Perché il mondo non è come lo vediamo: il cervello Bayesiano

di Sara Garofalo

Immaginate di aver organizzato una passeggiata in campagna con degli amici in una zona in cui sai che potreste incontrare sul vostro cammino dei cavalli allo stato brado. La camminata procede tranquilla, quando scorgete qualcosa che si muove dietro un cespuglio. È abbastanza lontano, quindi non si capisce bene di cosa si tratti. Iniziate a strizzare gli occhi in quella direzione più forte che potete, finché vi sembra di intravedere il profilo di un asino. Ora fate attenzione, perché se la vostra mente fosse guidata da un ragionamento bayesiano, potreste concludere di aver visto un mulo! 

Questo esempio giocoso, tratto da un paradosso proposto dal bio-statistico Stephen Senn (Senn, 2007), serve a illustrare uno dei modi in cui il cervello potrebbe risolvere il “conflitto” che si genera quando ci troviamo di fronte ad un’ambiguità sensoriale: il cosiddetto “cervello bayesiano” sarebbe infatti capace di combinare le informazioni provenienti da ciò che ci aspettiamo (un cavallo) con ciò che realmente percepiamo (un asino). Per quanto paradossale, infatti, questo esempio coglie abbastanza bene il nucleo del cosiddetto teorema di Bayes, proposto intorno al 1763 dal matematico inglese, nonché ministro presbiteriano, Thomas Bayes. 

Per capire meglio di cosa stiamo parlando, è utile comprendere prima il concetto di probabilità. La probabilità esprime quanto riteniamo plausibile che un certo evento si verifichi, sulla base delle informazioni a nostra disposizione (ad esempio, quanto è probabile che oggi piova?). Le probabilità a priori (o incondizionate) riflettono le nostre aspettative prima di osservare la realtà (ad esempio, la probabilità che piova in un dato giorno). Le probabilità condizionate, riflettono invece la probabilità che si verifichi un evento posto che se ne sia verificato un altro (ad esempio, la probabilità che piova quando ci sono le nuvole). 

Il teorema di Bayes permette di calcolare proprio questo secondo tipo di probabilità – ovvero la probabilità dell’evento “pioggia” condizionata a quella dell’evento “cielo nuvoloso” – e lo fa prendendo in considerazione tre elementi fondamentali: (1) la probabilità che piova (2) la probabilità ci siano le nuvole e (3) la probabilità che ci siano le nuvole quando piove. Le prime due sono probabilità a priori o incondizionate (cioè non secondarie ad altri eventi) mentre l’ultima è una probabilità condizionata, ma stavolta dell’evento “nuvole” rispetto a quello “pioggia”.

Tornando al nostro esempio del cavallo, l’idea proposta dai fautori del cervello bayesiano è che il cervello, similmente al calcolo del teorema di Bayes, integri le informazioni a sua disposizione – quelle attese e quelle presenti – per creare e aggiornare la propria rappresentazione del mondo. Da qui nasce il paradosso proposto da Senn, secondo cui un bayesiano che si aspettasse vagamente di vedere un cavallo, ritrovandosi di fronte ad un asino, potrebbe concludere di aver visto un mulo. Questa conclusione è chiaramente ironica, ma serve ad evidenziare come le nostre conclusioni siano spesso compromessi imperfetti, non verità assolute.

Il teorema di Bayes

Formalmente, il teorema è rappresentato dalla seguente formula,

che è composta dai seguenti elementi: 

• P(A) – Probabilità a priori: Quanto è probabile un evento prima di vedere nuove prove. Ad esempio, “La probabilità che piova oggi è del 20%”.
• P(B|A) – Verosimiglianza (likelihood): La probabilità di osservare un indizio se l’evento è vero. Ad esempio, “Se piove, la probabilità di vedere nuvole è del 90%”.
• P(B) – Probabilità marginale: La probabilità totale dell’indizio, in tutte le situazioni possibili (con o senza A).

Che permettono di calcolare:

• P(A|B) – Probabilità a posteriori: La stima aggiornata dopo l’evidenza. Ad esempio, “Se vedo nuvole, la probabilità che piova sale al 60%”.

In altre parole, la probabilità condizionata del primo evento (A) quando si verifica il secondo evento (B), dipende dalla probabilità che si verifichi il secondo evento quando si verifica il primo e dalle probabilità individuali dei due singoli eventi.

In che senso il cervello è bayesiano?

Negli ultimi decenni, i risultati emersi da diversi studi sperimentali nel campo delle neuroscienze hanno pian piano delineato un parallelismo tra il modo in cui il nostro cervello elabora le informazioni che ci circondano e il teorema di Bayes. 

Questo permette di spiegare diversi fenomeni concreti della vita quotidiana, dalla capacità di afferrare un oggetto in movimento – anticipandone la sua traiettoria prima ancora che si completi – alla capacità di guidare in condizioni di scarsa visibilità – in cui anche se non vediamo ogni dettaglio, siamo in grado di ricostruire ciò che pensiamo debba esserci e muoverci di conseguenza.

Questo tipo di elaborazione ci permette di agire in ambienti incerti in modo rapido ed efficiente, ad esempio permettendoci di evitare un ostacolo prima di riconoscerlo perché il cervello predice il pericolo basandosi su esperienze passate. Ma può esporci anche a errori sistematici, ad esempio quando percepiamo ciò che ci aspettiamo anziché ciò che realmente accade. Vediamone alcuni esempi. 

1. Il cervello rappresenta ciò che vede in termini probabilistici 

Numerose evidenze a favore dell’idea del cervello bayesiano derivano dagli studi sulla percezione (Knill et al., 2004). Ad esempio, se immaginiamo di avere di fronte a noi una linea, a livello neurale, il suo orientamento (se e quanto è inclinata verso destra o sinistra) non è rappresentato come un singolo valore di inclinazione, ma piuttosto come una distribuzione di valori di inclinazione elaborati dai diversi neuroni della corteccia visiva. Ogni singolo neurone è, infatti, specializzato in un particolare orientamento e invia un segnale tanto più forte quanto più l’oggetto percepito corrisponde al suo orientamento. Grazie a questo meccanismo, i neuroni agiscono come una sorta di “rivelatore di plausibilità“: quanto più è attivo un neurone, tanto più è probabile che l’oggetto abbia l’orientamento a cui quel neurone risponde. Unendo il segnale derivante da neuroni specializzati in orientamenti diversi, è quindi possibile calcolare la probabilità complessiva che l’inclinazione dell’oggetto che ci sta davanti sia verso destra o verso sinistra (Deneve et al., 1999). Nella nostra esperienza, tutto questo si traduce però in una visione unitaria. La cosa sorprendente è che il nostro cervello non ci confonde facendoci percepire una matrice di possibili inclinazioni, ma fa arrivare alla nostra coscienza quella che è stata selezionata come la più probabile tra le diverse interpretazioni possibili (Dehaene et al., 2024). L’idea al momento più quotata è che, alla base della maggior parte dei processi cognitivi (anche quelli più complessi, come la presa di decisione), non vi sia una rappresentazione tutto o nulla, ma una rappresentazione di tutte le diverse possibilità di scelta che abbiamo a disposizione, proprio come avviene per i neuroni visivi. Solo quando queste probabilità affiorano alla coscienza si concretizza una delle possibilità che prevale sulle altre, creano la nostra scelta (Solway et al., 2012).

In questo senso, le esperienze passate creano un forte “precedente” (informazioni a priori), influenzando le scelte future sulla base di ciò che abbiamo incontrato in passato e che, di conseguenza, il cervello valuta come più probabile nel presente. Ad esempio, se in passato un certo ristorante ci ha sempre offerto piatti di qualità, è più probabile che, davanti a più opzioni, tendiamo a sceglierlo nuovamente, anche se non abbiamo informazioni aggiornate sul suo stato attuale: il cervello “scommette” sulla base dell’esperienza accumulata.

2. Le esperienze passate creano delle aspettative a-priori che determinano il modo in cui interpretiamo la realtà, specialmente quando abbiamo informazioni limitate a nostra disposizione

Il cervello deve dare un senso al mondo sulla base di informazioni limitate e ambigue. In un’immagine come quella qui riportata, ad esempio, potete vedere sia i profili di due volti (in bianco) che un vaso (in nero).

La percezione del mondo è quindi una sfida per il nostro cervello, che deve decidere, tra le diverse interpretazioni possibili, quale strada percorrere. In questo senso, la prospettiva bayesiana offre un modello che permette di spiegare come il cervello gestisce questo tipo di incertezze combinando le informazioni limitate fornite dalle informazioni sensoriali con la nostra conoscenza precedente. In altre parole, il cervello bayesiano compensa la povertà dei dati a disposizione, prendendoli a prestito dalle cose che ci sono familiari (Rao, 1999).

Questa capacità di uscire dall’impasse dell’ambiguità dando un’interpretazione univoca ad una visione ambigua ha, come tutto nella vita, pro e contro. Se da una parte ci garantisce di metterci in salvo da possibili pericoli, ad esempio permettendoci di riconoscere la presenza di un possibile pericolo (è sufficiente una frazione di secondo per intravedere due occhi e una bocca) anche nelle condizioni visive più impervie…

…dall’altro lato, nel disperato tentativo di dare un senso familiare alle cose che ci circondano, ci può portare anche a vedere cose laddove non ci sono, come nel caso di della pareidolia, che ci fa vedere “facce” o altre forme familiari anche laddove non esistono.

Taniche pareidoliche, foto di TeWeBs. Da Wikimedia Commons, licenza CC BY-SA 4.0.

Illusioni percettive e immagini ambigue di questo tipo mostrano come ciò che percepiamo non è una riproduzione fedele della realtà, ma piuttosto il risultato di una rielaborazione attiva da parte del nostro cervello, che combina ciò che vediamo con le nostre esperienze precedenti. Le nostre aspettative diventano parte integrante della nostra rete di attivazioni neurali sino al punto da modellare la sua attività spontanea (Berkes et al., 2011).

Potremmo dire che, nel dubbio, il cervello cerca di privilegiare i falsi positivi: meglio un falso allarme che non riconoscere un predatore!

3. La mente crea costantemente aspettative circa ciò che potrebbe verificarsi ed è proprio quando queste aspettative vengono disattese che si crea l’apprendimento 

Il cervello bayesiano non solo guida il modo in cui diamo senso a ciò che ci circonda, ma anche il modo in cui ci creiamo delle aspettative e, di conseguenza, impariamo (Friston, 2010). Il cervello, infatti, utilizza costantemente le esperienze precedenti per anticipare ciò che potrebbe accadere in futuro. 

Ad esempio, quando andiamo a farci un prelievo di sangue e ci troviamo di fronte alla bella punta dell’ago magistralmente sfoderata dall’infermiere di turno, sappiamo benissimo che di lì a poco sentiremo arrivare una piccola puntura al braccio. Anticipando questa spiacevole sensazione sulla base dell’esperienza accumulata nei precedenti prelievi, la nostra corteccia prefrontale è talmente preparata al dolore imminente da non rispondere quando tale predizione si avvera (ovvero all’arrivo della puntura). Al contrario, la maggiore attivazione di questa corteccia si registra quando la nostra aspettativa viene disattesa e, alla vista del temuto ago, non segue alcun dolore (Garofalo et al., 2014; 2017). Il nostro cervello ci segnala in questo modo che, nel nostro calcolo bayesiano, le aspettative erano errate ed è quindi necessario aggiornarle per non sbagliare la prossima volta. In altre parole, la corteccia prefrontale lancia un vero e proprio segnale d’errore (chiamato “errore di predizione” nella letteratura scientifica). Maggiore è l’errore, più forte sarà il segnale corticale. Proprio per questo, l’errore di predizione è visto come un motore dell’apprendimento. Finché le cose filano lisce secondo le nostre aspettative, il cervello può starsene più o meno rilassato e risparmiare energie. Ma quando le regole cambiano, deve rimettersi all’opera. Se la vecchia regola non è più valida, c’è bisogno di apprenderne una nuova per non farsi cogliere impreparati in futuro. 

Quindi vediamo davvero muli?

È importante tener presente che quello del cervello bayesiano è da intendere come un modello, più che come una realtà biologica. Non dobbiamo immaginare che nel cervello esista un addetto al calcolo matematico che mette in atto quella formula ogni volta che ci creiamo un’aspettativa o la aggiorni ad ogni nuova esperienza. Tuttavia, i principi su cui è basato il teorema di Bayes e le variabili che tiene in considerazione nel suo modo unico di calcolare la probabilità di un fenomeno rispecchiano in modo impressionante non solo come il nostro cervello funziona nella norma, ma anche le deviazioni che ci troviamo ad osservare in alcune patologie, come quelle psichiatriche. Nelle persone con schizofrenia, ad esempio, i segnali di errore di predizione sono molto più deboli o talvolta assenti, rispetto a quelli osservati in persone che non hanno questa diagnosi, suggerendo che qualche aspetto della formula (l’ipotesi più accreditata è che il problema sia nella formulazione delle aspettative a-priori) potrebbe essere compromessa in questa patologia (Fletcher et al., 2009). 

Nonostante alcuni limiti (Bowers et al., 2012; Griffiths et al., 2012; Rahnev 2020; Sanborn e Chater, 2016; Charter et al 2020; Brette 2019; Pouget 2013), l’idea del cervello bayesiano ha il potere fornire un singolo modello in grado di spiegare tanto l’attivazione di singoli neuroni quanto i macro meccanismi che si celano dietro capacità cognitive come la percezione, l’apprendimento e la presa di decisione, unificando sotto un unico grande ombrello il funzionamento normale e quello patologico, quello osservato tanto negli adulti quanto nei bambini, quello umano e quello osservato in altre specie animali. Segnali di (errore di) previsione come quelli descritti dal modello bayesiano sono dappertutto intorno a noi, perfino quando siamo del tutto privi di coscienza. 

Proprio per questo suo potere unificatore, l’idea del cervello bayesiano ci offre una finestra privilegiata sui modi in cui funziona il nostro cervello, un’idea che ha affascinato e continuerà ad affascinare generazioni di neuroscienziati. Tuttavia, non è l’unico modello possibile per spiegare i meccanismi attraverso cui opera la mente umana.

Limiti del cervello bayesiano: un modello potente, ma non perfetto

Nonostante il grande fascino esercitato dall’idea del cervello bayesiano, negli ultimi anni sono emerse diverse critiche sostanziali che ne mettono in discussione l’universalità e la plausibilità biologica. 

Già Pouget (2013), storico sostenitore del paradigma bayesiano, ha ammesso le difficoltà nel dimostrarne l’implementazione neurale. A seguire, Sanborn e Chater (2016) e Chater et al. (2020), hanno mostrato che possiamo comportarci come se fossimo bayesiani, senza che il cervello esegua davvero quel tipo di computazione: strategie più semplici, come quelle basate su reti associative, possono produrre risultati simili. Brette (2019) ha spinto oltre la critica, contestando l’intera metafora del cervello come codificatore passivo di input: percezione e azione, sottolinea, sono inseparabili in un sistema chiuso come il cervello, rendendo la computazione ottimale una costruzione teorica più che una realtà verificabile. Rahnev (2020) ha infine mostrato come le risposte neurali siano influenzate da molte più variabili di quanto il modello classico consideri (come attenzione, stato di attivazione, contrasto, etc.) rendendo improbabile un calcolo probabilistico preciso. 

In definitiva, questi autori ci invitano a trattare il cervello bayesiano non come una verità biologica, ma come un modello utile per spiegare certi fenomeni cognitivi, ma da maneggiare con cautela. La sua forza sta nel potere esplicativo, non nella fedeltà letterale al funzionamento del cervello.

Facciamo il punto

L’idea del cervello bayesiano è affascinante perché propone un principio unico in grado di spiegare come percepiamo apprendiamo e decidiamo. È una metafora potente, ma non una verità assoluta. Più che descrivere fedelmente il funzionamento del cervello, il modello bayesiano offre un’ipotesi di lavoro utile per comprendere (e mettere in discussione) i modi in cui interpretiamo il mondo. Diversi studiosi (Rahnev 2020; Sanborn e Chater, 2016; Charter et al 2020; Brette 2019; Pouget 2013), hanno infatti sottolineato che comportamenti apparentemente “ottimali” possono emergere anche da meccanismi alternativi, senza che il cervello esegua davvero calcoli bayesiani, o espresso cautela sulla possibilità di verificare sperimentalmente l’esistenza di rappresentazioni probabilistiche esplicite nei circuiti neurali. Le critiche più ricorrenti puntano su tre aspetti: la non-unicità dei comportamenti compatibili col modello, l’ipersemplificazione dei contesti reali e la scarsità di prove neurali dirette. Tuttavia, proprio in quanto modello, il cervello bayesiano si rivela utile per spiegare perché la nostra “verità” soggettiva sia spesso solo una stima probabilistica del reale. Comprendere questi meccanismi aiuta a chiarire l’origine di bias cognitivi, illusioni percettive, pensiero magico e credenze pseudoscientifiche. In questo senso, la sfida del pensiero critico diventa distinguere tra ciò che crediamo e ciò che effettivamente è.

Bibliografia

• Berkes P, Orbán G, Lengyel M, Fiser J. Spontaneous cortical activity reveals hallmarks of an optimal internal model of the environment. Science. 2011. 
• Bowers JS, Davis CJ. Bayesian just-so stories in psychology and neuroscience. Psychol Bull. 2012.
• Brette, R. (2018). Is coding a relevant metaphor for the brain? The Behavioral and Brain Sciences, 42(Shannon 1948), e215. https://doi.org/10.1017/S0140525X19000049
• Chater, N., Zhu, J. Q., Spicer, J., Sundh, J., León-Villagrá, P., & Sanborn, A. (2020). Probabilistic Biases Meet the Bayesian Brain. Current Directions in Psychological Science, 29(5), 506–512. https://doi.org/10.1177/0963721420954801
• Dehaene S. Consciousness and the Brain: Deciphering How the Brain Codes Our Thoughts. New York: Viking. 2014.
• Deneve S, Latham PE, Pouget A. Reading population codes: a neural implementation of ideal observers. Nat Neurosci. 1999.
• Fletcher PC, Frith CD. Perceiving is believing: a Bayesian approach to explaining the positive symptoms of schizophrenia. Nat Rev Neurosci. 2009.
• Friston K. The free-energy principle: a unified brain theory? Nat Rev Neurosci. 2010.
• Garofalo S, Maier ME, & di Pellegrino, G. Mediofrontal negativity signals unexpected omission of aversive events. Scientific report. 2014.
• Garofalo, S., Timmermann, C., Battaglia, S., Maier, M. E., & di Pellegrino, G. Mediofrontal Negativity Signals Unexpected Timing of Salient Outcomes. Journal of Cognitive Neuroscience. 2017.
• Griffiths TL, Chater N, Norris D, Pouget A. How the Bayesians got their beliefs (and what those beliefs actually are): Comment on Bowers and Davis (2012). Psychol Bull. 2012.
• Knill DC, Pouget A. The Bayesian brain: the role of uncertainty in neural coding and computation. Trends Neurosci. 2004.
• Pouget, A., Beck, J. M., Ma, W. J., & Latham, P. E. (2013). Probabilistic brains: Knowns and unknowns. Nature Neuroscience, 16(9), 1170–1178. https://doi.org/10.1038/nn.3495
• Rahnev, D. (2019). The Bayesian brain: What is it and do humans have it? Behavioral and Brain Sciences, 42(5), e238. https://doi.org/10.1017/S0140525X19001377
• Rao RP. An optimal estimation approach to visual perception and learning. Vision Res. 1999.
• Sanborn, A. N., & Chater, N. (2016). Bayesian Brains without Probabilities. Trends in Cognitive Sciences, 20(12), 883–893. https://doi.org/10.1016/j.tics.2016.10.003
• Solway A, Botvinick MM. Goal-directed decision making as probabilistic inference: A computational framework and potential neural correlates. Psychol Rev. 2012.
• Téglás E, Vul E, Girotto V, Gonzalez M, Tenenbaum JB, Bonatti LL. Pure Reasoning in 12-Month-Old Infants as Probabilistic Inference. Science. 2011.

Immagine di Tumisu da Pixabay