Pomimo wydarzeń przedstawionych w The Imitation Game, Alan Turing nie wynalazł maszyny, która złamała niemieckie kody podczas II wojny światowej - Polska tak zrobiła. Ale genialny matematyk wynalazł coś, o czym nigdy nie wspominano w filmie: narzędzie matematyczne do oceny wiarygodności informacji. Jego narzędzie przyspieszyło proces odszyfrowywania zakodowanych wiadomości przy użyciu ulepszonych wersji polskich maszyn.
powiązana zawartość
- Przekąski o północy są szkodliwe dla twojego mózgu
- Mózgi gołębi działają jak nasze
- Czy podejmujesz lepsze decyzje, gdy jesteś głodny?
Teraz naukowcy badający małpy rezus odkryli, że mózg używa również tego narzędzia matematycznego, nie do dekodowania wiadomości, ale do gromadzenia niewiarygodnych dowodów w celu podejmowania prostych decyzji. Dla neurobiologa z Uniwersytetu Columbia, Michaela Shadlena i jego zespołu, odkrycie to potwierdza szerszy pogląd, że wszystkie decyzje, które podejmujemy - nawet pozornie irracjonalne - można podzielić na racjonalne operacje stastyczne. „Uważamy, że mózg jest zasadniczo racjonalny”, mówi Shadlen.
Wynaleziona w 1918 r. Niemiecka maszyna Enigma stworzyła szyfr zastępczy, zamieniając oryginalne litery w wiadomości na nowe, tworząc coś, co wydawało się czystym bełkotem. Aby skomplikować szyfr, urządzenie zawierało obracające się dyski, które obracały się przy każdym naciśnięciu klawisza, zmieniając kodowanie za każdym naciśnięciem klawisza. Proces był tak skomplikowany, że nawet mając pod ręką maszynę Enigma, Niemcy mogli odczytać wiadomość tylko znając początkowe ustawienia tych tarcz szyfrujących.
Niemiecka maszyna Enigma, wróg twórców kodów drugiej wojny światowej. (The Walker Library of the History of Human Imagination) Turing stworzył algorytm, który ogranicza liczbę możliwych ustawień, które brytyjskie maszyny deszyfrujące, zwane bombami, musiały testować każdego dnia. Pracując w tajnym obiekcie Bletchley Park w Wielkiej Brytanii, Turning zdał sobie sprawę, że można było dowiedzieć się, czy dwie wiadomości pochodziły z maszyn z wirnikami, które wystartowały w tych samych pozycjach - kluczowa informacja dla ustalenia tych pozycji. Ustaw dwie zakodowane wiadomości, jedna na drugiej, a szansa, że dowolne dwie litery będą takie same, jest nieco większa, jeśli obie wiadomości pochodzą z komputerów o takich samych ustawieniach początkowych. Jest tak, ponieważ w języku niemieckim, podobnie jak w języku angielskim, niektóre litery są bardziej powszechne, a proces szyfrowania zachował ten wzorzec.
Algorytm Turinga zasadniczo zsumował prawdopodobieństwa przydatności tych wskazówek. Wskazał także, kiedy skumulowane szanse były wystarczająco dobre, aby zaakceptować lub odrzucić, że dwa porównywane komunikaty pochodziły z maszyn o tym samym stanie wirnika. To narzędzie statystyczne, zwane sekwencyjnym testem współczynnika prawdopodobieństwa, okazało się optymalnym rozwiązaniem problemu. Zaoszczędził czas, pozwalając twórcom kodów Bletchley zdecydować, czy dwie wiadomości są przydatne, patrząc na jak najmniejszą liczbę liter. Turning nie był jedynym matematykiem pracującym w tajemnicy, który wpadł na ten pomysł. Abraham Wald z Columbia University użył go w 1943 r., Aby dowiedzieć się, ile bomb amerykańska marynarka wojenna musiała wysadzić, aby mieć całkowitą pewność, że partia amunicji nie była wadliwa przed wysłaniem.
Teraz Shadlen odkrył, że ludzie i inne zwierzęta mogą stosować podobną strategię w celu uzyskania niepewnych informacji. Radzenie sobie z niepewnością jest ważne, ponieważ niewiele decyzji opiera się na całkowicie wiarygodnych dowodach. Wyobraź sobie, że jedziesz nocą krętą ulicą w deszczu. Musisz wybrać, czy obrócić koło w lewo czy w prawo. Ale na ile możesz ufać słabym tylnym światłom samochodu w nieznanej odległości przed nami, ciemnej linii drzew o mylącym kształcie lub ledwo widocznym znacznikom pasa? Jak zebrać te informacje, aby pozostać w drodze?
Małpy w laboratorium Shadlena stanęły przed podobnie trudną decyzją. Zobaczyli dwie kropki wyświetlane na monitorze komputera i próbowali wygrać nagrodę, wybierając odpowiednią. Kształty, które migały jeden po drugim, wskazywały na odpowiedź. Kiedy na przykład pojawił się symbol Pac-Mana, lewa kropka była prawdopodobnie, ale nie na pewno, poprawną odpowiedzią. Dla kontrastu pięciokąt preferował właściwą kropkę. Gra zakończyła się, gdy małpa zdecydowała, że widziała wystarczająco dużo kształtów, aby zaryzykować zgadywanie, odwracając oczy w kierunku jednej z kropek.
Boczna kora śródpłciowa, część mózgu mierzona w tym badaniu, znajduje się w płacie ciemieniowym. (Zdjęcie dzięki uprzejmości National Institute on Aging / National Institutes of Health) Istnieje wiele strategii, które można wykorzystać do wybrania właściwej kropki. Małpa mogła zwracać uwagę tylko na najlepsze wskazówki i ignorować pozostałe. Lub po pewnym czasie można dokonać wyboru, niezależnie od tego, jak pewna małpa była przekonana o dowodach, które widziała do tego momentu.
To, co się faktycznie wydarzyło, polegało na gromadzeniu informacji w mózgu, gdy zwierzę oceniało wiarygodność każdego kształtu i dodawało je do bieżącej sumy. Shadlen monitorował to nagromadzenie, bezboleśnie wkładając elektrody do mózgów małp. Wskazówki o wysokim prawdopodobieństwie wywołały duże skoki aktywności mózgu, podczas gdy słabsze wskazówki dały mniejsze skoki. Wydawało się, że decyzje są podejmowane, gdy aktywność na korzyść lewej lub prawej przekracza pewien próg - podobnie jak wyniki z algorytmu Turinga.
„Odkryliśmy, że mózg podejmuje decyzję w sposób, który byłby niezbędny dla statystyk” - mówi Shadlen, którego zespół opublikuje wyniki w nadchodzącym numerze czasopisma Neuron.
Zgadza się z tym Jan Drugowitsch, neurobiolog z Ecole Normale Supérieure w Paryżu. „To bardzo silny przypadek, że mózg naprawdę stara się realizować przedstawioną tutaj strategię”, mówi. Ale czy bardziej skomplikowane wybory, takie jak gdzie pójść na studia lub kogo poślubić, można sprowadzić do prostych strategii statystycznych?
„Nie wiemy, że wyzwania stojące przed mózgiem w rozwiązywaniu dużych problemów są dokładnie takie same jak wyzwania w podejmowaniu prostszych decyzji”, mówi Joshua Gold, neurobiolog z University of Pennsylvania School of Medicine. „W tej chwili jest domniemaniem, że mechanizmy, które badamy w laboratorium, wpływają na decyzje wyższego poziomu.”
