Защита от темных искусств. Путеводитель по миру паранормальных явлений - [98]

.

Эту идею легко проиллюстрировать на астрологическом примере. Мы знаем, что гравитационное притяжение между телами возрастает пропорционально их массам и убывает пропорционально квадрату расстояния между ними. Получается, гравитационное влияние на ребенка со стороны акушерки, принимающей роды, больше, чем у Юпитера[613]. Таким же образом доходящее до новорожденного электромагнитное излучение (свет) от других планет и звезд, за исключением Солнца, слабее, чем свет от ламп в родильной палате. Разве не странно, что система прогнозов учитывает положение Юпитера в момент рождения, но не считается с многочисленными искусственными источниками света, машинами, зданиями, медицинским персоналом и прочим? Может ли она хоть как-то работать? Причем эти теоретические соображения хорошо согласуются с эмпирическими данными. Поэтому маловероятно, что вердикт о бесплодности астрологии когда-либо будет пересмотрен. То же справедливо для многих других заявлений о сверхъестественном.

Я был бы рад ошибаться, но, скорее всего, не существует и никакой нематериальной души. И не только потому, что такая идея плохо согласуется с физическими представлениями о мире. Знания, накопленные нейробиологией, свидетельствуют, что наше зрение, память, слух, обоняние и способность рассуждать напрямую зависят от правильной работы определенных структур мозга, повреждения которых приводят к нарушениям этих функций. Даже если бы призраки или духи существовали, они не могли бы видеть, не имея зрительной коры, слышать без слуховой коры, помнить, не имея гиппокампа, или испытывать эмоции без миндалевидного тела. Поэтому я заключаю, что мы должны ответственно относиться к своей и чужим жизням, пока наука занимается вопросами, на которые у нас еще нет ответов.

С одной стороны, не стоит настаивать, что чего-то абсолютно точно не существует или что оно невозможно, ведь мы не хотим попасть в байесовскую ловушку. С другой – не стоит слишком серьезно относиться к одиночным свидетельствам, идущим вразрез со всей совокупностью научных фактов. Вероятность, что они ошибочны, с любой практической точки зрения неотличима от единицы. Именно в таких случаях уместно говорить, что бремя доказательства лежит на заявителе. Лучше всех эту мысль проиллюстрировал Бертран Рассел:

Многие верующие ведут себя так, словно не догматикам надлежит доказывать заявленные ими постулаты, а наоборот – скептики обязаны их опровергать. Это, безусловно, не так. Если бы я принялся утверждать, что между Землей и Марсом вокруг Солнца по эллиптической орбите вращается фарфоровый чайник, никто не смог бы опровергнуть мои утверждения, добавь я заранее, что малые размеры чайника не позволяют обнаружить его даже при помощи самых мощных телескопов. Однако, заяви я далее, что, поскольку мое утверждение невозможно опровергнуть, разумное человечество не имеет права сомневаться в его истинности, мне справедливо указали бы, что я несу чушь. Но если бы существование такого чайника подтверждалось древними текстами, о его подлинности твердили по воскресеньям с амвона и мысль эту вдалбливали с детства в головы школьников, то неверие в его реальность казалось бы странным, а сомневающихся передавали бы в просвещенный век на попечение психиатров, а в Средневековье – в опытные руки инквизиции[614].

А вдруг фарфоровый чайник лежит в багажнике “Теслы” Илона Маска, запущенной в космос в феврале 2018 года?..

Наш мозг – сеть из миллиардов нейронов. Сегодня мы умеем создавать искусственные нейронные сети, которые способны искать закономерности в данных и строить модели, описывающие некоторые аспекты реальности. Специалисты, использующие такие подходы, установили несколько универсальных проблем в обучении подобных систем. Оказывается, хотя нейронные сети в компьютерных алгоритмах и человеческом мозге сильно отличаются друг от друга, они имеют любопытные общие свойства.

Допустим, программа должна распознавать пол человека по фотографии. На входе она получает большое количество изображений мужчин и женщин с правильно указанным полом. На выходе получается модель, использующая набор параметров, чтобы максимально точно разделить фотографии на две группы.

Первая проблема, с которой сталкивается как мозг, так и компьютер, – избыточное обучение. Нейронная сеть будет лучше классифицировать фотографии, на которых она обучалась, чем новые снимки. Предположим, случайно получилось, что в обучающей выборке женщины были чаще блондинками, а мужчины – брюнетами. Модель начинает использовать эту особенность при принятии решений, даже если на самом деле такой закономерности нет. Таким образом, любая нейронная сеть склонна к апофении.

Если мы хотим оценить качество построенной модели, нам недостаточно проверить, как хорошо она справляется с данными, на которых обучалась. Хорошая модель должна справиться и с незнакомыми ей фотографиями. А значит, надо добавить новые данные и оценить качество модели на них. Именно это и предлагает наука: мы строим модель мира, а затем проверяем ее предсказания на новых данных. Недостаточно просто иметь хорошее объяснение уже известным фактам. Нужно уметь прогнозировать.