природы» и обожают смотреть мультфильмы, все получат больше удовольствия от встречи с Микки и Гуфи.
«Каким же образом наш мозг извлекает столь многое из столь малого? – пишет Тененбаум в статье, опубликованной в журнале „Science“ в 2011 году. – Любой родитель знает, и ученые это подтвердили, что типичные двухлетние дети понимают, как правильно употреблять новое слово, например „лошадь“ или „расческа“, увидев всего несколько примеров»
[230]. Для двухлетнего ребенка лошадь и щетка для волос имеют много общего. На картинках у обеих длинное тело с серией прямых линий, торчащих наружу – в одном случае это ноги, во втором – щетинки. И те, и другие бывают разных цветов. И все же, несмотря на то, что ребенок, возможно, видел только одну фотографию лошади и пользовался только одной расческой, он может быстро понять разницу между этими словами.
Компьютер, напротив, нуждается в подробных инструкциях, когда следует употреблять «лошадь», а когда «расческа». Ему требуется особая программа, в которой будет четко оговорено, что четыре ноги увеличивают шансы на лошадиность, а сто щетинок повышают вероятность расчески. Ребенок производит такие расчеты раньше, чем строит предложения. «С точки зрения оперирования сенсорной информацией это подвиг, – писал Тененбаум. – Как ребенок улавливает границы этих подмножеств, увидев только один или несколько примеров?»
[231]
Другими словами, почему мы так хорошо умеем прогнозировать определенные типы событий – и, таким образом, принимать оптимальные решения, – если мы практически ничего не знаем о всех потенциальных обстоятельствах?
Чтобы ответить на этот вопрос, Тененбаум и его коллега Томас Гриффитс провели любопытный эксперимент. Они прочесывали интернет, собирая данные по различным категориям предсказуемых событий, – например, сколько денег соберет фильм в прокате, какова продолжительность жизни среднего человека, сколько времени печется пирог. Интерес к такого рода вопросам объяснялся просто: если для каждого из них построить свой график, то он будет иметь строго определенный вид. Кассовые сборы, например, обычно подчиняются базовому правилу: каждый год выпускают несколько блокбастеров, которые приносят огромную прибыль, и множество фильмов, которые оказываются убыточными.
В математике это называется «степенным распределением». Если доходы от всех кинофильмов, выпущенных в том или ином году, представить на одном графике, то он будет выглядеть так:
Сборы в прокате
