Техническое объяснение технического объяснения

Как подчёркивает Джейнс, теоремы байесовской теории вероятностей — это именно теоремы: математические утверждения, неизбежно следующие из байесовских аксиом.¹ Можно было бы наивно подумать, что вокруг математических теорем не бывает споров. Но когда именно теоремы применимы? Как использовать их в реальных задачах? «Интуитивное объяснение» старалось обходить спорные места стороной, а «Техническое объяснение» сознательно врезается прямо во вращающиеся лопасти вертолёта. Прямо скажем: рассуждения в «Техническом объяснении» не отражают единодушного консенсуса всего мирового сообщества байесовских исследователей. По крайней мере пока.

Если «Интуитивное объяснение» было посвящено тому, чтобы дать читателю твёрдое понимание байесовских основ, то «Техническое объяснение технического объяснения» строит на этом фундаменте тезисы о человеческой рациональности и философии науки. Название работы объясняется тем, что она начинается с вопроса:

«В чём разница между техническим и словесным пониманием?»

В детстве я читал научно-популярные книги по физике и считал себя знающим человеком: я думал, что знаю, что звук — это волны воздуха, что свет — это электромагнитные волны, что материя — это волны комплексных амплитуд вероятности. Повзрослев, я прочитал «Фейнмановские лекции по физике» и не поленился разобраться, что такое «волновое уравнение».² И тогда понял: до этого момента я не понимал и не верил в утверждение «звук — это волны» так, как в него верит и понимает его физик.

Вот в чём разница между техническим и словесным пониманием.

Вы в это верите? Если да — вам стоило бы применить только что полученное знание и спросить: «А почему вы не дали техническое объяснение вместо словесного?»

Представьте плотность вероятности, или вероятностную массу, как кусок глины, который нужно распределить между возможными исходами.

Допустим, есть индикатор, мигающий красным, синим или зелёным при каждом нажатии кнопки. При каждом нажатии он вспыхивает одним и только одним цветом — возможности взаимоисключающие. Вы пытаетесь предсказать цвет следующей вспышки. При каждой попытке у вас есть кусок глины — вероятностная масса, — который нужно распределить между красным, зелёным и синим. Вы можете положить четверть глины на зелёное, четверть на синее и половину на красное — то есть присвоить вероятности 25% зелёному, 25% синему и 50% красному. Метафора в том, что вероятность — это сохраняющийся ресурс, который нужно расходовать бережно. Если вы считаете, что синий вспыхнет с большей вероятностью в следующий раз, вы можете повысить его вероятность, но тогда придётся забрать массу у других гипотез — скажем, украсть немного глины у красного и добавить её синему. Взять глину больше неоткуда. Сумма ваших вероятностей не может превышать 1,0 (100%). Нельзя предсказать одновременно 75%-ную вероятность красного и 80%-ную вероятность синего.

Зачем вообще беречь вероятностную массу, распределять её экономно? Почему не разбросать вероятность как попало? Сменим метафору с глины на деньги. При каждом нажатии кнопки вы можете поставить до доллара игровых денег. Рядом стоит экспериментатор и платит вам реальные деньги — сумму, зависящую от того, сколько игровых денег вы поставили на выигравший цвет. Нас не волнует, как вы распределили остальные деньги между проигравшими цветами. Важно только одно: сколько вы поставили на цвет, который действительно выиграл.

Но чтобы игроки относились к ставкам осторожно, правило начисления очков нужно тщательно продумать. Предположим, экспериментатор платит игроку реальные деньги, равные ставке на выигравший цвет. При таком правиле, если вы заметили, что красный выпадает шесть раз из десяти, ваша лучшая стратегия — поставить не 60 центов на красный, а весь доллар целиком, и частоты синего с зелёным вас вообще не должны волновать. Почему? Пусть синий и зелёный выпадают примерно по два раза из десяти каждый. Допустим, вы поставили 60 центов на красный, 20 на синий и 20 на зелёный. Тогда шесть раз из десяти вы выиграете 60 центов, а четыре раза из десяти — 20 центов; в среднем это 44 цента. При таком правиле подсчёта разумнее поставить весь доллар на красный и шесть раз из десяти выигрывать доллар целиком. Четыре раза из десяти вы не выиграете ничего. Средний выигрыш составит 60 центов.

Если записать функцию выигрыша, она будет такой: Выигрыш = P(победитель), где P(победитель) — сумма игровых денег, поставленная в этом раунде на выигравший цвет. Функция ожидаемого выигрыша при таком правиле:

Ожидание(Выигрыш) = Σцвета P(цвет) × F(цвет).

Здесь P(цвет) — сумма игровых денег, поставленная на данный цвет, а F(цвет) — частота, с которой этот цвет побеждает.

Допустим, реальные частоты цветов таковы: 30% синий, 20% зелёный, 50% красный. И допустим, я в каждом раунде ставлю 40% на синий, 50% на зелёный и 10% на красный. Тогда я буду получать 40 центов в 30% случаев, 50 центов в 20% случаев и 10 центов в 50% случаев — в среднем 0,12 $ + 0,10 $ + 0,05 $, то есть 0,27 $. Итак:

P(цвет) = игровые деньги, поставленные на этот цвет
F(цвет) = частота, с которой этот цвет побеждает
Выигрыш = P(победитель) = сумма игровых денег, поставленная на выигравший цвет.

Реальные частоты побед:

F(синий) = 30%
F(зелёный) = 20%
F(красный) = 50%.

В долгосрочной перспективе красный побеждает в 50% случаев, зелёный — в 20%, синий — в 30%. Значит, наш средний выигрыш за раунд — это 50% от выигрыша при победе красного, плюс 20% от выигрыша при победе зелёного, плюс 30% от выигрыша при победе синего.

Выигрыш зависит от того, какой цвет победил, и от того, как распределены ставки. Мы хотим вычислить средний выигрыш при заданной схеме ставок и заданных частотах побед каждого цвета. Математический термин для такой операции — брать функцию каждого случая и взвешивать её по частоте этого случая — называется математическим ожиданием. Значит, для расчёта ожидаемого выигрыша нужно вычислить:

Ожидание(Выигрыш) = Σцвета P(цвет) × F(цвет)
= P(синий) × F(синий)
+ P(зелёный) × F(зелёный)
+ P(красный) × F(красный)
= 0,40 $ × 30% + 0,50 $ × 20% + 0,10 $ × 50%
= 0,12 $ + 0,10 $ + 0,05 $
= 0,27 $.

При такой схеме ставок я в среднем выигрываю около 27 центов за раунд.

Я распределил свои игровые деньги совершенно произвольно, и напрашивается вопрос: можно ли увеличить ожидаемый выигрыш, распорядившись деньгами разумнее?

При заданном правиле подсчёта очков ожидаемый выигрыш максимизируется, если поставить весь доллар на красный. Несмотря на ожидаемый выигрыш в 50 центов за раунд, свет вполне может вспыхнуть зелёным, синим, синим, зелёным, зелёным — и тогда фактический выигрыш окажется равен нулю. Впрочем, вероятность того, что красный не выпадет пять раундов подряд, составляет около 3%. (Сравните с игрой «красное-синее» из «Закономерной неопределённости».)

Правильное правило подсчёта очков — это такое правило начисления выигрышей за ставки, при котором ожидаемый выигрыш максимизируется, только если вы ставите игровые деньги в точности пропорционально вероятности того, что этот цвет мигнёт. Нам нужно правило, при котором, если свет действительно мигает с частотами 30% синий, 20% зелёный, 50% красный, вы максимизируете средний выигрыш, только поставив ровно 30 центов на синий, 20 на зелёный и 50 на красный. Правильное правило подсчёта — это такое правило, при котором оптимальная ставка в точности воспроизводит вашу оценку вероятностей (иногда его называют строго правильным). Как мы убедились, далеко не всякое правило обладает этим свойством; и если придумать правдоподобно звучащее правило наугад, оно почти наверняка этим свойством обладать не будет.

Одно из правил с этим свойством — платить доллар минус квадрат ошибки ставки, а не саму ставку: если вы поставили 30 центов на выигравший цвет, ваша ошибка составит 70 центов, квадрат ошибки — 49 центов (0,7² = 0,49), а доллар минус квадрат ошибки — 51 цент.³ (Видимо, ваши игровые деньги выражены в квадратном корне из центов, чтобы квадрат ошибки был денежной суммой.)

Мы не будем использовать это правило. Обычные статистики берут квадрат ошибки чего угодно, но байесовские статистики — нет.

Добавим ещё одно требование: нам нужно не просто правильное правило подсчёта очков, а такое, которое даёт один и тот же результат независимо от того, применяем ли мы его к раундам по отдельности или совместно. Именно это байесовцы делают вместо того, чтобы возводить всё в квадрат ошибки: нам нужны инвариантности.

Допустим, я нажимаю кнопку два раза подряд. Существует девять возможных исходов: зелёный-зелёный, зелёный-синий, зелёный-красный, синий-зелёный, синий-синий, синий-красный, красный-зелёный, красный-синий, красный-красный. Пусть в первом раунде победит зелёный, а во втором — синий. Экспериментатор начислит первую оценку исходя из наших вероятностных оценок P(зелёный₁), а вторую — исходя из P(синий₂|зелёный₁).⁴ Мы делаем два прогноза и получаем два балла. Первый прогноз — вероятность, присвоенная цвету, победившему в первом раунде, то есть зелёному. Второй — вероятность того, что во втором раунде победит синий, при условии что в первом победил зелёный. Почему нужно писать P(синий₂|зелёный₁), а не просто P(синий₂)? Потому что у вас может быть гипотеза о мигающем свете вроде «синий никогда не идёт после зелёного», или «синий всегда идёт после зелёного», или «синий идёт после зелёного с вероятностью 70%». Если так, увидев в первом раунде зелёный, вы захотите пересмотреть прогноз — изменить ставку — на второй раунд. Пересматривать прогнозы можно вплоть до момента, когда экспериментатор нажмёт кнопку, используя каждую крупицу информации; но как только свет вспыхнул, менять ставку уже поздно.

Пусть фактический результат — зелёный₁, за которым следует синий₂. Нам требуется такая инвариантность: я должен получить одинаковый суммарный балл независимо от того,

• оцениваюсь ли я дважды — сначала за прогноз P(зелёный₁), потом за прогноз P(синий₂|зелёный₁),
• или один раз — за совместный прогноз P(зелёный₁ и синий₂).

Допустим, я присваиваю зелёному₁ вероятность 60%, и загорается зелёный. Теперь мне нужно назначить вероятности цветам второго раунда. Я оцениваю возможность синий₂ и выделяю ей 25% вероятностной массы. И вот во втором раунде свет действительно вспыхивает синим. Итак, в первом раунде моя ставка на победивший цвет составила 60%, во втором — 25%. Но я мог бы поступить и иначе: ещё в начале эксперимента, сразу после присвоения P(зелёный₁), представить, что свет сначала вспыхивает зелёным, представить, как я обновляю свои теории на основании этой информации, и уже тогда сказать, какую уверенность я дам синему в следующем раунде при условии, что первый раунд оказался зелёным. То есть я генерирую вероятности P(зелёный₁) и P(синий₂|зелёный₁). Перемножив их, получаем совместную вероятность P(зелёный₁ и синий₂) = 15%.

У двойного эксперимента девять возможных исходов. Если я сгенерирую девять вероятностей — для P(зелёный₁, зелёный₂), P(зелёный₁, синий₂), …, P(красный₁, синий₂), P(красный₁, красный₁) — сумма вероятностных масс не должна превышать единицы. Я выдаю прогнозы для девяти взаимоисключающих исходов «двойного эксперимента».

Нам нужно такое правило подсчёта очков (и, возможно, оно не будет похоже ни на что, чем пользовался бы обычный букмекер), чтобы мой балл не менялся в зависимости от того, рассматриваем ли мы двойной результат как два прогноза или как один. Я могу трактовать последовательность из двух результатов как единый эксперимент — «дважды нажать кнопку» — и получить оценку за прогноз P(синий₂, зелёный₁) = 15%. А могу получить оценку сначала за прогноз P(зелёный₁) = 60%, а затем ещё раз — за прогноз P(синий₂|зелёный₁) = 25%. В обоих случаях суммарный балл должен быть один и тот же, так что неважно, как именно мы разбиваем эксперименты и прогнозы — общий счёт всегда абсолютно одинаков. Это и есть наша инвариантность.

Мы только что потребовали:

Оценка[P(зелёный₁, синий₂)] = Оценка[P(зелёный₁)] + Оценка[P(синий₂|зелёный₁)].

А мы уже знаем, что:

P(зелёный₁, синий₂) = P(зелёный₁) × P(синий₂|зелёный₁).

Единственно возможное правило подсчёта очков:

Оценка(P) = log(P).

Новое правило гласит: ваш балл — это логарифм вероятности, присвоенной победителю.

Основание логарифма произвольно — используем ли мы логарифм по основанию десять или по основанию два, правило сохраняет нужную инвариантность. Но какое-то основание всё же нужно выбрать. Математик выбрал бы основание e, инженер — десять, специалист по информатике — два. При десятичном основании можно переходить к децибелам, как в «Интуитивном объяснении»; но иногда битами оперировать удобнее.

Правило логарифма — правильное: оно достигает максимума ожидания именно тогда, когда мы сообщаем свои точные ожидания, то есть вознаграждает честность. Если мы считаем, что синий свет мигнёт с вероятностью 60%, и рассчитаем ожидаемый выигрыш для разных схем ставок, окажется, что максимизировать его можно, только сказав экспериментатору «60%» (читатели, знакомые с матанализом, могут проверить это сами). Правило также даёт инвариантную сумму независимо от того, считаем ли мы два нажатия кнопки «одним экспериментом» или «двумя». Правда, теперь все выигрыши отрицательны, поскольку мы берём логарифм вероятности, а вероятность лежит между нулём и единицей. Логарифм по основанию десять от 0,1 равен −1; от 0,01 равен −2. Это нормально. Мы заранее смирились с тем, что это правило может совсем не походить на то, чем пользовался бы настоящий букмекер. Если хотите, представьте, что у экспериментатора есть куча денег, и по итогам эксперимента он выплачивает вам некую сумму минус ваш большой отрицательный балл (точнее, сумму плюс ваш отрицательный балл). Допустим, у экспериментатора сто долларов, и по итогам ста раундов вы набрали −48 очков — значит, вы получаете 52 доллара.

Оценка −48 в каком основании? Неоднозначность можно снять, указав единицы измерения. Десять децибел — это множитель 10; минус десять децибел — множитель 1/10. Если фактическому результату присвоена вероятность 0,01, оценка составит −20 децибел. Вероятность 0,03 даёт −15 децибел. Иногда удобнее битами: 1 бит — это множитель 2, −1 бит — множитель 1/2. Вероятность 0,25 даёт оценку −2 бита; вероятность 0,03 — примерно −5 бит.

Если для каждого цвета вы получили оценку вероятности P — P(красный), P(синий), P(зелёный), — ваш ожидаемый результат составит:

Оценка(P) = log(P)

Ожидание(Оценка) = Σцвета P(цвет) × log(P(цвет)).

Допустим, у вас вероятности 25% красный, 50% синий, 25% зелёный. Ради простоты на минуту перейдём к основанию 2. Ожидаемый результат:

Оценка(красный) = −2 бита, выпадает в 25% случаев,
Оценка(синий) = −1 бит, выпадает в 50% случаев,
Оценка(зелёный) = −2 бита, выпадает в 25% случаев,
Ожидание(Оценка) = −1,5 бита.

Сравним наше байесовское правило подсчёта с обычным, разговорным способом говорить о степени уверенности — когда кто-то небрежно бросает: «Я на 98% уверен, что в рапсовом масле больше омега-3 жиров, чем в оливковом». На самом деле это означает лишь то, что человек чувствует себя на 98% уверенным — есть что-то вроде шкалы прогресса, измеряющей силу эмоции уверенности, и эта шкала заполнена на 98%. И, скорее всего, будь у нас способ это измерить, она оказалась бы заполнена не ровно на 98%. «98%» тут — просто разговорный способ сказать «я почти, но не совсем уверен». Это не значит, что вы могли бы получить максимальный ожидаемый выигрыш, поставив на этот исход ровно 98 центов игровых денег. Присваивать откалиброванную уверенность в 98% стоит только тогда, когда вы достаточно уверены, что смогли бы ответить на сотню похожих вопросов равной сложности, один за другим, независимо друг от друга, и ошибиться в среднем раза два. Мы будем отслеживать, как часто вы оказываетесь правы, и если выяснится, что при словах «уверен на 90%» вы правы примерно в семи случаях из десяти, мы скажем, что вы плохо откалиброваны.

Если вы тысячу раз скажете «вероятность 98%», а ошибётесь всего пять раз, мы всё равно засчитаем вам плохую калибровку. Вы выделяете слишком много вероятностной массы на возможность собственной ошибки. Чтобы максимизировать счёт, стоило бы говорить «вероятность 99,5%». Правило подсчёта поощряет точную калибровку, не поощряя ни смирение, ни самоуверенность.

Тут у некоторых читателей может возникнуть мысль: а не проще ли добиться идеальной калибровки, просто подбрасывая монетку на каждый вопрос с ответом «да/нет» и присваивая своему ответу уверенность 50%? Вы говорите «50%» — и оказываетесь правы в половине случаев. Разве это не идеальная калибровка? Да. Но калибровка — лишь одна составляющая нашей байесовской оценки; вторая — различение (дискриминация).

Допустим, я задаю вам десять вопросов с ответом «да/нет». Вы совершенно ничего не знаете о предмете, поэтому на каждый вопрос делите вероятностную массу пополам между «да» и «нет». Поздравляю, вы идеально откалиброваны — ответы, которым вы присвоили «вероятность 50%», оказались верны ровно в половине случаев. Это верно независимо от последовательности правильных ответов и от того, сколько раз правильным ответом было «да». В десяти экспериментах вы двадцать раз сказали «50%» — на Да₁, Нет₁, Да₂, Нет₂, Да₃, Нет₃… В десяти из этих случаев ответ оказался верным (например: Да₁, Нет₂, Нет₃…), а в десяти — неверным (Нет₁, Да₂, Да₃…).

Теперь свои ответы даю я, вкладывая в это больше усилий и пытаясь понять, какой ответ верен — «да» или «нет». Я присваиваю 90%-ную уверенность каждому из своих любимых ответов, и дважды ошибаюсь. Моя калибровка хуже вашей: я десять раз сказал «90%» и дважды промахнулся. Если кто-то в следующий раз меня послушает, он, возможно, мысленно переведёт мои «90%» в 80%, зная, что при моей 90%-ной уверенности я прав примерно в 80% случаев. Но вероятность, которую вы присвоили итоговому результату, равна (1/2) в десятой степени, то есть 0,001, или 1/1024. Вероятность, которую итоговому результату присвоил я, равна 90% в восьмой степени, умноженным на 10% во второй степени: 0,9⁸ × 0,1² ≈ 0,004, то есть 0,4%. Ваша калибровка идеальна, а моя нет, но моё более сильное различение правильных и неправильных ответов с лихвой это компенсирует. Мой итоговый счёт выше — я присвоил бóльшую совместную вероятность итоговому результату всего эксперимента. Будь я менее самонадеян и лучше откалиброван, вероятность, присвоенная итоговому результату, составила бы 0,8⁸ × 0,2² ≈ 0,006, то есть 6%.

Можно ли добиться ещё большего? Конечно. Вы могли бы угадать все ответы правильно и присвоить каждому вероятность 99%. Тогда вероятность, присвоенная всему итогу эксперимента, составила бы 0,99¹⁰ ≈ 90%.

Ваш балл был бы равен log(90%), то есть −0,45 децибела, или −0,15 бита. Логарифм нужен для того, чтобы, максимизируя ожидаемый балл Σ P × log(P), у меня не было мотива обманывать. Без логарифмического правила я максимизировал бы ожидаемый балл, отдав всю вероятностную массу самому вероятному исходу. Кроме того, без логарифма мой итоговый балл зависел бы от того, считаем ли мы несколько раундов несколькими экспериментами или одним.

Простое преобразование может исправить плохую калибровку ценой снижения различения. Если у вас привычка говорить «миллион к одному» при девяноста правильных и десяти неправильных ответах на каждую сотню вопросов, мы можем улучшить вашу калибровку, заменив «миллион к одному» на «девять к одному». А вот усилить (успешное) различение простым способом нельзя. Если вы обычно говорите «девять к одному» при девяноста правильных ответах на сотню вопросов, я легко могу увеличить заявленное различение, заменив «девять к одному» на «миллион к одному». Но никакое простое преобразование не увеличит ваше фактическое различение так, чтобы ваш ответ действительно отличал 95 правильных ответов от 5 неправильных. Как пишут Йейтс и соавторы: «Хорошая калибровка часто достижима простыми математическими преобразованиями (например, добавлением константы к каждой вероятностной оценке), но хорошее различение требует доступа к надёжным, прогностическим свидетельствам и умения ими пользоваться — а это редкость в любой реальной практической ситуации».⁵ Если у вас нет способности отличать истину от лжи, вы можете достичь идеальной калибровки, признавшись в своём невежестве; но само по себе признание невежества истину от лжи не отличит.

Так мы избавляемся от ещё одного ложного стереотипа о рациональности — будто рациональность состоит в смирении, скромности и признании собственной беспомощности перед лицом неизвестного. Это всего лишь лазейка для жулика, присваивающего 50% всем вопросам с ответом «да/нет». Наше правило подсчёта побуждает вас добиваться большего, если вы на это способны. Если вы невежественны — признайтесь в невежестве; если уверены — признайтесь в уверенности. Мы наказываем вас за уверенность и неправоту, но и вознаграждаем за уверенность и правоту. В этом и заключается достоинство правильного правила подсчёта очков.

Допустим, я подбрасываю монету двадцать раз. Если я верю, что монета честная, лучший прогноз — предсказывать равные шансы орла и решки при каждом броске. Если я верю, что монета честная, я присваиваю одинаковую вероятность каждой возможной последовательности из двадцати бросков. Таких последовательностей примерно миллион (1 048 576), а вероятностной массы у меня всего 1,0. Значит, каждой конкретной последовательности я присваиваю вероятность (1/2)²⁰ — шансы примерно миллион к одному, то есть −20 бит, или −60 децибел.

Я сделал экспериментальный прогноз и получил оценку −60 децибел! Разве это не опровергает гипотезу? Интуитивно — нет. Мы же не подбрасываем монету двадцать раз, не видим случайный на вид результат, а потом не хватаемся за голову со словами «ну надо же, шансы этого — миллион к одному». Да, шансы увидеть именно эту последовательность — миллион к одному, в чём я убедился бы, наивно предсказав тот же самый результат для следующих двадцати бросков. Вполне нормально иметь теории, приписывающие исходам крошечные вероятности — при условии, что никакая другая теория не справляется лучше. Но если бы кто-то заранее записал точную последовательность в запечатанный конверт с помощью альтернативной гипотезы и присвоил ей вероятность 99%, я бы заподозрил, что монета нечестная. При условии, что запечатан только один такой конверт, а не миллион.

Здравый смысл подсказывает нам, каким должен быть ответ, но не объясняет, как этот ответ рождается из математики. Чтобы понять, почему здравый смысл прав, нужно свести всё сказанное выше в единую систему байесовского пересмотра убеждений. Когда мы это сделаем, у нас появится техническое понимание разницы между словесным и техническим пониманием.

Представьте эксперимент, дающий целое число от нуля до 99. Например, это может быть счётчик частиц, сообщающий, сколько частиц прошло за минуту. Или это может быть визит в супермаркет по средам, проверка цены на пакет дроблёных грецких орехов весом 10 унций и запись последних двух цифр цены.

Мы проверяем несколько разных гипотез, предсказывающих результат эксперимента. Каждая гипотеза задаёт распределение вероятностей по всем возможным результатам — в данном случае по целым числам от нуля до 99. Возможности взаимоисключающие, поэтому сумма вероятностной массы в распределении не может превышать единицы; нельзя одновременно предсказать 90%-ную вероятность увидеть 42 и 90%-ную вероятность увидеть 43.

Допустим, есть точная гипотеза, предсказывающая 90%-ную вероятность результата 51 (то есть гипотеза гласит, что в супермаркете орехи обычно стоят «X долларов 51 цент»). Точная теория поставила 90% вероятностной массы на исход 51. Остаётся 10% массы, которую нужно распределить по 99 другим возможным исходам — всем числам от нуля до 99, кроме 51. Дополнительных уточнений теория не даёт, поэтому мы равномерно распределяем оставшиеся 10% по 99 возможностям, присваивая каждому исходу, отличному от 51, вероятность 1/990. Для удобства округлим 1/990 до 0,1%.

Это распределение вероятностей аналогично правдоподобию, или условной вероятности результата при данной гипотезе. Назовём его распределением правдоподобия для гипотезы — нашим шансом увидеть каждый конкретный результат, если гипотеза верна. Распределение правдоподобия для гипотезы H — это функция, составленная из всех условных вероятностей: P(0|H) = 0,001, P(1|H) = 0,001, …, P(51|H) = 0,9, …, P(99|H) = 0,001.

Точная теория предсказывает 90%-ную вероятность увидеть 51. Пусть есть и расплывчатая теория, предсказывающая «90%-ную вероятность увидеть число из пятидесятых».

Увидев результат 51, мы не говорим, что он одинаково подтверждает обе теории. Обе сделали прогнозы, обе присвоили вероятность 90%, и результат 51 подтверждает оба прогноза. Но у точной теории есть преимущество: она концентрирует вероятностную массу в более узкой точке. Если расплывчатая теория дальше ничего не уточняет, мы трактуем «90%-ную вероятность числа из пятидесятых» как 9%-ную вероятность для каждого числа от 50 до 59.

Допустим, мы начали с равных шансов на точную и расплывчатую теорию — 1:1, то есть по 50% на каждую. Увидев результат 51, каковы апостериорные шансы, что верна точная теория? Прогнозы обеих теорий соответствуют их присвоениям правдоподобия — условной вероятности увидеть результат при условии, что теория верна. Каково отношение правдоподобий двух теорий? Первая отвела точному исходу 90% вероятностной массы. Расплывчатая теория отвела ему 9%. Отношение правдоподобий — 10:1. Значит, если мы начали с равных шансов 1:1, апостериорные шансы составят 10:1 в пользу точной теории. Разница между двумя условными вероятностями сдвинула нашу априорную уверенность в 50% к апостериорной уверенности около 91% в пользу точной теории. При условии, что рассматриваются только эти две гипотезы, что это единственное учитываемое свидетельство и так далее.

Почему расплывчатая теория проиграла, хотя обе теории согласовывались с доказательствами? Расплывчатая теория робка: она делает широкий прогноз, подстраховывается, допускает множество исходов, которые опровергли бы точную теорию. Это не достоинство научной теории. Философы науки говорят нам, что теории должны быть смелыми и охотно подставляться под фальсификацию, если их предсказание не сбудется.⁶ Теперь мы понимаем почему. Точная теория концентрирует вероятностную массу в узкой точке и тем самым делает себя уязвимой для опровержения, если реальный результат окажется где-то ещё; но если предсказанный результат верен, точность даёт колоссальное преимущество в правдоподобии перед расплывчатостью.

Законы теории вероятностей не позволяют смошенничать — например, выдвинуть расплывчатую гипотезу, при которой любой результат от 50 до 59 считался бы столь же убедительным подтверждением, как точная теория: для этого потребовалось бы, чтобы вероятностная масса в сумме составила 900%. Смошенничать невозможно, если вы записали прогноз заранее — тогда вы не сможете задним числом утверждать, что ваша теория присвоила 90%-ную вероятность любому пришедшему результату. Люди очень любят делать прогнозы задним числом, поэтому социальный процесс науки требует предварительного прогноза, прежде чем мы согласимся считать результат подтверждением теории. Но вопрос о том, как людям действовать в согласии с байесовским методом и тем самым обрести его силу, — это отдельный вопрос, не связанный с тем, работает ли сама математика. Занимаясь математикой, мы просто принимаем как данность, что функции плотности правдоподобия — фиксированные свойства гипотезы, а сумма вероятностной массы равна 1, и никому и в голову не придёт поступать иначе.

Возможно, стоит на минуту представить, что если определить вероятность через калибровку, то теорема Байеса связывает именно калибровки. Допустим, я предполагаю, что теория 1 верна с вероятностью 50%, и теория 2 верна с вероятностью 50%. Допустим, я хорошо откалиброван: когда я произношу «пятьдесят процентов», событие сбывается примерно в половине случаев. И вот я вижу результат R, который случался бы примерно в девяти десятых случаев при теории 1 и примерно в девяти сотых случаев при теории 2, я это знаю и применяю байесовское рассуждение. Если изначально я был идеально откалиброван (несмотря на слабое различение, выражавшееся в раскладе 50/50), я останусь идеально откалиброванным (и станy лучше различать) после того, как скажу, что моя уверенность в теории 1 теперь составляет 91%. Повторив такую ситуацию много раз, я оказывался бы прав примерно в десяти случаях из одиннадцати, когда говорил «91%». Если я рассуждаю по байесовским правилам и начинаю с хорошо откалиброванных априорных вероятностей, мои выводы тоже будут хорошо откалиброваны. Но это верно только если мы определяем вероятность через калибровку! Если же «уверенность 90%» истолковывать, скажем, как силу эмоции уверенности, нет никаких оснований ожидать, что итоговая эмоция будет находиться в точном байесовском отношении к исходной.

Пусть априорные шансы будут десять к одному в пользу расплывчатой теории. Почему? Допустим, наш способ описывать гипотезы позволяет либо указать точное число, либо только первую цифру: мы можем сказать «51», «63», «72» либо «в пятидесятых/шестидесятых/семидесятых». Допустим, мы считаем, что реальный ответ примерно с равной вероятностью может быть ответом первого или второго рода. Однако в рамках этой задачи существует сто возможных гипотез первого рода и только десять — второго. Значит, если считать, что оба класса гипотез имеют примерно равные априорные шансы оказаться верными, приходится распределять априорную вероятностную массу на в десять раз большее число точных теорий, чем расплывчатых. Поэтому точная теория, предсказывающая ровно 51, изначально будет иметь в десять раз меньше вероятностной массы, чем расплывчатая теория, предсказывающая число из пятидесятых. Увидев 51, мы сдвигаем шансы с 1:10 в пользу расплывчатой теории до 1:1 — равных шансов для точной и расплывчатой теорий.

Если приглядеться, это в точности то, чего и требует здравый смысл. Вы начинаете, не зная, относится ли явление к тем, что каждый раз дают один и тот же результат, или к тем, что каждый раз дают результат из «Х-десятых». (Возможно, речь о ценовом диапазоне в супермаркете, если вам нужно основание считать, что 50–59 — допустимый диапазон, а 49–58 — нет.) Вы делаете одно измерение, и ответ — 51. Что ж, это может быть потому, что явление даёт ровно 51, а может — потому что оно попадает в пятидесятые. Значит, у оставшейся точной теории те же шансы, что и у оставшейся расплывчатой, а это требует, чтобы расплывчатая теория изначально была в десять раз вероятнее точной — поскольку точная теория точнее соответствует свидетельству.

Если мы видим лишь одно число, скажем 51, это не меняет априорной вероятности того, было ли само явление «точным» или «расплывчатым». Но по сути оно концентрирует всю вероятностную массу этих двух классов гипотез в одной уцелевшей гипотезе каждого класса.

Разумеется, было бы грубой ошибкой утверждать, что само явление точное или расплывчатое, — это пример того, что Джейнс называет ошибкой проекции разума.⁷ Точность или расплывчатость — свойство карт, а не территорий. Правильнее спросить, остаётся ли цена в супермаркете постоянной или меняется. Гипотеза «расплывчатого» типа хорошо описывает меняющуюся цену. Точная карта подходит постоянной территории.

Другой пример: вы подбрасываете монету десять раз и видите последовательность hhtth:tttth. Допустим, изначально вы думали, что вероятность подделки монеты — 1%. Разве гипотеза «эта монета подстроена так, чтобы давать hhtth:tttth» не приписывает наблюдаемому результату в тысячу раз больше правдоподобной массы, чем гипотеза честной монеты? Да. Значит ли это, что апостериорные шансы на подделку возрастают до 10:1? Нет. Априорная вероятность в 1% того, что «монета подделана», должна охватывать все возможные виды подделки — монету, подстроенную давать hhtth:tttth, монету, подстроенную давать tthht:hhhht, и так далее. Априорная вероятность того, что монета подстроена именно давать hhtth:tttth, — не 1%, а тысячная доля процента. После наблюдения апостериорная вероятность того, что монета подстроена давать именно эту последовательность, — один процент. Иными словами: вы думали, что монета, скорее всего, честная, но с однопроцентным шансом подстроена под некую случайную последовательность; вы бросили монету; она дала случайную на вид последовательность; и это ничего не говорит вам о том, честная монета или подстроенная. Зато, если монета подстроена, это говорит вам, под какую именно последовательность.

Эта притча помогает понять, почему байесовцам необходимо думать об априорных вероятностях. Есть раздел статистики, иногда называемый «ортодоксальной» или «классической» статистикой, который настаивает на том, чтобы обращать внимание только на правдоподобия. Но если смотреть только на правдоподобия, рано или поздно какая-нибудь гипотеза о подделанной монете всегда одолеет гипотезу честной монеты — явление, известное как «переобучение» теории под данные. После тридцати бросков правдоподобие гипотезы о подделке под эту конкретную последовательность будет в миллиард раз выше, чем правдоподобие гипотезы честной монеты. Только если гипотеза о подделке (точнее, вот эта конкретная гипотеза о подделке) априори в миллиард раз менее вероятна, она может проиграть гипотезе честной монеты.

Если встряхнуть монету, сбросить результат и снова начать подбрасывать, а монета снова выдаст hhtth:tttth, — это уже другое дело. Тогда апостериорные шансы на подделку действительно поднимаются до 10:1, даже если начальная вероятность была всего 1%.

Аналогично, если мы дважды подряд измерим показания счётчика частиц (или цену в супермаркете по средам) и оба раза получим 51, точная теория побеждает с перевесом 10:1.

Итак, точная теория побеждает, но расплывчатая всё равно набирает больше очков, чем полное отсутствие теории. Рассмотрим третью теорию — гипотезу нулевого знания, или распределение максимальной энтропии, которое делает равновероятным любой результат от нуля до 99. Допустим, мы видим результат 51. Расплывчатая теория дала лучший прогноз, чем распределение максимальной энтропии — она приписала бóльшую вероятность наблюдаемому результату. Расплывчатая теория буквально лучше, чем ничего. Допустим, мы начали с шансов 1:20 в пользу гипотезы полного невежества. (Почему 1:20? Есть только одна гипотеза полного невежества, и к тому же это особенно простой и интуитивный тип гипотезы — бритва Оккама.) Увидев результат 51, которому расплывчатая теория дала 9%, а полное невежество — 1%, апостериорные шансы становятся 10:20, то есть 1:2. Если мы затем увидим ещё один результат 51, апостериорные шансы станут 10:2, то есть 83%-ная вероятность в пользу расплывчатой теории, — при условии, что более точная теория не рассматривается.

Однако робость расплывчатой теории — её нежелание дать точный прогноз и принять на себя риск опровержения любым другим результатом — делает её уязвимой перед смелой, точной теорией. (Разумеется, при условии, что смелая теория угадает результат правильно!) Допустим, априорные шансы составляли 1:10:200 для точной, расплывчатой и невежественной теорий — то есть априорные вероятности 0,5%, 4,7% и 94,8% соответственно. Эта цифра отражает наше априорное распределение вероятностей по классам гипотез, где вероятностная масса распределена по целым классам так: 50% — явление скачет по всем цифрам, 25% — явление скачет в пределах какой-то десятки, 25% — явление каждый раз повторяет одно и то же число. Одна гипотеза полного невежества, 10 возможных гипотез для «своей десятки», 100 возможных гипотез для повторяющегося числа. Отсюда априорные шансы 1:10:200 для точной гипотезы «51», расплывчатой гипотезы «пятидесятые» и гипотезы полного невежества.

После результата 51, которому присвоены вероятности 90%, 9% и 1%, апостериорные шансы становятся 90:90:200 = 9:9:20. После ещё одного результата 51 они становятся 810:81:20, то есть 89%, 9% и 2%. Теперь точная теория предпочтительнее расплывчатой, а та, в свою очередь, — невежественной.

Теперь рассмотрим глупую теорию, предсказывающую 90%-ную вероятность результата от нуля до девяти. Она присваивает фактическому результату 51 вероятность 0,1%. Если изначальные шансы для точной, расплывчатой, невежественной и глупой теорий составляли 1:10:200:10, то апостериорные шансы после однократного результата 51 станут 90:90:200:1. Глупая теория опровергнута (апостериорная вероятность 0,2%).

Возможна модель настолько плохая, что она хуже, чем ничего, — если она концентрирует вероятностную массу вдали от фактического результата, то есть уверенно предсказывает неправильные ответы. Такая гипотеза настолько плоха, что проигрывает даже гипотезе полного невежества. Невежество лучше, чем анти-знание.

Заметка на полях: в области искусственного интеллекта время от времени возникает мода на восхваление случайности. Порой исследователь ИИ обнаруживает, что если добавить шум в один из алгоритмов, тот начинает работать лучше. Об этом результате сообщают с большим энтузиазмом, за которым следует поток восторженных похвал творческим силам хаоса, непредсказуемости, спонтанности, незнания того, что делает твой собственный ИИ, и так далее. (См., например, The Imagination Engine; согласно их рекламным материалам, они продают повреждённые и умирающие нейронные сети.⁸) Но насколько же плох алгоритм, если его производительность можно повысить, впрыснув энтропию в промежуточные этапы обработки? Такой алгоритм должен быть настолько неисправен, что часть его работы уходит на то, чтобы уводить вероятностную массу прочь от хороших решений. Если добавление случайности надёжно улучшает результат, значит, какая-то часть алгоритма надёжно работает хуже случайности. Только в области ИИ люди умудряются проектировать алгоритмы, буквально более глупые, чем мешок кирпичей, слегка подталкивать результаты обратно к невежеству — и затем восхвалять целительную силу шума.

Допустим, в нашем эксперименте мы видим результаты 52, 51 и 58. Точная теория даёт этому совместному событию вероятность порядка «тысяча к одному, умножить на 90%, умножить на тысячу к одному», а расплывчатая теория — «9% в кубе», что в итоге выходит… ну… гм… посмотрим… примерно миллион к одному при точной теории против тысячи к одному при расплывчатой. Или около того — мы считаем грубыми степенями десяти. Против миллиона к одному при распределении с нулевым знанием, приписывающем всем исходам равную вероятность. Против миллиарда к одному при модели, которая хуже, чем ничего, — глупой гипотезе, утверждающей 90%-ную вероятность числа меньше 10. Пользуясь этими приблизительными цифрами, расплывчатая теория набирает −30 децибел (вероятность 1/1000 для всего исхода эксперимента) против −60 у точной теории, −60 у невежественной и −90 у глупой. Не всегда побеждает тот, у кого выше балл, — нужно ещё учесть наши априорные шансы 1:10:200:10, то есть доверие −23, −13, 0 и −13 децибел. Расплывчатая теория всё равно набирает наивысший суммарный балл — −43 децибела. (Если бы мы игнорировали априорные вероятности, каждый новый эксперимент перечёркивал бы накопленные результаты всех предыдущих; мы не смогли бы копить знания. Более того, гипотеза о подделанной монете всегда побеждала бы.)

Как всегда, не стоит тревожиться из-за того, что даже лучшая теория набирает низкий балл — вспомните притчу о честной монете. Теории — это приближения. В принципе мы могли бы предсказать точную последовательность бросков монеты. Но для этого потребовались бы более качественные измерения и больше вычислительной мощности, чем мы готовы потратить. Может, мы могли бы добиться прогноза 60/40 для бросков монеты с достаточно хорошей моделью?.. Мы пользуемся лучшим доступным приближением и стараемся добиться хорошей калибровки, даже если различение неидеально.

До сих пор наш анализ шёл по правилам байесовской теории вероятностей, где невозможно иметь более 100% вероятностной массы и, следовательно, невозможно смошенничать так, чтобы любой исход считался «подтверждением» теории. По байесовскому закону игровые деньги нельзя подделать — у вас есть лишь определённое количество глины.

К сожалению, люди — не байесовцы. Люди странным образом пытаются защищать гипотезы, прилагая целенаправленные усилия к тому, чтобы их доказать или не дать их опровергнуть. У такого поведения нет аналога в законах теории вероятностей или теории принятия решений. В формальной теории вероятностей есть гипотеза, есть свидетельство, и гипотеза либо подтверждается, либо нет. В формальной теории принятия решений агент может предпринять расследование по вопросу, в котором сейчас не уверен, не зная заранее, в какую сторону повернут доказательства. Ни там, ни там никто никогда сознательно не пытается доказать идею или не допустить её опровержения. Можно исследовать идеи, в которых вы действительно не уверены, — но нельзя иметь «предпочтительный» исход расследования. Нельзя пытаться доказать гипотезы или помешать их опровержению. Мне трудно даже толком передать, насколько нелепой показалась бы эта мысль истинному байесовцу — в байесовском языке просто нет слов, чтобы описать эту ошибку…

На каждое ожидание доказательств есть равное и противоположное ожидание контрдоказательств. Если A — свидетельство в пользу B, то не-A должно быть свидетельством в пользу не-B. Сила свидетельств может быть неравной: редкое, но веское доказательство в одну сторону может уравновешиваться распространённым, но слабым доказательством в другую. Но невозможно, чтобы и A, и не-A одновременно свидетельствовали в пользу B. То есть это невозможно по законам теории вероятностей.

Люди часто хотят и рыбку съесть, и на ёлку влезть. Какой бы результат мы ни наблюдали — он якобы доказывает нашу теорию. Как выразился Шпее, священник из «Сохранения ожидаемого доказательства»: «Следственная комиссия чувствовала бы себя опозоренной, если бы оправдала женщину; раз уж её арестовали и заковали в цепи, она должна быть виновна — правдой или неправдой».⁹

Психология человека, судя по всему, устроена так: сначала мы видим, что что-то произошло, а затем пытаемся доказать, что это укладывается в ту гипотезу, которая была у нас в голове заранее. Вместо сохраняющейся вероятностной массы, распределённой по предварительным прогнозам, у нас есть чувство совместимости — степень того, насколько объяснение и событие кажутся «подходящими друг другу». «Подходит» не сохраняется. Здесь нет аналога правилу о том, что вероятностная масса должна суммироваться до единицы. Психоаналитик может объяснить любое возможное поведение пациента, выстроив подходящую структуру «рационализаций» и «защит»: раз подходит — значит, верно.

Теперь вспомним притчу из «Поддельных объяснений» — про студентов, видящих радиатор и металлическую пластину рядом с ним. Студенты никогда бы заранее не предсказали, что сторона пластины, обращённая к радиатору, окажется холоднее. Но, увидев этот факт, они умудрились подогнать под него свои объяснения. Они упустили драгоценный шанс удивиться, осознать, что их модели не предсказывали то, что они наблюдали. Они пожертвовали своей способностью путаться в вымысле сильнее, чем в правде. И не поняли, что «тепловая индукция, бла-бла, поэтому ближняя сторона холоднее» — это расплывчатое, словесное предсказание, покрывающее чрезвычайно широкий диапазон возможных значений конкретных измеренных температур. Применение уравнений диффузии и равновесия дало бы резкий прогноз возможных совместных значений. Возможно, оно не предсказало бы первые измеренные вами значения, но, зная несколько значений, вы могли бы дать точный прогноз для остальных. Оценка всего эксперимента при таком подходе оказалась бы намного лучше, чем при любой менее точной альтернативе — особенно расплывчатом и словесном предсказании.

Теперь у вас есть техническое объяснение разницы между словесным и техническим объяснением. Оно техническое потому, что позволяет точно вычислить, насколько техническим является то или иное объяснение. Расплывчатые гипотезы могут быть настолько расплывчатыми, что точно вычислить степень их расплывчатости способен только сверхчеловеческий разум. Возможно, достаточно мощный интеллект мог бы экстраполировать все возможные экспериментальные результаты и все возможные вердикты расплывчатого угадывателя о том, насколько хорошо расплывчатая гипотеза «подходит», а затем перенормировать распределение «подходит» в распределение правдоподобия, суммирующееся к единице. Но в принципе всё равно можно точно вычислить, насколько расплывчата расплывчатая гипотеза. Просто этот расчёт вычислительно неподъёмен — так же, как неподъёмен расчёт траекторий самолётов через квантовую механику.

Я считаю, что каждому нужно изучить хотя бы один технический предмет: физику, информатику, эволюционную биологию, байесовскую теорию вероятностей — что-нибудь в этом роде. У человека без единой технической дисциплины за плечами нет ориентира на то, что вообще значит «объяснить» что-либо. Он вполне может решить, что «всё есть огонь» — это объяснение, как решил греческий философ Гераклит. Поэтому я выступаю за то, чтобы байесовскую теорию вероятностей преподавали в школе. Это единственный известный мне раздел математики, доступный на школьном уровне и дающий техническое понимание предмета — динамики убеждений, — который является повседневной, реальной областью жизни и имеет эмоционально значимые последствия. Изучение байесовской вероятности дало бы школьникам ориентир на то, что значит «объяснить» нечто.

Слишком многие учёные думают, что «быть техничным» — значит изъясняться сухими многосложными фразами. Вот вам «техническое» объяснение технического объяснения:

Уравнения теории вероятностей отдают предпочтение гипотезам, которые строго предсказывают точные наблюдаемые данные. Сильные модели смело концентрируют плотность вероятности в точных исходах, делая себя фальсифицируемыми, если данные окажутся в другом месте, и получая огромное преимущество в правдоподобии перед менее смелыми и менее точными моделями. Словесное объяснение опирается на психологическую оценку несохраняющейся постфактумной совместимости вместо сохраняющейся антефактумной плотности вероятности. И словесное объяснение не рисует резко детализированную картину, предполагая гладкое распределение правдоподобия вблизи данных.

Удовлетворительно ли это? Нет. Послушайте эти впечатляющие, весомые фразы, звучащие глухим стуком экспертности. Посмотрите на злополучных студентов, записывающих эти фразы на бумагу. Даже услышав ритуальные слова, слушатели не смогут выполнить ни одного расчёта. Вы знаете математику — поэтому слова наполняются смыслом. Вы можете выполнить расчёты, услышав впечатляющие слова, точно так же, как могли бы сделать это и без них. Но что насчёт того, кто ни разу не видел, как эти расчёты выполняются? Какими новыми навыками он овладел после этой «технической» лекции — кроме умения декламировать завораживающие слова?

«Байесовский» — по правде говоря, завораживающее слово, не так ли? Давайте выговоримся: Байес Байес Байес Байес Байес Байес Байес Байес Байес…

Священный слог бессмыслен — разве что он побуждает кого-то применить математику. А значит, слушающий уже должен знать эту математику.

И наоборот: если вы знаете математику, вы можете быть настолько несерьёзным, насколько захотите, и всё равно оставаться техничным.

Так мы избавляемся от ещё одного стереотипа о рациональности — будто она состоит из сухой формальности и лишённой юмора торжественности. Какое это имеет отношение к различению истины и лжи? Какое отношение к обретению карты, отражающей территорию? Учёный, достойный лабораторного халата, должен уметь делать оригинальные открытия хоть в костюме клоуна, хоть читая лекцию визгливым голосом после вдыхания гелия. Нигде в математике теории вероятностей не написано, что развлекаться запрещено. У лезвия, разрезающего путь к правильному ответу, самого по себе нет ни достоинства, ни глупости — хотя оно вполне может лечь в руку глупого владельца.

Полезная модель — это не просто нечто, что вы знаете, как вы знаете, что самолёт состоит из атомов. Полезная модель — это знание, которое можно вычислить за разумное время, чтобы предсказать реальные события, которые вы умеете наблюдать. Возможно, кто-то обнаружит, что модель, чуть-чуть нарушающая закон сохранения импульса, позволяет посчитать аэродинамику Boeing 747 намного дешевле, чем если настаивать на точном сохранении импульса. И если у вас есть два компьютера, соревнующихся за лучший прогноз, лучший прогноз вполне может дать именно модель, нарушающая закон сохранения импульса. Это вовсе не означает, что 747 в реальности нарушает закон сохранения импульса. Ни одна из моделей не оперирует отдельными атомами, но это не значит, что 747 не состоит из атомов. Физики используют разные модели для расчёта самолётов и столкновений частиц просто потому, что вычислять самолёт по атому было бы слишком дорого.

Доказать, что 747 состоит из атомов, можно с помощью экспериментальных данных, с которыми аэродинамические модели справиться не в состоянии: например, направив сканирующий туннельный микроскоп на участок крыла и посмотрев на атомы. Аналогично, более тонким измерительным прибором можно отличить 747, который действительно нарушает закон сохранения импульса, как предсказывает дешёвое приближение, от 747, который его соблюдает, как предсказывает фундаментальная физика. Побеждает та теория, которая лучше всего предсказывает совокупность всех экспериментальных данных. Наше байесовское правило подсчёта позволяет объединять результаты всех наших экспериментов, даже тех, что используют разные методы.

Более того, атомная теория допускает, охватывает и в каком-то смысле предписывает аэродинамическую модель. Абстрактно рассуждая о предпосылках атомной теории, мы понимаем, что аэродинамическая модель должна быть хорошим (и намного более дешёвым) приближением к атомной теории, — и потому атомная теория поддерживает аэродинамическую модель, а не конкурирует с ней. Успешная теория может охватывать множество моделей для разных областей, при условии что модели признаются приближениями и в каждом случае совместимы с (а в идеале — предписаны) базовой теорией.

Наша фундаментальная физика — квантовая механика, стандартный набор частиц и теория относительности — это теория, охватывающая огромное семейство моделей макроскопических физических явлений. Есть физика жидкостей, твёрдых тел, газов; но это не значит, что в мире существуют фундаментальные сущности с внутренним свойством «текучести».

Есть, по-видимому, цвет, по-видимому, сладость, по-видимому, горечь; в действительности же есть лишь атомы и пустота.

— Демокрит, ок. 420 г. до н. э., по Робинсону и Гровсу¹⁰

Утверждая, что «техническую» теорию следует определять как теорию, резко концентрирующую вероятность в конкретных заранее сделанных прогнозах, я устанавливаю чрезвычайно высокую планку строгости. Мы видели, что расплывчатая теория может быть лучше, чем ничего. Расплывчатая теория может победить гипотезу невежества, если у неё нет точных конкурентов.

Существует огромное семейство моделей, принадлежащих к центральной, базовой теории жизни и биологии, которую иногда называют неодарвинизмом, естественным отбором или эволюцией. Некоторые модели в рамках эволюционной теории носят количественный характер. Способ, которым ДНК кодирует белки, избыточен: две разные последовательности ДНК могут кодировать один и тот же белок. Существует четыре основания ДНК {A, T, C, G} и 64 возможных сочетания трёх оснований. Но эти 64 возможных кодона описывают лишь 20 аминокислот плюс стоп-код. Значит, генетический дрейф должен вызывать нефункциональные изменения геномов видов через мутации, случайно закрепляющиеся в генофонде.

Скорость накопления нефункциональных различий между геномами двух видов с общим предком зависит от таких параметров, как число прошедших поколений и интенсивность отбора в данном генетическом локусе. Это пример модели из семейства эволюционных теорий, дающей количественные прогнозы. Есть и другие: неравновесные частоты аллелей под давлением отбора, устойчивые равновесия в теоретико-игровых стратегиях, соотношения полов и так далее.

Всё это подпадает под рубрику «завораживающие слова». К сожалению, есть религиозные фракции, распространяющие грубую дезинформацию об эволюционной теории. Поэтому подчёркиваю: множество моделей в рамках эволюционной теории делают количественные прогнозы, подтверждённые экспериментально, и таких моделей более чем достаточно, чтобы показать, например, что люди и шимпанзе связаны общим предком. Если вы стали жертвой креационистской дезинформации — то есть слышали хоть какие-то намёки на то, что эволюционная теория спорна, непроверяема, «это просто теория», нестрога, нетехнична или как-либо иначе не подтверждена невообразимо огромным массивом экспериментальных данных, — рекомендую почитать раздел FAQ на TalkOrigins¹¹ и изучить эволюционную биологию с математической стороны.

Но представьте, что вы вернулись в девятнадцатый век, когда теорию естественного отбора только что открыли Чарльз Дарвин и Альфред Рассел Уоллес. Представьте эволюционизм сразу после его зарождения, когда у теории не было ничего даже отдалённо похожего на современный корпус количественных моделей и горы экспериментальных доказательств. Тогда было невозможно знать наверняка, что у людей и шимпанзе обнаружится 95% общего генетического материала. Никто не знал о существовании ДНК. И тем не менее учёные устремились к новой теории естественного отбора. А позже выяснилось, что действительно существует точно копируемый генетический материал, способный мутировать, что люди и шимпанзе доказуемо родственны и так далее.

Так что очень строгий, очень высокий стандарт, который я предложил для «технической» теории, оказывается слишком строгим. Исторически удавалось успешно отличать истинные теории от ложных на основе прогнозов того рода, который я назвал «расплывчатым». Расплывчатые прогнозы с уверенностью, скажем, 80% могут при достаточном числе экспериментов накопить огромный перевес над альтернативными гипотезами. Возможно, теорию такого рода, дающую прогнозы не идеально детализированные, но всё же верные, стоило бы называть «полутехнической»?

Но разве технические теории не надёжнее полутехнических? Разве им не должно отдаваться предпочтение, разве они не заслуживают большего уважения? Разве физика с её чрезвычайно точными предсказаниями в каком-то смысле не подтверждена лучше, чем эволюционная теория? Это, конечно, не значит, что эволюционная теория ошибочна; но какими бы огромными ни были горы доказательств в пользу эволюции, разве физика не превосходит их горами точных экспериментальных подтверждений? Наблюдения нейтронных звёзд подтверждают предсказания общей теории относительности с точностью до одной стотриллионной доли (10¹⁴). Чем эволюционная теория может этому противопоставить?

Дэниел Деннетт однажды сказал, что если судить по простоте теории и объёму объяснённой ею сложности, идея Дарвина — величайшая идея за всю историю времён.¹²

Когда-то существовал конфликт между физикой девятнадцатого века и эволюционизмом девятнадцатого века. Согласно лучшим физическим моделям того времени, Солнце не могло гореть очень долго: три тысячи лет на химической энергии, или 40 миллионов лет на гравитационной. Никакого источника энергии, позволяющего гореть дольше, физика девятнадцатого века не знала. Физика девятнадцатого века была не так мощна, как современная — её предсказания не были точны до одной части из 10¹⁴. Но она уже обладала математическим характером современной физики — дисциплины, чьи модели давали детальные, точные, количественные прогнозы. Эволюционная теория девятнадцатого века была целиком полутехнической, без единой крупицы количественного моделирования. Тогда даже опыты Менделя с горохом не были известны. И всё же казалось вероятным, что для работы эволюции потребуется куда больше, чем жалкие 40 миллионов лет — сотни миллионов, даже миллиарды лет. Древность Земли была расплывчатым, полутехническим прогнозом расплывчатой, полутехнической теории. А у физиков девятнадцатого века была точная и количественная модель, формальным расчётом выдававшая точный и количественный вердикт: Солнце просто не могло гореть так долго.

«Ограничения на геологические периоды, налагаемые физической наукой, разумеется, не могут опровергнуть саму гипотезу трансмутации видов; но, по-видимому, достаточны, чтобы опровергнуть доктрину о том, что трансмутация произошла путём «происхождения с модификациями посредством естественного отбора»».

— лорд Кельвин, по Лайлу Запато¹³

История записывает победителей.

Мораль? Если вы можете давать заранее 80%-но уверенные прогнозы на вопросы с ответом «да/нет», это может быть «расплывчатая» теория — она может ошибаться раз из пяти, — но вы всё равно можете накопить огромный перевес в баллах над гипотезой невежества. Этого достаточно, чтобы подтвердить теорию, если нет более сильных конкурентов. Реальность непротиворечива: каждая правильная теория о вселенной совместима с любой другой правильной теорией. Несовершенные карты могут конфликтовать друг с другом, но территория одна. Эволюционизм девятнадцатого века, возможно, был полутехнической дисциплиной, но всё же оставался верным (как мы теперь знаем) и, безусловно, был лучшим доступным объяснением (даже по меркам того времени). Любой конфликт между эволюционизмом и другой хорошо подтверждённой теорией должен был отражать какую-то аномалию — ошибку в утверждении, что эти две теории несовместимы. Физика девятнадцатого века не могла моделировать динамику Солнца — тогда ещё не знали о ядерных реакциях. Физики не могли показать, что их понимание Солнца верно в технических деталях, и не могли, отталкиваясь от подтверждённой модели Солнца, вычислить, сколько оно уже просуществовало. Поэтому задним числом мы можем сказать что-то вроде: «Существовала вероятность того, что физика девятнадцатого века просто не понимала Солнце».

Но это взгляд назад. Настоящий урок в том, что, хотя физика девятнадцатого века была одновременно точной и количественной, она не доминировала автоматически над полутехническим эволюционизмом девятнадцатого века. Обе теории были хорошо обоснованы. Обе были верны в тех областях, на которые распространялись. Видимый конфликт между ними был аномалией, и она, как оказалось, была следствием неполноты и неправильного применения физики девятнадцатого века, а не неполноты и неправильного применения эволюционизма. Но сравнивать гору доказательств в пользу одной теории с горой доказательств в пользу другой было бы бессмысленно. Даже в те времена обе горы были слишком велики, чтобы предполагать, будто одна из теорий просто ошибочна. Горы доказательств такого масштаба не могут просто конкурировать между собой, как будто одна опровергает другую. Значит, вы либо неправильно применяете одну из теорий, либо применяете модель за пределами области, где она хорошо предсказывает.

Так что не стоит непременно насмехаться над теорией только потому, что она полутехническая. Полутехнические теории способны набрать достаточно высокий балл по сравнению со всеми доступными альтернативами, чтобы можно было заключить: теория хотя бы приблизительно верна. Когда-нибудь полутехническую теорию может заменить или даже опровергнуть более точный конкурент, но это верно и для технических теорий. Вспомните, как общая теория относительности Эйнштейна поглотила ньютоновскую теорию гравитации.

Однако правильность полутехнической теории — то есть теории, у которой сейчас нет точных, вычислительно подъёмных моделей, проверяемых осуществимыми экспериментами, — может быть куда менее однозначной, чем правильность технической теории. Отличить хорошие полутехнические теории от простой путаницы требует мастерства, терпения и тщательной проверки. Люди инстинктивно делать это хорошо не умеют — именно поэтому у нас есть Наука.

Люди охотно спешат с выводами и хватаются за любой повод отвергнуть нелюбимую теорию. Именно поэтому я привёл пример эволюционизма девятнадцатого века — чтобы показать, почему не стоит слишком поспешно отбрасывать «нетехническую» теорию с порога. По моральным меркам науки эволюционизм девятнадцатого века был повинен не в одном грехе. Он не делал количественных прогнозов. Он был плохо опровержим. По большей части он объяснял то, что уже было видно. У него не было базового механизма, поскольку никто тогда не знал о ДНК. Он даже противоречил законам физики девятнадцатого века. И тем не менее естественный отбор оказался настолько удивительно хорошим постфактумным объяснением, что люди к нему стекались — и оказались правы. Наука как человеческое предприятие требует предварительного прогноза. Теория вероятностей как математика не различает постфактумный и предварительный прогноз, поскольку исходит из того, что распределения вероятностей — фиксированные свойства гипотезы.

Правило о предварительном прогнозе — это правило социального процесса науки, моральный обычай, а не теорема. Этот обычай существует, чтобы уберечь людей от человеческих ошибок, которые трудно даже описать на языке теории вероятностей, — например, от подгонки задним числом того, что якобы предсказывает ваша гипотеза. Люди пришли к выводу, что эволюционизм девятнадцатого века был прекрасным объяснением, даже будучи постфактумным. Это рассуждение было верным с точки зрения теории вероятностей, и именно поэтому сработало вопреки всем научным грехам. Теория вероятностей — это математика. Социальный процесс науки — это набор правовых конвенций, удерживающих людей от жульничества с математикой.

И всё же верно и то, что по сравнению с современным теоретиком эволюции теоретики конца девятнадцатого — начала двадцатого века нередко печально сбивались с пути. Дарвин, у которого хватило ума изобрести эту теорию, оказался прав в поразительном объёме. А вот его последователи, которым хватило ума лишь принять теорию, часто и серьёзно неправильно понимали эволюцию. Понадобился обычный научный процесс, чтобы исправить их ошибки. Поразительно мало ошибок в рассуждениях допустил Дарвин¹⁴ в «Происхождении видов» и «Происхождении человека» — по сравнению с теми, кто пришёл после него.

Это тоже опасность полутехнической теории. Даже после того, как вспышка гениального прозрения подтверждается, обычные, среднестатистические учёные могут неправильно применять эти идеи из-за отсутствия формальных моделей. Ещё в 1960-х биологи говорили об эволюции, работающей «на благо вида», или предполагали, что особи будут ограничивать своё размножение, чтобы предотвратить перенаселение вида в его среде обитания. Лучшие теоретики эволюции знали, что это не так, а средние — нет.¹⁵

Поэтому гораздо лучше иметь техническую теорию, чем полутехническую. К сожалению, Природа не всегда так добра, чтобы позволить описать Себя аккуратными, формальными, вычислительно подъёмными моделями, и не всегда снабжает своих учеников измерительными приборами, способными напрямую исследовать Её явления. Иногда это просто вопрос времени. Эволюционизм девятнадцатого века был полутехническим, но позже пришла математика популяционной генетики, а затем и секвенирование ДНК. Природа не всегда подарит вам явление, которое можно описать техническими моделями через пятнадцать секунд после того, как вас осенило базовой идеей.

Однако на переднем крае науки споры чаще всего идут вокруг полутехнической теории — либо чепухи, выдающей себя за полутехническую теорию. К тому моменту, когда теория достигает технического статуса, она обычно уже не вызывает споров (среди учёных). Так что вопрос о том, как отличить хорошую полутехническую теорию от вздора, для учёных очень важен — и он вовсе не так прост, как «отбрасывать с порога всё, что не технично». Для различения истины и лжи существует целая дисциплина рациональности. Это искусство не сводится к контрольному списку — или, по крайней мере, к такому списку, который средний учёный может надёжно применять после часа обучения. Будь всё так просто, наука была бы не нужна.

Зачем вообще следить за научными спорами? Зачем питаться скудным и подгнившим кормом, который предлагают СМИ, если в учебниках так много основательной еды? Учебниковая наука прекрасна! Учебниковая наука понятна — в отличие от просто завораживающих слов, которые никогда не смогут быть по-настоящему красивы. У завораживающих слов нет ни силы, ни смысла без математики. Они не знание, а иллюзия знания, поэтому знание, что «гравитация возникает из-за кривизны пространства-времени», приносит так мало удовлетворения. Наука — не в завораживающих словах, хотя это всё, что вы когда-либо прочтёте под видом срочных новостей.

Следить за научной полемикой можно вполне оправданно. Вы можете быть экспертом в данной области — тогда научный спор станет для вас настоящей пищей. Или же научная полемика может быть чем-то, что вам нужно знать прямо сейчас, потому что она влияет на вашу жизнь. Быть может, на дворе девятнадцатый век, и вы с вожделением смотрите на представителя подходящего пола в купальном костюме девятнадцатого века, и вам нужно понять, происходит ли ваше сексуальное желание из психологии, сформированной естественным отбором, или это искушение, наложенное на вас Дьяволом, чтобы завлечь вас в адское пламя.

Не исключено, что нам самим доведётся столкнуться с научным спором, который затронет нас лично, и обнаружить острую, неотложную потребность в правильном ответе. Поэтому я разберу некоторые предупреждающие признаки, исторически отличавшие расплывчатые гипотезы, впоследствии оказавшиеся ненаучной чепухой, от расплывчатых гипотез, впоследствии превратившихся в подтверждённые теории. Просто помните исторический урок эволюционизма девятнадцатого века и не поддавайтесь искушению браковать любую теорию, которая не проходит хотя бы по одному пункту вашего чек-листа. Я вовсе не хочу дать людям ещё один повод отмахиваться от хорошей науки, которая их смущает. Если вы применяете более строгие критерии к теориям, которые вам не нравятся, чем к тем, что нравятся (или наоборот!), то каждая новая придирка, которую вы научитесь находить, каждая новая логическая ошибка, которую вы научитесь замечать, делает вас ещё глупее. Чтобы интеллект приносил пользу, его нужно использовать не для того, чтобы побеждать самого себя.

Один из классических признаков плохой гипотезы — необходимость прилагать немалые усилия, чтобы избежать опровержения: изобретать причины, по которым гипотеза совместима с явлением, даже если оно повело себя не так, как ожидалось. Карл Саган приводит пример человека, утверждающего, что в его гараже живёт дракон. Изначально Саган делал из этого вывод, что плохим гипотезам требуется быстрая работа ног, чтобы избежать опровержения — чтобы сохранить видимость «соответствия».¹⁶

Я бы отметил, что у заявителя, очевидно, где-то в голове уже есть неплохая модель ситуации — раз он способен заранее предсказать, какие именно отговорки ему понадобятся. Для байесовца гипотеза — это не то, что провозглашают громким и выразительным голосом. Гипотеза — это то, что управляет вашими ожиданиями, вероятностями, которые вы приписываете будущему опыту. Вот что такое вероятность для байесовца — вот что вы оцениваете баллом, вот что вы калибруете. Поэтому, хотя наш заявитель может громко, решительно и вполне искренне утверждать, что верит в невидимого дракона в гараже, на самом деле он не ожидает невидимого дракона в гараже — он ожидает ровно того же опыта, что и скептик.

Оценивая прогнозы гипотезы, я спрашиваю не «в какие факты я бы поверил», а «какой опыт я бы предвидел».

Обратная сторона медали:

Недавно я спорил с одним своим другом о вопросе эволюционной теории. Мой друг утверждал, что кластеризация изменений в палеонтологической летописи (судя по всему, есть периоды относительного застоя, сменяющиеся относительно резкими изменениями — само по себе спорное наблюдение, известное как «прерывистое равновесие») показывает, что с нашим пониманием видообразования что-то не так. Он полагал, что здесь действует какая-то неизвестная сила — не сверхъестественная, но некое естественное соображение, которое стандартная эволюционная теория не учитывает. Поскольку конкретной конкурирующей гипотезы, дающей лучшие прогнозы, друг не предложил, его тезис фактически сводился к тому, что стандартная эволюционная модель глупа по отношению к данным — то есть сделала конкретный неверный прогноз, показала худший результат, чем полное невежество или какой-то другой конкурент по умолчанию.

Сначала я угодил в ловушку: принял неявное допущение, что стандартная модель предсказывает гладкость, и построил аргументацию на воспоминании о том, что изменения в палеонтологической летописи были не такими резкими, как он утверждал. Он предложил мне назвать эволюционное промежуточное звено между Homo erectus и Homo sapiens; я погуглил и нашёл Homo heidelbergensis. Он поздравил меня, признал, что я набрал важное очко, — но продолжал настаивать, что изменения были слишком резкими и недостаточно устойчивыми. Я начал объяснять, почему, на мой взгляд, стандартная модель вполне может давать неравномерные изменения: давление отбора со стороны среды может быть непостоянным… «Ага! — сказал друг. — Вот ты уже заранее оправдываешься».

Но предположим, что вместо этого палеонтологическая летопись показала бы плавный, постепенный набор изменений. Мог бы мой друг тогда утверждать, что стандартная модель эволюции как хаотичного, шумного процесса не способна объяснить такую гладкость? Если научный грех — заявлять постфактум, что наша любимая гипотеза предсказывает данные, разве не такой же грех — заявлять постфактум, что конкурирующая гипотеза глупа по отношению к данным?

Если у гипотезы есть чисто техническая модель, проблем нет: мы можем вычислить прогноз модели формально, без неформальных переменных, дающих лазейку для постфактумного вмешательства. А как быть с полутехническими теориями? Очевидно, полутехническая теория должна давать какие-то хорошие предварительные прогнозы о чём-то — иначе зачем она вообще нужна? Но после того как теория частично подтвердилась, могут ли её недоброжелатели утверждать, что данные показывают проблему с ней, если эта «проблема» сконструирована постфактум? По крайней мере, недоброжелатели должны очень конкретно указать, какие именно данные подтверждённая модель глупо предсказывает и почему подтверждённая модель обязана была (постфактум) дать этот глупый прогноз. Насколько резким количественно должно быть изменение, чтобы стандартная модель эволюции его уже не допускала? Какую именно устойчивость, по-вашему, предсказывает стандартная модель эволюции? Откуда вы это знаете? Не поздно ли говорить это уже после того, как вы увидели данные?

Когда друг обвинил меня в поиске оправданий, я сделал паузу и спросил себя: какие оправдания, как мне казалось, могут понадобиться? Я решил, что моё нынешнее понимание эволюционной теории ничего не говорит о том, должна ли скорость эволюционных изменений быть прерывистой и неровной или плавной и постепенной. Не увидь я график заранее, я не смог бы его предсказать. (К сожалению, даже этот вердикт я вынес уже после того, как увидел данные…) Возможно, в эволюционном семействе моделей и есть такие, что заранее предсказывают устойчивость или изменчивость, но если так, мне о них ничего не известно. Более того, мой друг тоже о них не знал.

Не всегда разумно спрашивать противников теории, что предсказывают конкурирующие теории. Узнавайте прогнозы теории у её лучших сторонников. Только не забудьте зафиксировать их прогнозы заранее. Да, иногда сторонники теории пытаются подогнать под неё доказательства, которые явно не подходят. Но если вам интересно, что предсказывает теория, спрашивайте сперва её сторонников, а уже потом просите критиков устроить перекрёстный допрос.

И ещё: модели могут включать шум. Если мы предполагаем, что данные медленно и стабильно растут, но наш измерительный прибор даёт погрешность в 5%, то нет никакого смысла тыкать в точку данных, опустившуюся ниже предыдущей, и торжествующе кричать: «Смотрите! Оно упало! Вниз, вниз, вниз! И не говорите мне, почему ваша теория это объясняет — вы просто выдумываете оправдания!» Формальные, технические модели часто включают явный член ошибки. Ошибка размазывает плотность правдоподобия, снижает точность модели и уменьшает балл теории, но байесовское правило подсчёта всё равно действует. Техническая модель может допускать промахи, совершать ошибки — и всё равно опережать невежество. В нашем примере с супермаркетом даже точная гипотеза «51» ставит лишь 90% вероятностной массы на исход 51; точная гипотеза утверждает лишь, что 51 случается в девяти случаях из десяти. Игнорировать девять раз, когда выпало 51, ткнуть пальцем в один случай, где выпало 82, и торжествующе возликовать — это не опровержение. Это не оправдание — это явный заранее сделанный прогноз технической модели.

Член ошибки делает «точную» теорию уязвимой перед сверхточной альтернативой, которая предсказала бы именно 82. Стандартная модель также была бы уязвима перед точно-невежественной моделью, которая в раунде, где мы увидели 82, предсказала бы 60%-ную вероятность 51, распределив правдоподобие более энтропийно на этой конкретной ошибке. Какой бы хорошей ни была теория, в науке всегда найдётся место для конкурента с более высоким баллом. Но если вы не предлагаете лучшую альтернативу, а лишь пытаетесь показать, что принятая теория глупа по отношению к данным, — эта научная задача может оказаться сложнее, чем простая замена старой теории новой.

Астрономы зафиксировали необъяснённое смещение перигелия Меркурия, не учтённое ньютоновской физикой — точнее, ньютоновская физика предсказывала 5557 угловых секунд за столетие, тогда как наблюдалось 5600.¹⁷ Но должны ли были учёные того времени отказаться от ньютоновской гравитации на основании столь малого, необъяснимого контрдоказательства? Чем бы они его заменили? В конце концов теория тяготения Ньютона была отставлена — после того как общая теория относительности Эйнштейна точно объяснила орбитальное расхождение Меркурия и к тому же успешно сделала предварительные прогнозы. Но заранее знать, что дело обернётся именно так, было невозможно.

В девятнадцатом веке в орбите Урана наблюдалась устойчивая аномалия. Люди говорили: «Возможно, закон Ньютона начинает давать сбои на больших расстояниях». В конце концов несколько сообразительных людей взглянули на аномалию и сказали: «А может, это неизвестная внешняя планета?» Урбен Леверье и Джон Куч Адамс независимо друг от друга произвели вычисления, опираясь на стандартную теорию Ньютона, — и предсказали местоположение Нептуна с точностью до одного градуса дуги, тем самым эффектно подтвердив ньютоновскую гравитацию.¹⁸

Только после того, как общая теория относительности точно воспроизвела смещение перигелия Меркурия, стало ясно, что ньютоновская гравитация никогда не смогла бы этого объяснить.

В «Интуитивном объяснении» мы увидели, как понимание Карла Поппера о том, что опровержение сильнее подтверждения, переводится на байесовский язык как истина об отношениях правдоподобий. Поппер ошибался, полагая, что опровержение качественно отличается от подтверждения: оба явления подчиняются одним и тем же байесовским правилам. Но философия Поппера отражала важную истину о количественном различии между опровержением и подтверждением.

Поппера глубоко впечатляла разница между якобы «научными» теориями Фрейда и Адлера и революцией, которую произвела теория относительности Эйнштейна в физике в первые два десятилетия этого столетия. Главное различие между ними, по мнению Поппера, состояло в том, что теория Эйнштейна была весьма «рискованной» — из неё можно было вывести следствия, которые в свете господствовавшей тогда ньютоновской физики были крайне маловероятны (например, отклонение света твёрдыми телами — подтверждённое экспериментами Эддингтона в 1919 году), и которые, окажись они ложными, опровергли бы всю теорию целиком; тогда как психоаналитические теории не могло опровергнуть, в принципе, ничто. Поппер пришёл к выводу, что последние имеют больше общего с примитивными мифами, чем с подлинной наукой. Иначе говоря, он увидел, что то, что казалось главным источником силы психоанализа и главным основанием его претензий на научный статус — способность объяснить абсолютно любую форму человеческого поведения — на самом деле является критической слабостью, поскольку подразумевает, что психоанализ не является и не может быть по-настоящему предсказательным. Психоаналитические теории по своей природе недостаточно точны, чтобы иметь негативные следствия, а потому защищены от опровержения опытом…

Так Поппер отвергает индукцию, отвергает представление о ней как о характерном методе научного исследования и вывода — и заменяет его фальсифицируемостью. Легко, утверждает он, найти подтверждение практически любой теории, и потому такое «подтверждение», как он это называет, должно иметь научную ценность только тогда, когда является положительным результатом действительно «рискованного» прогноза, который вполне мог оказаться ложным. По Попперу теория научна лишь в том случае, если её может опровергнуть какое-то мыслимое событие. Значит, любая подлинная проверка научной теории логически представляет собой попытку её опровергнуть или фальсифицировать…

Таким образом, всякая подлинно научная теория, по Попперу, запретительна — то есть косвенно запрещает определённые события или явления.¹⁹

Согласно философии Поппера, сила научной теории — не в том, сколько она объясняет, а в том, сколько она не объясняет. Достоинство научной теории — не в исходах, которые она допускает, а в исходах, которые она запрещает. Теории Фрейда, казалось, объясняли всё — и не запрещали ничего.

Переводя это на байесовский язык, мы обнаруживаем: чем больше исходов запрещает модель, тем больше плотности вероятности она концентрирует в оставшихся, разрешённых исходах. Чем больше исходов запрещает теория, тем богаче её знание-содержание. Чем смелее теория подставляет себя под опровержение, тем точнее она подсказывает, какой опыт следует ожидать.

Теория, способная объяснить любой опыт, соответствует гипотезе полного невежества — равномерному распределению, где плотность вероятности размазана поровну по всем возможным исходам.

Флогистон был ответом восемнадцатого века на элементарный огонь греческих алхимиков. Теорию флогистона нельзя было использовать для предсказания результата химического превращения — сначала смотрели на результат, а уже потом объясняли его флогистоном. Теория флогистона была бесконечно гибкой — переодетая гипотеза нулевого знания. Точно так же теория витализма не объясняет, как движется рука, и не говорит, каких превращений ждать от органической химии; и уж точно виталистическая теория не допускает никаких количественных расчётов.

Обратная сторона медали:

Остерегайтесь мышления по чек-листу: наличие священной тайны или загадочного ответа — это не то же самое, что отказ что-либо объяснять. Некоторые элементы нашей физики считаются «фундаментальными», ещё не сведёнными к чему-то более простому и не объяснёнными дальше. Но эти фундаментальные элементы физики подчиняются чётко определённым, математически простым, формально вычислимым причинным правилам.

Порой какой-нибудь чудак возражает против современной физики на том основании, что она не даёт «базового механизма» для математического закона, который в настоящий момент считается фундаментальным. (Утверждение, что математическому закону не хватает «базового механизма» — один из пунктов в «Индексе чудачества» Джона Баэза.²⁰) Тот «базовый механизм», который чудак предлагает взамен, всегда расплывчат, словесен и не даёт прироста предсказательной силы — иначе мы бы вообще не сочли автора чудаком.

Наша современная физика делает электромагнитное поле фундаментальным и отказывается объяснять его дальше. Но «электромагнитное поле» — это фундаментальная сущность, управляемая чёткими математическими правилами, без свойств за пределами этих правил, поддающаяся формальному вычислению для описания её причинного воздействия на мир. Когда-нибудь кто-нибудь предложит усовершенствованную математику, дающую лучшие прогнозы, но я бы не стал упрекать нынешнюю модель в загадочности. Теория с фундаментальными элементами — это не то же самое, что теория с загадочными элементами.

Фундаментальные вещи должны быть простыми. «Жизнь» — не очень хороший кандидат в фундаментальные сущности, «кислород» — уже неплохой, а «электромагнитное поле» — ещё лучше. Виталисту жизнь может казаться простой — простой, волшебной способностью ваших мышц двигаться по мысленной команде. Почему бы жизни не объясняться простой, магической фундаментальной субстанцией вроде élan vital? Но явления, кажущиеся психологически очень простыми — крохотные точки света в небе, оранжево-яркое горячее пламя, плоть, движущаяся по мысленному приказу, — часто скрывают за собой огромные глубины лежащей в основе сложности. Утверждение, что жизнь — сложное явление, может показаться виталисту невероятным, пока он таращится на тупо-непрозрачную тайну без единой видимой зацепки; но да, Вирджиния, скрытая сложность существует. Критерий простоты, релевантный для бритвы Оккама, — это простота математическая, или вычислительная. Стоит только свести нашу модель к математически простым фундаментальным элементам, которые сами по себе не разделяют загадочных качеств тайны, но взаимодействуют чётко определёнными способами, порождая некогда загадочное явление в виде детального прогноза, — и это становится настолько не-загадочным, насколько человечество вообще когда-либо умело что-то делать не-загадочным.

Многие люди в этом мире верят, что после смерти им предстоит встретить сурового человека по имени Святой Пётр, который проанализирует их поступки при жизни и выставит баллы за нравственность. Предположительно, правило подсчёта Св. Петра уникально и неизменно при незначительных сдвигах точки зрения. К сожалению, верующим никак не удаётся получить количественную, точно вычислимую спецификацию этого правила подсчёта — что выглядит довольно несправедливым.

Религия байесианства утверждает, что ваша вечная участь зависит от вероятностных суждений, которые вы выносили при жизни. В отличие от менее совершенных верований, байесианство способно дать количественную, точно вычислимую спецификацию того, как определяется ваша вечная участь.

Наше правильное байесовское правило подсчёта позволяет накапливать баллы по итогам экспериментов, и итоговый балл инвариантен относительно того, как именно мы дробим «эксперименты» или в каком порядке накапливаем результаты. Мы складываем логарифмы вероятностей. Это соответствует перемножению вероятностей, присвоенных исходу в каждом эксперименте, чтобы получить совместную вероятность всех экспериментов вместе. Логарифм мы берём для того, чтобы упростить интуитивное понимание накопленного балла, не потерять контроль над крошечными дробями и гарантировать, что мы максимизируем ожидаемый балл, называя свои честные вероятности, а не ставя все игровые деньги на самый вероятный исход.

Байесианство гласит: когда вы умираете, Пьер-Симон Лаплас разбирает каждое отдельное событие вашей жизни — от того, как утром вы находите обувь рядом с кроватью, до того, как находите своё рабочее место на привычном месте. Каждый проигранный лотерейный билет означает, что вам было не всё равно настолько, чтобы сыграть. Лаплас оценивает предварительную вероятность, которую вы присвоили каждому событию. Там, где вы заранее не назначили точной численной вероятности, Лаплас исследует степень вашего ожидания или удивления, экстраполирует другие возможные исходы и ваши экстраполированные реакции, а затем перенормирует ваши экстраполированные эмоции в распределение правдоподобия по возможным исходам. (Отсюда и выражение «лапласовский сверхинтеллект».)

Затем Лаплас берёт каждое событие вашей жизни и каждую вероятность, присвоенную вами этому событию, и перемножает все вероятности вместе. Это ваш Страшный Суд — вероятность, которую вы присвоили собственной жизни.

Те, кто следует байесианству, всю жизнь стремятся максимизировать свой Страшный Суд. В этом единственная добродетель байесианства. Всё остальное — просто математика.

Заметьте: путь байесианства строг. Какую вероятность вы будете присваивать каждое утро предложению «Солнце взойдёт»? (Оставим в стороне такие придирки, как облачные дни и то, что это Земля вращается вокруг Солнца.) Возможно, тот, кто не следует байесианству, был бы скромен и дал бы вероятность 99,9%. Но мы, следующие путём байесианства, отбросим все соображения скромности и самонадеянности и будем стремиться только к максимизации своего Страшного Суда. Как одержимый игрок в видеоигры, мы заботимся только об этом числовом счёте. Нам предстоит сталкиваться с вопросом восхода солнца 365 раз в год, так что, возможно, удастся заметно улучшить свой Страшный Суд, скорректировав распределение вероятностей.

Как сейчас обстоят дела: даже если Солнце восходит каждое утро, каждый год наш Страшный Суд будет уменьшаться в 0,999³⁶⁵ = 0,7 раза — примерно на −0,52 бита. Каждые два года наш Страшный Суд будет уменьшаться сильнее, чем если бы мы вовсе не знали результата подбрасывания монеты! Невыносимо. Если поднять ежедневную вероятность восхода до 99,99%, ежегодное уменьшение составит уже только множитель 0,964. Лучше. И всё же, если случится маловероятное — мы проживём ровно 70 лет и затем умрём, — наш Страшный Суд составит лишь 7,75% от возможного максимума. А если присвоить восходу вероятность 99,999%? Тогда через 70 лет наш Страшный Суд будет умножен на 77,4%.

Почему бы просто не присвоить вероятность 1,0?

Тот, кто следует байесианству, никогда не присвоит чему-либо вероятность 1,0. Присвоение вероятности 1,0 какому-то исходу расходует всю вашу вероятностную массу. Если вы присвоили исходу вероятность 1,0, а реальность выдала другой ответ, значит, фактическому исходу вы присвоили вероятность ровно ноль. Это единственный смертный грех байесианства. Ноль, умноженный на что угодно, даёт ноль. Когда Лаплас перемножит все вероятности вашей жизни, совокупная вероятность окажется нулевой. Ваш Страшный Суд будет пшиком, нулём, пустым местом. Сколь угодно рациональные догадки в остальной жизни не спасут — вы проведёте вечность рядом с каким-нибудь парнем, который верил в летающие тарелки и черпал все свои сведения из Weekly World News. И снова полезно взять логарифм, обнажающий невинно звучащий «ноль» в его истинном облике. Рисковать нулевой вероятностью исхода — всё равно что принять ставку с выигрышем, равным минус бесконечности.

А что, если человечество решит разобрать Солнце на массу (звёздная инженерия) или выключить его, потому что оно попусту расточает энтропию? Что ж, скажете вы, вы увидите это заранее, у вас будет шанс скорректировать вероятностное назначение до самого события. А если искусственный интеллект в чьём-то подвале рекурсивно самоулучшится до сверхразума, тайно разработает нанотехнологии и однажды утром разберёт Солнце? Если в последнюю ночь мира вы присвоите завтрашнему восходу вероятность 99,999%, ваш Страшный Суд упадёт в 100 000 раз. Минус 50 децибел! Ужасно, не правда ли?

Так какая же стратегия для вас наилучшая? Ну, допустим, вы на 50% ожидаете, что подвальный ИИ-сверхразум разберёт Солнце где-то в течение ближайших десяти лет, и полагаете, что вероятность того, что это случится в тот или иной конкретный день до этого момента, примерно одинакова. В любую отдельно взятую ночь вы будете ожидать восхода Солнца завтра с вероятностью 99,98%. Если это действительно то, чего вы ожидаете, у вас нет мотива называть какое-либо другое число, кроме 99,98%. Если вам тревожно, что это ожидание слишком низкое или слишком высокое, значит, с учётом этой тревоги вы ожидаете чего-то другого.

Но более глубокая истина байесианства такова: систему нельзя обмануть. Нельзя дать ни скромный ответ, ни самоуверенный. Нужно в точности выяснить, насколько сильно вы ожидаете восхода Солнца завтра, и назвать именно это число. Нужно сбрить все волоски скромности и самонадеянности и спросить себя: ожидаете ли вы, что вас засчитают за правильный ответ насчёт восхода Солнца, или нет. Смотрите не на оправдания, а спрашивайте, какие оправдания, по-вашему, могут понадобиться. Как только вы дошли до точной степени ожидания, единственный способ дальше улучшить свой Страшный Суд — повысить точность, калибровку и различение своего ожидания. Добиться большего можно только за счёт лучших догадок и более точных предвидений.

Ну, разве что можно покончить с собой, когда вам исполнится пять лет, тем самым остановив дальнейшее падение своего Страшного Суда. Или, если добавить в функцию полезности новый грех, запрещающий самоубийство, можно бежать от тайны — избегать всех ситуаций, где, как вам кажется, вы можете чего-то не знать. Вот вам и вся эта религия.

В идеале мы заранее предсказываем результат эксперимента с помощью нашей модели, а затем проводим эксперимент, чтобы проверить, соответствует ли результат модели. К сожалению, поток информации не всегда в нашей власти. Иногда Природа обрушивает на нас опыт, и к тому моменту, как мы придумываем объяснение, мы уже увидели данные, которые должны объяснить. Это был один из научных грехов эволюционизма девятнадцатого века: Дарвин наблюдал сходство многих видов и их приспособленность к конкретным местным условиям задолго до того, как ему пришла в голову гипотеза естественного отбора. Эволюционизм девятнадцатого века родился как постфактумное объяснение, а не как предварительный прогноз.

И это беда не только полутехнических теорий. В 1846 году успешный вывод о существовании Нептуна из гравитационных возмущений на орбите Урана был воспринят как грандиозный триумф ньютоновской теории гравитации. Почему? Потому что существование Нептуна стало первым наблюдением, подтвердившим заранее сделанный прогноз ньютоновской гравитации. Все прочие явления, которые объяснял Ньютон — орбиты, орбитальные возмущения, приливы, — уже были очень подробно изучены ещё до того, как Ньютон их объяснил. Никто всерьёз не сомневался в правильности его теории. Теория Ньютона объясняла слишком много и слишком точно и заменила россыпь специальных моделей единым унифицированным математическим законом. Тем не менее заранее сделанный прогноз о существовании Нептуна, за которым последовало наблюдение планеты почти в точно предсказанном месте, был признан первым великим триумфом теории Ньютона в предсказании того, чего не могла предсказать ни одна прежняя модель. Между широким признанием теории Ньютона и первым впечатляющим предварительным прогнозом ньютоновской гравитации прошло изрядное время. К моменту, когда Ньютон сформулировал свою теорию, учёные уже очень подробно наблюдали большинство явлений, которые она предсказывала.

Но правило о предварительном прогнозе — это норма морали науки, а не закон теории вероятностей. Если вы уже видели данные, которые должны объяснить, наука может проклясть вас за это, но ваше затруднительное положение никак не отменяет законов теории вероятностей. Реально происходит вот что: невезучему человеку становится куда труднее соблюдать законы теории вероятностей. Решая, как оценить гипотезу по байесовскому правилу подсчёта, вам нужно понять, какую вероятностную массу эта гипотеза приписывает наблюдаемому результату. Если предсказания приходится делать заранее, легче заметить, когда кто-то пытается объявить предварительным прогнозом абсолютно любой исход, используя слишком много вероятностной массы, намеренно оставаясь расплывчатым, чтобы избежать опровержения, и так далее.

Ни один нумеролог не способен предсказать выигрышные номера следующей недели, но с радостью объяснит мистическое значение выигрышных номеров недели прошлой. Допустим, выигрышным Мегашаром на прошлой неделе оказалась семёрка из 52 возможных исходов. Очевидно, это потому, что семь — счастливое число. Значит ли это, что и на следующей неделе Мегашаром снова окажется семёрка? Мы понимаем, что наверняка утверждать нельзя, но если это счастливое число, вам следует присвоить ему вероятность выше 1/52… а потом мы будем оценивать ваши прогнозы на протяжении нескольких лет, и если ваш счёт окажется слишком низким, вас высекут… что скажете? Хотите присвоить вероятность ровно 1/52? Но это же та же вероятность, что и у любого другого числа — а как же семёрка со своей удачей? Нет, извините, нельзя присвоить и семёрке 90%, и одиннадцати 90%. Мы понимаем, что оба числа счастливые. Да, мы понимаем, что они очень счастливые. Но так это не работает.

Даже если слушатель не знаком с байесовским подходом и не требует формальных вероятностей, он, скорее всего, заподозрит неладное, если вы попытаетесь охватить слишком много вариантов сразу. Допустим, вас просят предсказать выигрышный Мегашар на следующей неделе, и вы с помощью нумерологии объясняете, почему шар номер один прекрасно вписывается в вашу теорию, и почему шар номер два прекрасно в неё вписывается, и почему шар номер три тоже прекрасно вписывается… даже самый доверчивый слушатель начнёт задавать вопросы уже к двенадцатому шару. Может, скажете нам, какие числа несчастливы и точно не выиграют? Ну, тринадцать — несчастливое число, но не то чтобы совсем невозможное (вы страхуетесь, заранее продумывая, какое оправдание может понадобиться).

Но стоит попросить вас объяснить прошлонедельные номера — и семёрка окажется практически неизбежной. Эту семёрку определённо следует засчитать как крупный успех модели «счастливых чисел» применительно к лотерее. И уж точно это не могла быть тринадцать — теория удачи это прямо исключает.

Представьте, что однажды утром вы просыпаетесь и обнаруживаете, что ваша левая рука заменена синим щупальцем. Синее щупальце подчиняется вашим двигательным командам — вы можете хватать им стаканы, водить машину и так далее. Как бы вы объяснили этот гипотетический сценарий? Прежде чем читать дальше, подумайте над этой загадкой сами.

(Место для спойлера…)

Как бы я объяснил, что моя левая рука заменена синим щупальцем? Ответ: никак. Этого не произойдёт.

Дать словесное объяснение, которое «подойдёт» к этому гипотетическому случаю, было бы совсем не трудно. Существует множество объяснений, которые «подходят» абсолютно к чему угодно — включая (как частный случай «чего угодно») замену моей руки синим щупальцем. Божественное вмешательство — прекрасное объяснение на все случаи жизни. Или инопланетяне с произвольными мотивами и возможностями. Или я мог сойти с ума, галлюцинирую, доживаю свою жизнь во сне в больничной палате. Такие объяснения «подходят» ко всем исходам одинаково хорошо — и одинаково плохо, что равносильно гипотезе полного невежества.

Проверка того, «объясняет» ли модель реальности превращение моей руки в синее щупальце, состоит в том, концентрирует ли модель значительную вероятностную массу именно на этом конкретном исходе. Почему именно такой сон в больнице? Почему инопланетяне сделали со мной именно это, а не любую из миллиарда других вещей, которые могли бы сделать? Почему моя рука превратилась в щупальце именно в то утро, оставаясь рукой каждое другое утро моей жизни? И во всех этих случаях мне нужно искать аргумент, достаточно убедительный, чтобы сделать именно этот прогноз заранее, а не просто совместимость постфактум. Как только я уже знаю результат, перебирать гипотезы в поисках хороших объяснений становится намного труднее. Какую бы гипотезу я ни попробовал, мне будет очень трудно не присвоить вчерашнему исходу «синее щупальце» больше вероятностной массы, чем если бы я слепо экстраполировал, ища наиболее вероятный прогноз модели на завтра.

Модель не обязана предсказывать все особенности данных. У Природы нет привилегированной склонности подбрасывать мне только решаемые задачи. Быть может, со мной играет некое божество, и его разум вычислительно неразрешим. Если я подброшу честную монету, дальше объяснять результат некуда — нет модели, которая дала бы прогноз лучше гипотезы максимальной энтропии. Но если я выдвину модель без внутренних деталей, или модель, которая не делает дальнейших прогнозов, у меня не только нет оснований верить в эту догадку — у меня нет причин из-за неё волноваться. Прошлой ночью мою руку заменили синим щупальцем. Почему? Инопланетяне! Так что же они сделают завтра? Точно так же, если я приписываю синее щупальце галлюцинации, пока проживаю свою жизнь во сне в коме, я всё равно не знаю больше о том, что мне будет мерещиться завтра. Так почему меня должно волновать, инопланетяне это были или галлюцинация?

Что же тогда могло бы стать хорошим объяснением, проснись я однажды утром и обнаружь, что моя рука превратилась в синее щупальце? Чтобы претендовать на «хорошее объяснение» этого гипотетического опыта, потребовался бы такой аргумент, что, размышляя над ним прямо сейчас — ещё до того, как моя рука превратилась в синее щупальце, — я засыпал бы, тревожась, что моя рука и правда может превратиться в щупальце.

Люди играют в игры на правдоподобие, объясняя события, с которыми, как они сами уверены, никогда не столкнутся, — и тем самым неизбежно нарушают законы теории вероятностей. Сколько людей, полагавших, что они могут «объяснить» гипотетический опыт пробуждения с рукой, замененной щупальцем, засыпали, гадая, а не может ли это действительно с ними случиться? Хватило бы у них смелости следовать своим убеждениям до конца, они сказали бы: «Я не ожидаю когда-либо столкнуться с этим гипотетическим опытом, а значит, не могу его объяснить и не имею мотива пытаться». Такое случается только в веб-комиксах, и мне не нужно готовить объяснения, поскольку в реальной жизни у меня никогда не появится случая ими воспользоваться. А если я всё же окажусь в этой невозможной ситуации — пусть я не упущу ни единой крупицы своего драгоценного недоумения.

Для байесовца вероятности — это ожидания, а не просто убеждения, которые можно провозглашать с крыш. Если у меня есть модель, приписывающая вероятностную массу пробуждению с синим щупальцем, значит, я нервничаю по поводу пробуждения с синим щупальцем. А что, если модель причудлива, как ведьма, творящая заклинание, переносящее меня в случайно выбранный веб-комикс? Тогда априорная вероятность веб-комиксного колдовства настолько мала, что моё реальное понимание мира не придаёт этой гипотезе сколько-нибудь значимого веса. Гипотеза о колдовстве, если принять её как данность, вполне могла бы приписать заметную вероятность пробуждению с синим щупальцем. Но моё реальное ожидание в отношении этой гипотезы настолько мало, что я вообще не предвижу ни одного из её предсказаний. Способность вообразить гипотезу о колдовстве ни в коей мере не должна уменьшать моё резкое недоумение, проснись я и правда со щупальцем, — потому что реальная вероятность, которую я приписываю гипотезе о колдовстве, фактически равна нулю. Моя нулевая гипотеза не помогла бы мне объяснить пробуждение со щупальцем, потому что этот аргумент недостаточно хорош, чтобы заставить меня ожидать такого пробуждения.

По законам теории вероятностей распределения правдоподобия — это фиксированные свойства гипотезы. В искусстве рациональности объяснять — значит предвидеть. Предвидеть — значит объяснять. Допустим, я медицинский исследователь, и в ходе обычной работы замечаю, что моя новая, остроумная теория анатомии, похоже, допускает крошечную и смутную возможность того, что моя рука превратится в синее щупальце. «Ха-ха! — говорю я. — Как удивительно и нелепо!» — и чувствую лёгкую тревогу. Вот это было бы хорошим объяснением пробуждения со щупальцем, если бы такое когда-нибудь случилось.

Если цепочка рассуждений заранее не заставляет меня тревожиться о пробуждении со щупальцем, то эти же рассуждения оказались бы плохим объяснением, случись событие на самом деле — потому что сочетание априорной вероятности и правдоподобия было слишком слабым, чтобы приписать этому исходу сколько-нибудь значимую реальную вероятностную массу.

Если начать с хорошо откалиброванных априорных вероятностей и применять байесовское рассуждение, придёшь к хорошо откалиброванным выводам. Представьте два миллиона существ, разбросанных по разным планетам вселенной, у каждого из которых есть шанс столкнуться с чем-то настолько странным, как пробуждение со щупальцем (или — надо же! — с десятью пальцами). Один миллион этих существ говорит «один к тысяче» об априорной вероятности некой гипотезы X, и каждая гипотеза X говорит «один к ста» о вероятности проснуться со щупальцем. И ещё один миллион существ говорит «один к ста» об априорной вероятности некой гипотезы Y, и каждая гипотеза Y говорит «один к десяти» о вероятности проснуться со щупальцем. Если все существа хорошо откалиброваны, то, оглядев вселенную, мы обнаружим десять существ, оказавшихся со щупальцами из-за гипотез класса правдоподобия X, и тысячу существ, оказавшихся со щупальцами из-за гипотез класса правдоподобия Y. Значит, если вы обнаружили у себя щупальце и ваши вероятности хорошо откалиброваны, то щупальце с большей вероятностью произошло от гипотезы, которую вы отнесли бы к вероятным, чем от гипотезы, которую вы сочли бы маловероятной. (А что, если ваши вероятности плохо откалиброваны — так что когда вы говорите «миллион к одному», это сбывается раз из двадцати? Тогда вы явно чрезмерно самоуверенны, и мы скорректируем ваши вероятности в сторону меньшего различения и большей энтропии.)

Гипотеза о переносе в веб-комикс, даже если она «объясняет» сценарий пробуждения с синим щупальцем, — плохое объяснение из-за своей низкой априорной вероятности. Гипотеза веб-комикса ничем не помогает объяснить щупальце, потому что не заставляет вас ожидать пробуждения со щупальцем.

Если начать с квадриллиона разумных существ, разбросанных по вселенной, то весьма многие столкнутся с событиями очень вероятными, и лишь около миллиона встретят события с вероятностью «миллиард к одному» за всю жизнь (как мы и предвидели бы, оглядывая всё бесконечным взором с идеальной калибровкой), — и ни одно не столкнётся с невозможным.

Если вы каким-то образом действительно проснулись со щупальцем, скорее всего, причина в чём-то гораздо более вероятном, чем «перенос в веб-комикс», — в какой-то совершенно нормальной причине проснуться со щупальцем, которую вы просто не предвидели. Причина вроде какой? Не знаю. Никакой. Я не ожидаю проснуться со щупальцем, поэтому не могу дать этому хорошего объяснения. Зачем мне придумывать оправдания, которыми я не рассчитываю воспользоваться? Если бы я тревожился, что однажды мне может понадобиться остроумное оправдание для пробуждения со щупальцем, — сама причина этой тревоги и была бы моим объяснением.

Реальность выдаёт опыт согласно вероятности, а не правдоподобию. Если вы обнаружили, что ваш ноутбук не подчиняется закону сохранения импульса, — значит, реальность считает это совершенно нормальным поступком по отношению к вам. Как нарушение закона сохранения импульса вообще может быть «совершенно нормальным»? Полагаю, у этого вопроса нет ответа, и он никогда не потребуется. Точно так же люди не просыпаются со щупальцами — значит, это, судя по всему, не совсем нормально.

Существует сокрушительная истина — настолько удивительная и пугающая, что люди всеми силами сопротивляются её последствиям. И всё же есть немногие одиночки, у которых хватает смелости принять это сатори. Вот вам мудрость, если хотите быть мудрыми:

С самого начала
ничего необычного
ещё не случалось.

Горе тем, кто отводит взгляд от зебр и грезит о драконах! Если мы не научимся радоваться просто реальному, наша жизнь и вправду окажется пустой.

1. E. T. Jaynes, Probability Theory: The Logic of Science. ↩︎

2. R. Feynman, The Feynman Lectures on Physics. ↩︎

3. Строго правильные квадратичные правила подсчёта (правило Брайера). ↩︎

4. Обозначение P(A|B) читается как «вероятность A при условии B». ↩︎

5. J. F. Yates et al., о калибровке и различении в суждениях о вероятности. ↩︎

6. К. Поппер, о смелых теориях и фальсифицируемости. ↩︎

7. E. T. Jaynes, об «ошибке проекции разума» (Mind Projection Fallacy). ↩︎

8. The Imagination Engine — коммерческий продукт, продвигавшийся как источник «творческого шума» для нейросетей. ↩︎

9. Фридрих Шпее, автор «Cautio Criminalis» — трактата против охоты на ведьм. ↩︎

10. T. M. Robinson, Cosmos as Art Object, со ссылкой на фрагмент Демокрита. ↩︎

11. talkorigins.org — ресурс с ответами на распространённые креационистские аргументы. ↩︎

12. Дэниел Деннетт, Darwin’s Dangerous Idea. ↩︎

13. Лайл Запато — псевдоним автора, собравшего цитату лорда Кельвина. ↩︎

14. Чарльз Дарвин, О происхождении видов и Происхождение человека. ↩︎

15. Пример группового отбора «на благо вида» — заблуждение, разобранное впоследствии Дж. Уильямсом и другими. ↩︎

16. Карл Саган, The Demon-Haunted World, пример «дракона в гараже». ↩︎

17. Наблюдаемое смещение перигелия Меркурия и его объяснение общей теорией относительности. ↩︎

18. Открытие Нептуна Леверье и Адамсом на основе возмущений орбиты Урана. ↩︎

19. Цитата из классического изложения философии Поппера (falsificationism). ↩︎

20. John Baez, The Crackpot Index. ↩︎