Откуда у леопарда пятна

Сэмюэл Эббсман

Специалист по прикладной математике, старший научный сотрудник Ewing Marion Kauffman Foundation

В одной из своих знаменитых «Сказок просто так» Редьярд Киплинг повествует о том, как леопард обзавелся пятнами. Если довести этот подход до логического предела, выяснится, что нам нужны отдельные истории про самых разных животных, к примеру, про пятна леопарда, коровы или сплошную окраску пантеры. Пришлось бы добавить и рассказы о сложных узорах всевозможных других существ, от моллюсков до тропических рыб.

Но к счастью, существует единственное общее объяснение, показывающее, каким образом возникают все эти разнообразные узоры. Нужно лишь применить одну объединяющую теорию.

Еще в 1952 году, когда Алан Тьюринг опубликовал статью «Химические основы морфогенеза», ученые начали понимать, что простой набор математических формул может управлять всем разнообразием узоров и расцветок животного мира. Эта модель называется реакционно-диффузной и работает сравнительно просто. Представьте, что у вас есть несколько веществ, которые диффундируют по поверхности с различной скоростью и могут взаимодействовать друг с другом. В большинстве случаев процесс диффузии просто приводит к равномерному распределению того или иного вещества (скажем, сливки, влитые в кофе, в конце концов равномерно распределятся по всей кружке, и в результате мы получим светло-коричневую жидкость), однако при диффузии и одновременном взаимодействии нескольких веществ распределение цветов может оказаться неравномерным. Хоть наша интуиция, возможно, и противится этому, выясняется, что такой процесс не только происходит, но и может быть смоделирован при помощи простого набора уравнений, которые и объясняют невероятное разнообразие узоров и расцветок животного мира.

Биологи-математики исследуют свойства реакционно-диффузных уравнений с тех самых пор, как вышла статья Тьюринга. Они обнаружили, что варьирование параметров уравнений позволяет получить те самые «животные узоры», которые мы наблюдаем в природе. Некоторые математики изучают, как размеры и форма поверхности влияют на них. По мере изменения одного из параметров можно легко перейти от жирафьих пятен к кляксам, украшающим шкуру голштинских коров.

Эта изящная модель даже позволяет давать несложные прогнозы: к примеру, если пятнистое животное может иметь полосатый хвост (и очень часто имеет), то у полосатого животного никогда не будет пятнистого хвоста. И именно это мы и видим в жизни! Реакционно-диффузные уравнения не только дают все разнообразнейшие вариации узоров и расцветок, наблюдаемые в природе, но показывают и ограничения, присущие биологии. Киплинговское «просто так» можно без опасений променять на элегантность и универсальность этих уравнений.

Универсальный алгоритм принятия человеком решений

Станислас Дехан

Нейробиолог (Коллеж де Франс); автор книги Reading in the Brain: The New Science How We Read («Чтение мозга: новая наука о том, как мы читаем»)

Конечной целью науки, как некогда утверждал французский физик Жан Батист Перрен, должна стать «замена видимой сложности невидимой простотой». Может ли наука о психологии человека достичь этой амбициозной цели – открыть изящные правила, которые лежат в основе невероятного разнообразия человеческих мыслей? Многие ученые до сих пор считают психологию «нестрогой» наукой, чьи методы и объект исследования чересчур расплывчаты, чересчур сложны и чересчур пронизаны бесчисленными слоями культурных тонкостей, чтобы когда-нибудь привести их к элегантным математическим обобщениям. Однако ученые-когнитивисты знают, что это предубеждение ошибочно. Человеческое поведение следует строгим законам потрясающей математической красоты, причем следует им неукоснительно. Я представлю на ваш суд лишь один из них – математический закон, в соответствии с которым мы принимаем свои решения.

Похоже, все наши решения описываются простым правилом, в котором сплетаются воедино наиболее изящные математические находки прошлых веков: броуновское движение, закон Байеса, машина Тьюринга. Начнем с простейшего из решений: как мы определяем, что 4 меньше 5? Психологические изыскания показывают, что за этим несложным действием таится много сюрпризов. Во-первых, наше быстродействие при этом не так уж велико: на решение уходит почти полсекунды – от момента, когда на экране появляется цифра 4, до момента, когда мы нажимаем на кнопку. Во-вторых, наше время отклика сильно варьируется от опыта к опыту (в интервале от 300 до 800 миллисекунд), хотя мы всякий раз реагируем на один и тот же цифровой знак – «4». В‑третьих, мы допускаем ошибки. Это звучит смешно, однако даже при сравнении 4 и 5 мы иногда ошибаемся. В‑четвертых, наши успехи в этом действии различны при разном числовом значении показываемых нам объектов: когда числа находятся далеко друг от друга (скажем, если это 1 и 5), мы принимаем решение быстрее и делаем меньше ошибок по сравнению с теми случаями, когда числа близки (скажем, если это те же 4 и 5).

Все вышеприведенные факты, как и многие другие, можно объяснить одним законом: наш мозг принимает решения, накапливая доступную статистическую информацию и выдавая результат, когда общий объем информации превышает некоторый порог.

Поясню это утверждение. Принимая решение, мозг сталкивается с проблемой отделения сигнала от шума. Поступающая информация (которая служит основой для принятия решения) всегда содержит шум: фотоны попадают на нашу сетчатку в случайные моменты, нейроны передают информацию лишь с ограниченной надежностью, к тому же по всему мозгу то и дело происходят спонтанные всплески нейронной активности, добавляя шум. Даже когда на входе всего лишь число, анализ нейронной активности показывает, что количество, соответствующее этому числу, кодируется «шумной» группой нейронов, активизирующихся в полуслучайные моменты, причем некоторые нейроны сигнализируют «Я думаю, это 4», другие – «Это ближе к 5», третьи – «Это ближе к 3» и т. п. Поскольку мозговая система принятия решений видит лишь никак не помеченные пики нейронной активности, а не развернутые символы, отделение зерен от плевел становится для нее настоящей проблемой.

Как же вынести надежное решение в присутствии шума? Впервые математический ответ для этой задачи предложил Алан Тьюринг, разгадывая во время Второй мировой войны код «Энигмы» в Блетчли-парке – секретном центре британской разведки. Тьюринг обнаружил небольшую погрешность в действиях немецкой шифровальной машины «Энигма»; это означало, что некоторые немецкие послания содержали небольшое количество понятной британским дешифровщикам информации. Но, к сожалению, ее не хватало, чтобы разгадать шифр. И тогда Тьюринг для объединения всех разрозненных «улик» применил закон Байеса. Не останавливаясь на математическом аппарате, скажем лишь, что закон Байеса дает простой способ учесть и сложить вместе все такие «намеки на истину», приплюсовать их к уже имеющимся сведениям и в результате получить обобщенную статистическую картину, которая покажет искомую «общую сумму».

Из‑за шума на входе поступающая «сумма улик» колеблется вверх-вниз: некоторые входящие послания подтверждают наши выводы, а некоторые лишь добавляют шума. На выходе мы получаем то, что математики именуют случайным блужданием: колеблющуюся череду чисел, которая является функцией времени. Однако в нашем случае числа имеют определенный смысл: они представляют вероятность того, что одна гипотеза верна (т. е. что число на входе меньше 5). А следовательно, разумно будет действовать подобно специалистам‑статистикам и подождать, пока накапливаемый нами массив статистических данных не превзойдет определенный порог – определенное значение вероятности (р). Если мы установим р = 0,999, это будет означать, что шанс ошибиться у нас – один из тысячи.

Заметьте, мы можем установить этот порог на любом произвольно выбранном значении. Однако чем выше мы его задерем, тем дольше нам придется ждать решения. Тут уж либо скорость ценой точности, либо наоборот: можно долго ждать и в итоге принять очень точное решение, либо рискнуть отреагировать раньше, но при этом допустить больше ошибок. Собственно, при любом выборе мы всегда совершим сколько-то ошибок.

Достаточно сказать, что алгоритм принятия решений, который я набросал выше (и который, попросту говоря, описывает, как любое разумное существо должно вести себя в условиях информационного шума), ныне рассматривается учеными как общий механизм принятия решений людьми. Он объясняет и время отклика, и разброс этого времени, и форму соответствующего статистического распределения. Он дает описание того, почему мы допускаем ошибки, как эти ошибки соотносятся со временем отклика и как мы устанавливаем баланс скорости и точности. Он применим ко всем разновидностям решений, от сенсорных (я заметил какое-то движение – или нет?) до лингвистических (что я услышал – «дом» или «лом»?) и даже до проблем сравнительно высокого уровня (когда мне лучше выполнить это задание – в первую или во вторую очередь?). А в более сложных случаях (скажем, при выполнении операций над многозначными числами или осуществлении целой серии заданий) наше поведение являет собой череду шагов, каждый из которых включает накопление информации и достижение определенного порога. Так что подобный подход, оказывается, великолепно описывает и наши напряженные многостадийные подсчеты, уподобляющие нас машинам Тьюринга.

Более того, это поведенческое описание принятия решений сегодня позволяет добиться существенного прогресса в нейробиологии. Можно записать сигналы нейронов обезьяньего мозга, указывающие на похожее накопление соответствующих сенсорных сигналов: об этом свидетельствует скорость передачи нервных импульсов и их интенсивность. Теоретическое различие между накоплением информации и достижением порогового значения помогает разбить мозг на специализированные подсистемы с точки зрения теории принятия решений.

Как и для всякого изящного научного закона, нас здесь подстерегает много сложностей. Вероятно, «накопитель информации» у нас не один, их много: мозг аккумулирует данные на каждом из последовательных этапов обработки данных. И в самом деле, чем больше мы исследуем человеческий мозг, тем сильнее он напоминает потрясающей мощи байесовскую машину, которая на каждой стадии обработки данных совершает множество параллельных операций, принимая множество микрорешений. Многие ученые полагают, что наше чувство уверенности, стабильности и даже осознания себя и мира могут корениться в таких мозговых «решениях» высокого порядка и в конце концов тоже станут жертвой какой-нибудь похожей математической модели. Процесс оценки – еще один немаловажный ингредиент в принятии взвешенных решений (я намеренно не стал о нем здесь распространяться). И наконец, система принятия решений полна априорных допущений, отклонений, ограничений по времени и других значимых факторов, которые не позволяют с абсолютной точностью свести ее к математически оптимальному виду.

Однако в первом приближении этот закон все-таки является одним из самых изящных и плодотворных открытий, которые совершила психология в XX веке: люди действуют как статистические механизмы, стремящиеся к оптимуму, и наши решения связаны с накоплением доступной информации, продолжающимся, пока не будет достигнут определенный порог.