Вот, скажем, пончик. Априорная вероятность того, что его бросят на пол и растопчут, настолько мала, что предсказательный механизм отбрасывает этот вариант. Так же как и вариант с пончиком в роли монокля. Нам остается лишь один реалистичный вероятный аффорданс: пончик съедят. Но вероятность этого действия меняется во времени. Чтобы попытаться ее предсказать, понадобится немножко математики: я воспользуюсь системой, которая называется байесовской статистикой. Если вы математикой не интересуетесь, пропустите эту часть, но я обещаю объяснить как можно проще.
Предположим, что, с учетом всех наших знаний о людях в целом и о Кевине в частности, мы считаем вероятность поедания пончика равной примерно 30 %. Это число называется априорной вероятностью: именно его мы загрузили в нашего Предсказателя. Обозначим это число P>априори. Теперь предположим, что машина высчитала второе число, которое тоже лежит между 0 и 100 %, – примерную оценку объема внимания, которое Кевин направляет на пончик. Назовем это число C>1, где индекс 1 означает объект 1 – пончик. Позже мы рассмотрим C>2 и C>3, говоря об объеме внимания, которое Кевин обратит на лужу и телефон. С>1 постоянно меняется во времени. Бóльшую его часть Кевин обращает на пончик мало внимания и значение C>1 близко к нулю. Иногда внимание к пончику может усилиться, и C>1 чуть возрастет; или же почти все внимание обратится к пончику, и тогда C>1 временно окажется близко к отметке 100 %.
Чем больше внимания Кевин обращает на пончик (т. е. чем выше значение C>1), тем больше вероятность, что он с ним как-то поступит. C>1 – что-то вроде разрешительной переменной, которая открывает возможности к действию. Сейчас будет единственное уравнение, которым я вас нагружу. Допустим, вы спросили Предсказатель-5000: “Какова вероятность в этот конкретный момент времени (назовем ее P>действия), что Кевин съест пончик?”
Машина оценивает эту вероятность с помощью простого вычисления:
P>действия = C>1 × P>априори.
Вот и все. Умножьте априорную вероятность на предполагаемый объем внимания – и вы сможете предсказать поведение Кевина в каждый конкретный момент. Пока он не уделяет внимания пончику, C>1 = 0, а значит, и P>действия = 0, и машина предсказывает, что сейчас есть он не будет. По мере того как внимание к пончику возрастает, возрастает и оценочная вероятность того, что Кевин его съест. Но даже на пике внимания вероятность поедания лакомства никогда не превысит P>априори, которая может быть не так уж и велика, – просто потому, что люди в принципе не так часто хватают и съедают случайно попавшиеся им на глаза пончики. Когда внимание к пончику снова падает, стремится к нулю и вероятность его поедания. Удобство таких вычислений в том, что они применяют стандартный подход к построению модели психического состояния (который требует рассматривать один за другим статичные моменты во времени: если дать Кевину пончик, съест ли он его?) и помещают его в систему, которая способна учитывать динамические изменения внимания во времени.