Bayesianizm stosowany

Definicja robocza

Bayesianizm stosowany to praktyka traktowania własnych przekonań jako stopni pewności, które po każdym nowym dowodzie przelicza się według reguły Bayesa: liczy się nie to, czy dowód „pasuje” do hipotezy, lecz o ile bardziej był prawdopodobny w świecie, w którym hipoteza jest prawdziwa, niż w świecie, w którym jest fałszywa, oraz jaka była pewność przed jego zobaczeniem. W wersji technicznej (Jeffreys, Jaynes, statystyka bayesowska) jest to rachunek na rozkładach a priori i a posteriori; w wersji potocznej, rozpowszechnionej przez Eliezera Yudkowsky'ego i środowisko racjonalistów, jest to zestaw nawyków: nazwij pewność liczbą, zapytaj, jakiego wyniku spodziewałbyś się w obu światach, przesuwaj się małymi krokami i nie odmawiaj aktualizacji, gdy wynik ci nie odpowiada. Obie wersje łączy teza, że prawdopodobieństwo opisuje stan wiedzy rozmówcy, a nie częstość w świecie.

Geneza i rodowód

Reguła pochodzi z pośmiertnego eseju Thomasa Bayesa (1763, ogłoszonego przez Richarda Price'a) i z prac Laplace'a o „prawdopodobieństwie przyczyn” (od 1774 r.), ale przez większość XX wieku była w statystyce w defensywie: Fisher, Neyman i Pearson zbudowali warsztat częstościowy, który obywa się bez prawdopodobieństw a priori. Odbudowę prowadziły trzy linie: logiczno-obiektywna (Harold Jeffreys, Theory of Probability, 1939; twierdzenie Richarda Coxa z 1946 r. o jedyności rachunku stopni przekonania; Edwin T. Jaynes z zasadą maksymalnej entropii z 1957 r. i traktatem Probability Theory: The Logic of Science, wydanym pośmiertnie w 2003 r.), subiektywna (Frank Ramsey 1926, Bruno de Finetti 1937, Leonard Savage 1954, z argumentem z „holenderskiego zakładu”) i obliczeniowa (metody Monte Carlo łańcuchów Markowa od lat 90., dziś pakiety w rodzaju Stan). Słowo „stosowany” w tytule pojęcia oznacza czwarty obieg: Yudkowsky w esejach pisanych w latach 2006–2009 na Overcoming Bias i LessWrong, zebranych w Rationality: From AI to Zombies (2015), przeniósł Jaynesa z laboratorium do życia codziennego, a Philip Tetlock w turniejach prognostycznych (Good Judgment Project, 2011–2015) sprawdził, czy to działa. Po drodze pojęcie uległo deformacji: „moje priory” stało się w sieci eufemizmem dla uprzedzeń, a „zaktualizowałem się” retorycznym gestem bez liczby.

Rodowód środkowoeuropejski

Trzy postaci regionu stoją w trzech różnych relacjach do pojęcia. George Pólya, wykształcony w Budapeszcie (studia od 1905 r., rok 1910–1911 w Wiedniu), opisał w Mathematics and Plausible Reasoning (1954) jakościowe wzorce rozumowania wiarygodnego: jeśli hipoteza implikuje wniosek, a wniosek okazał się prawdziwy, hipoteza staje się bardziej wiarygodna, i to tym bardziej, im mniej prawdopodobny był wniosek sam w sobie. Jaynes zaczyna od tych „słabych sylogizmów” i zaznacza, że wykład Pólyi był pierwotnym źródłem wielu jego idei; cała jego książka jest próbą nadania im postaci ilościowej. Abraham Wald, po studiach w Klużu i doktoracie u Karla Mengera w Wiedniu (1931), w artykule z 1939 r. ujął estymację i testowanie jako jeden problem decyzji statystycznej i wprowadził reguły decyzyjne Bayesa; dzisiejsze twierdzenia o klasie zupełnej, według których każda reguła dopuszczalna jest regułą Bayesa, wyrastają z tej ramy, choć sam Wald bayesistą nie był. Karl Popper, wykształcony na Uniwersytecie Wiedeńskim (doktorat 1928), w Logik der Forschung (1934) odrzucił indukcję i tezę, że lepsza jest teoria bardziej prawdopodobna; z Davidem Millerem bronił później stanowiska, że wsparcie probabilistyczne nie jest wsparciem indukcyjnym. To kontrapunkt, nie wpływ: bayesowska aktualizacja i popperowska korroboracja do dziś konkurują jako obrazy nauki.

Dlaczego teraz

Trzy procesy z lat 2016–2026 wypchnęły regułę Bayesa poza seminaria. Po pierwsze, kryzys replikacji w psychologii i biomedycynie zmusił statystyków do publicznego sporu o wartość p: oświadczenie American Statistical Association (2016), propozycja obniżenia progu istotności do 0,005 (Benjamin i in., Nature Human Behaviour, 2018) i apel ponad ośmiuset badaczy o porzucenie „istotności statystycznej” (Amrhein, Greenland, McShane, Nature, marzec 2019) otworzyły drogę czynnikom Bayesa i modelowaniu bayesowskiemu jako alternatywie. Po drugie, pandemia w 2020 r. uczyniła z rachunku na częstościach bazowych wiedzę publiczną: czułość i swoistość testu, prawdopodobieństwo zakażenia przy dodatnim wyniku, aktualizacja oceny ryzyka z tygodnia na tydzień. Po trzecie, kultura prognozowania wyszła z niszy: platformy w rodzaju Metaculusa, rynki przewidywań z Polymarketem w roli głównej podczas wyborów w USA w 2024 r. i język „p(doom)” w sporze o ryzyko sztucznej inteligencji, który z książką Yudkowsky'ego i Nate'a Soaresa If Anyone Builds It, Everyone Dies (2025; wydanie polskie PWN 2026) trafił na listy bestsellerów. Równolegle badacze modeli językowych opisują uczenie w kontekście jako niejawne wnioskowanie bayesowskie, co czyni z reguły Bayesa także hipotezę o tym, jak działają maszyny, z którymi rozmawiamy.

Siła wyjaśniająca

Pojęcie pozwala zobaczyć trzy rzeczy. Pierwsza to zaniedbanie częstości bazowej: test o czułości 99% i swoistości 99% przy chorobie dotykającej jedną osobę na tysiąc daje dodatni wynik, który oznacza prawdopodobieństwo choroby rzędu 9%, nie 99%, i bez jawnego rachunku intuicja tego nie wychwyci. Druga to zasada zachowania oczekiwanego dowodu: jeśli każdy możliwy wynik obserwacji miałby wzmocnić twoje przekonanie, nie prowadzisz testu, tylko rytuał; tę samą regułę można stosować do analityków, którzy każde dane wydarzenie tłumaczą swoją teorią. Trzecia to miara siły dowodu ilorazem wiarygodności: twierdzenie, które pasuje do każdego scenariusza, nie wyjaśnia żadnego, co jest popperowską intuicją o śmiałych teoriach przełożoną na liczby. W praktyce prognostycznej daje to narzędzia mierzalne: kalibrację (czy zdarzenia, którym dawałeś 70%, zachodzą w 70% przypadków) i wynik Briera, który pozwala porównać prognostów bez względu na to, jak elokwentnie uzasadniali swoje zdanie.

Osie sporu

Niedoceniany kąt

Reguła Bayesa nie mówi nic o tym, skąd biorą się hipotezy; przelicza wagi między kandydatami, których ktoś już wymyślił. Jaynesowski „robot” ma z góry daną przestrzeń hipotez, a najciekawsze ruchy poznawcze, czyli wynalezienie nowej hipotezy albo stwierdzenie, że cała rama jest zła, leżą poza nim. Dlatego Pólya, od którego Jaynes zaczynał, jest ważniejszy, niż się wydaje: jego tomy są o zgadywaniu, o analogii i o tym, jak powstaje przypuszczenie, a nie tylko o tym, jak je ważyć. Gelman i Shalizi opisują to samo od strony praktyki: statystyk bayesowski większość czasu spędza na sprawdzaniu, czy model w ogóle pasuje, i na jego wymianie, co jest ruchem popperowskim wykonywanym narzędziami bayesowskimi. Bayesianizm stosowany jest więc w najlepszym razie połową metody; druga połowa, sztuka formułowania problemu, nie ma rachunku i rzadko bywa trenowana.

W przekładzie

Polska statystyka ma ustalone „wnioskowanie bayesowskie” i „rozkład a priori”, ale dla postawy życiowej, o którą tu chodzi, terminu nie ma. „Bayesianizm” jest kalką, która po polsku brzmi jak nazwa doktryny; „epistemologia bayesowska” jest poprawna, lecz akademicka; „aktualizacja przekonań” opisuje czynność, nie stanowisko. Wybieramy „bayesianizm stosowany”, bo dodatek „stosowany” oddaje to, co odróżnia ten obieg od statystyki: chodzi o nawyk, nie o rachunek. Angielskie update tłumaczymy jako „aktualizować przekonanie”, nie „updejtować się”; prior jako „pewność wstępna” w tekście potocznym i „rozkład a priori” w technicznym.