Как проверять объяснения работы мозга, которые кажутся универсальными?

Великим теориям мозга трудно противостоять.

Есть нечто глубоко притягательное в том, чтобы найти одну идею, которая объявляет взаимосвязанными восприятие, обучение, действия, галлюцинации, эмоции и, возможно, даже само сознание.

Предиктивная обработка может ощущаться именно так.

Как только вы осваиваете её понятийный аппарат — априорные ожидания (priors), ошибки предсказания (prediction errors), точность (precision) — множество самых разных явлений внезапно складывается в единую картину.

Это действительно полезно.

Но именно в этот момент становится критически важным второй вопрос:

Если теория способна объяснить почти всё, как узнать, когда она действительно что-то объяснила?

Предсказание, которое не может проиграть

Представьте метеоролога, который объявляет:

«Завтра может быть солнечно, дождливо, ветрено или снежно».

Что бы ни произошло на следующий день, такой прогноз окажется верным.

Но быть верным — не значит быть информативным.

Полезное предсказание ограничивает возможности. Утверждение, что завтра днем прольется проливной дождь, намного рискованнее — ведь реальность может доказать вашу правоту или ошибочность.

Научные объяснения работают точно так же.

Тот факт, что теория может задним числом вобрать в себя любой результат, полезен, но слаб. Гораздо более сильные доказательства возникают тогда, когда теория заранее принимает на себя обязательства — особенно когда другое правдоподобное объяснение предсказывает иное.

«Согласуется с» — это только начало

Рассмотрим негативность рассогласования (Mismatch Negativity, MMN)^[1].

Включите повторяющийся звук несколько раз подряд — пип, пип, пип, пип — а затем внезапно замените его другим сигналом.

Отклоняющийся звук вызовет характерный нейронный ответ.

Предиктивное кодирование предлагает элегантную интерпретацию: повторяющиеся звуки формируют ожидание, редкий звук нарушает его, а возникающий сигнал ошибки служит для обновления внутренней модели^[1].

Это объяснение хорошо подходит.

Но оно не единственное.

Нейроны, реагирующие на повторяющийся звук, могли просто привыкнуть и утомляться, тогда как нейроны, настроенные на редкий звук, остались свежими. Необычный тон также может привлечь внимание просто благодаря своей редкости.

Эти механизмы тоже способны вызвать более сильный ответ на редкий сигнал.

Таким образом, MMN безусловно совместима с предиктивным кодированием. Однако сама по себе она не доказывает, что единственным механизмом является именно предиктивное кодирование.

Это различие принципиально не только для MMN.

Полезный вопрос состоит не просто в том:

Может ли моя теория объяснить этот результат?

Он звучит так:

Что моя теория предсказала такого, чего не предсказывали альтернативные объяснения?

Ближе к самому механизму

Некоторые эксперименты облегчают ответ на этот вопрос.

В известном исследовании мыши перемещались по виртуальной среде, пока ученые регистрировали активность в первичной зрительной коре^[2].

Обычно бег вызывал соответствующий зрительный поток. Но в отдельных пробах зрительный поток неожиданно останавливали, пока мышь продолжала бежать.

Определенные нейроны в поверхностных слоях зрительной коры интенсивно реагировали именно на это рассогласование^[2].

Самое интересное заключается в том, что реакция была связана со связью между движением и зрительной обратной связью, а не просто со зрительным движением как таковым.

Это делает данное открытие более информативным с точки зрения механизма, чем общие результаты вида «неожиданные события вызывают повышенную активность мозга».

И всё же выводы стоит формулировать строго.

Эксперимент дает сильные доказательства того, что зрительная кора мыши содержит нейроны, чувствительные к сенсомоторному рассогласованию. Но сам по себе он не доказывает, что каждая область коры использует одну и ту же архитектуру предиктивного кодирования — или что этот же механизм объясняет высшее человеческое мышление.

Теоретический концепт — это не нейронный механизм

Именно здесь следует разделять широкие концептуальные рамки и конкретные биологические модели^[3].

Концептуальный рамка даёт исследователям способ организовать проблему.

Предиктивная обработка, например, предлагает смотреть на восприятие через призму ожиданий, входящих данных, неопределенности и рассогласования.

Это позволяет формулировать продуктивные вопросы еще до того, как мы узнаем точную биологическую реализацию.

Процессная модель идет дальше.

Она может утверждать, что конкретные слои коры передают разные сигналы, где одни пути подчеркивают предсказания, а другие — информацию о рассогласовании^[4].

Теперь теория делает себя более уязвимой.

Исследователи могут проверить, действительно ли эти слои ведут себя так, как предсказано, меняет ли нарушение одного пути ожидаемый сигнал и объясняет ли альтернативная архитектура эти данные лучше.

Эта уязвимость — ее сила.

Модель становится тем более научно полезной, чем отчетливее видно, что именно способно привести ее к провалу.

Проблема точности

Предиктивные объяснения часто опираются на еще один полезный концепт: точность (precision).

Грубо говоря, точность описывает степень доверия системы к различным источникам информации.

Сенсорный сигнал, оцененный как надежный, должен сильнее влиять на восприятие, чем сигнал, сочтенный зашумленным или неопределенным.

Эта идея очень сильна.

Но она может стать и опасно удобной.

Предположим, человек игнорирует очевидный сигнал. Мы можем сказать, что сенсорная точность была низкой.

Если другой человек сильно реагирует на тот же сигнал, мы можем сказать, что его сенсорная точность была высокой.

Оба объяснения выглядят правдоподобно.

Но если само поведение является единственной причиной, по которой мы сделали вывод о высокой или низкой точности, а затем используем эту выведенную точность для объяснения того же поведения — мы двигаемся по кругу.

Скрытые переменные сами по себе не порочны. Наука постоянно использует ненаблюдаемые величины.

Главный вопрос — ограничены ли они чем-то помимо того самого результата, который они должны объяснить: другим измерением, экспериментальной манипуляцией, зарегистрированной моделью или успешным предсказанием новых данных.

Четыре вопроса, которые стоит задать

Не обязательно быть нейроученым, чтобы заметить многие из этих проблем.

Когда вы сталкиваетесь с объяснением работы мозга, четыре вопроса способны прояснить многое.

1. Что модель предсказывала до того, как результат стал известен?
Был ли этот исход действительно спрогнозирован заранее или история скомпонована задним числом?

2. Могло ли другое правдоподобное объяснение привести к тому же результату?
Находка, которая подходит нескольким моделям, не позволяет четко выбрать между ними.

3. Ограничены ли скрытые параметры независимо?
Оцениваются ли такие вещи, как точность, априорные ожидания или неопределенность из дополнительных доказательств, или вводятся только для того, чтобы подгнать результат?

4. Какой результат свидетельствует против этой конкретной модели?
Если ответ «никакой», то утверждение, скорее всего, слишком расплывчато для полноценной проверки.

Почему это не перечеркивает предиктивную обработку

Ничто из этого не означает, что предиктивную обработку следует отбросить.

Как раз наоборот.

Ее ценность заключается не в том, что она дает универсальную фразу, которую можно приклеить к любому феномену. Ее ценность в том, что она способна генерировать всё более точные модели того, что должна делать нервная система.

Некоторые из этих моделей сработают.

Некоторые потерпят неудачу.

Для некоторых результатов найдутся более простые объяснения.

Это не слабость науки. Это именно тот процесс, который превращает привлекательный концептуальный подход в более точную теорию мозга.

После семи статей, где мы спрашивали, что может объяснить предсказание, заключительный вопрос звучит иначе:

Что должно произойти, чтобы это объяснение оказалось неверным?

Если мы можем дать на это четкий ответ, мы вышли за рамки красивой истории.

У нас появилось то, что мы действительно можем проверить.