Какова задача нервной системы? Способствовать выживанию и размножению животного. Нервная система работает хорошо, когда возбуждение эффекторов приводит к полезным с этой точки зрения изменениям состояния среды, и плохо — в противном случае. Совершенствуясь в процессе эволюции, нервная система выполняет эту задачу все лучше и лучше. Каким образом это удается? Каким законам подчиняется процесс ее совершенствования?
Мы попытаемся ответить на эти вопросы, выделив в эволюции нервной системы животных несколько этапов, четко отличающихся между собой с кибернетической точки зрения, и показав, что из основного закона эволюции следует неизбежность перехода от каждого предыдущего этапа к каждому последующему. Так как в кибернетическую эру эволюция живых существ — это прежде всего эволюция их нервной системы, периодизация развития нервной системы дает периодизацию развития жизни в целом.
1.9. Простой рефлекс (раздражимость)
Простейший вариант нервной сети — это вообще ее отсутствие. В этом случае рецепторы непосредственно связаны с эффекторами и возбуждение с одного или нескольких рецепторов передается на один или несколько эффекторов. Такую прямую связь между возбуждением рецептора и эффектора мы назовем простым рефлексом.
Этот этап — третий по нашей сквозной нумерации этапов эволюции — является пограничным между химической и кибернетической эрами. Тип кишечнополостных представляет животных, застывших на уровне простого рефлекса. Возьмем, например, гидру, которую изучают в школе как типичного представителя кишечнополостных. Тело гидры (рис. 1.8) имеет вид удлиненного мешочка. Его внутренность — кишечная полость — сообщается с внешней средой через ротовое отверстие, окруженное несколькими щупальцами. Стенки мешочка состоят из двух слоев клеток: внутреннего (энтодерма) и внешнего (эктодерма). И в эктодерме, и в энтодерме много мышечных клеток, содержащих волоконца, которые могут сокращаться, приводя тело гидры в движение. Кроме того, в эктодерме есть и нервные клетки, причем клетки, расположенные ближе всего к поверхности, — это рецепторы, а клетки, заложенные глубже, среди мышц, — эффекторы. Если к гидре прикоснуться иглой, она сжимается в комочек. Это простой рефлекс, вызванный передачей возбуждения от рецепторов к эффекторам.
Но гидра способна и к гораздо более сложному поведению. Захватив добычу, она подтягивает ее щупальцами к ротовому отверстию и заглатывает. Такое поведение тоже можно объяснить совокупным действием простых рефлексов, связывающих эффекторы и рецепторы локально — в пределах большого участка тела. Например, следующая модель щупальца объясняет его способность обвиваться вокруг падающих предметов (рис. 1.9). Представим себе некоторое количество звеньев, соединенных между собой шарнирами (для простоты рассматриваем плоскую картину). Точки A и B, A' и B', B и C, В' и C' и т. д. соединены между собой тяжами, которые могут сокращаться (мышцы). Все эти точки являются чувствительными, возбуждаясь от прикосновения к предмету (рецепторы). Возбуждение каждой точки приводит к сокращению двух соседних с нею тяжей (рефлекс).
Простая рефлекторная связь между возбудимой и мышечной клетками естественно возникает в процессе эволюции по методу проб и ошибок: если оказывается, что корреляция между возбуждением одной клетки и сокращением другой полезна для животного, то эта корреляция устанавливается и закрепляется. При механическом копировании связанных клеток в процессе роста и размножения природа получает систему параллельно действующих простых рефлексов, подобную щупальцу гидры. Но когда в ее (природы) распоряжении оказывается множество рецепторов и эффекторов, связанных попарно или локально, у нее «возникает искушение» усложнить систему связей путем введения промежуточных нейронов. Выгодность этого следует из того, что при наличии системы связей между всеми нейронами становятся возможными такие формы поведения, которые невозможны при ограничении парными или локальными связями. Последнее утверждение можно доказать простым подсчетом всевозможных способов преобразования ситуации в действие при том и другом способах связи. Пусть, например, у нас есть n попарно связанных рецепторов и эффекторов. Связь в каждой паре может быть либо положительная (возбуждение вызывает возбуждение, покой — покой), либо отрицательная (возбуждение вызывает покой, покой — возбуждение). Следовательно, всего возможно 2n вариантов связи, т. е. 2n вариантов поведения. Если же предположить, что система связей может быть произвольная, т. е. состояние возбуждения или покоя каждого эффектора может произвольным образом зависеть от состояния всех рецепторов, то подсчет всевозможных вариантов поведения приводит к числу 2(2n)n, неизмеримо большему, чем 2n. Совершенно такой же расчет приводит к заключению, что объединение любых подсистем, связывающих независимо друг от друга группы рецепторов и эффекторов в единую систему, всегда приводит к огромному возрастанию числа возможных вариантов поведения. Поэтому на протяжении всей истории жизни эволюция нервной системы проходит под знаком увеличения централизации.
Однако централизация централизации рознь. Если связать все нейроны в один бессмысленно запутанный клубок, то, несмотря на крайнюю «централизованность» такой системы, она вряд ли будет иметь шансы выжить в борьбе за существование. Централизация ставит следующую проблему: как из всех мыслимых способов соединения многих рецепторов с многими эффекторами (с помощью промежуточных нейронов, если потребуется) выбрать такой способ, который будет каждой ситуации сопоставлять правильное, т. е. полезное для выживания и размножения, действие? Ведь подавляющее большинство способов соединения не обладает этим свойством.
Мы знаем, что каждый новый шаг на пути усложнения живых структур природа делает по методу проб и ошибок. Посмотрим, что дает непосредственное применение метода проб и ошибок к нашей проблеме. Рассмотрим для примера небольшую систему из ста рецепторов и ста эффекторов. Допустим, что в нашем распоряжении сколько угодно нейронов для создания промежуточной нервной сети и что мы умеем легко определять, дает ли данный способ соединения нейронов правильную реакцию на каждую ситуацию. Будем перебирать все мыслимые способы, пока не натолкнемся на нужный. При n = 100 число функционально различных нервных сетей между n рецепторами и n эффекторами есть
2(2n)n ≈ 10(1032).
Число это невообразимо велико. Перебор такого числа вариантов недоступен не только нам, но и нашей матушке-природе. Если бы каждый атом во всей видимой нами части Вселенной занимался просмотром вариантов и перебирал бы их со скоростью миллиард штук в секунду, то и за миллиард миллиардов лет (а наша Земля существует не более десяти миллиардов лет) не была бы просмотрена и миллиардная доля общего числа вариантов.
Между тем как-то ведь происходит формирование эффективно работающей нервной сети! Причем число рецепторов и эффекторов у высших животных исчисляется не сотнями и не тысячами, а миллионами.
Разгадка кроется в иерархическом строении нервной системы.
Здесь нам снова необходим экскурс в область общекибернетических понятий. Четвертый этап эволюции мы назовем этапом сложного рефлекса, но дать определение этому понятию сможем лишь после того, как познакомимся с некоторыми фактами об иерархически устроенных нервных сетях.
1 Мы следуем в основном докладу С. Э. Шноля «Сущность жизни. Инвариантность общего направления биологической эволюции» (Диалектика и современное естествознание: Матер. семинара. Дубна, 1967)
Глава 2. Иерархические структуры
Рассмотрим такую нервную сеть, которая на входе имеет много рецепторов, а на выходе — всего один эффектор, так что нервная сеть делит множество всех ситуаций на два подмножества: ситуации, вызывающие возбуждение эффектора, и ситуации, оставляющие его в покое. Задачу, решаемую в этом случае нервной сетью, называют задачей распознавания (имеется в виду распознавание принадлежности ситуации к тому или иному множеству). Животному в борьбе за существование приходится сплошь и рядом решать задачу распознавания, например: отличить ситуацию, опасную для жизни, от неопасной, отличить съедобные предметы от несъедобных и т. п. Это только наиболее яркие примеры, детальный анализ поведения животного приводит к выводу, что для выполнения сколь-нибудь сложного действия оно должно непрерывно решать множество «мелких» задач распознавания.
