Глава 3. Суммируем маленькие победы

Как мы уже поняли, живые существа слишком невероятны и слишком красиво «спроектированы», чтобы появиться случайно. Но тогда как же они возникли? Ответ, который дал Дарвин, таков: путём постепенных, пошаговых преобразований более простых существ, ведущих начало от первоначальных сущностей — достаточно простых, чтобы возникнуть самопроизвольно и спонтанно. Каждая последовательная, отталкивающаяся от предшествующего статус-кво новация эволюционного процесса была достаточно проста, чтобы возникнуть самопроизвольно. Но вся нарастающая последовательность таких шагов представляет собой совсем не случайный процесс, если рассматривать сложность конечных продуктов относительно изначальной отправной точки. Процессу накопления придаёт направленность неслучайный процесс выживания. Цель этой главы состоит в демонстрации мощности этой нарастающей селекции, как принципиально неслучайного процесса.

Прогуливаясь по галечному пляжу, вы наверняка заметите, что средний размер гальки в разных местах пляжа различается. Гальки помельче как правило сконцентрированы в одних тянущихся вдоль пляжа зонах или полосах, покрупнее — в других. Гальки отсортировались, упорядочились, отобрались. Какое-нибудь живущее на берегу племя могло бы задаваться вопросом о причинах этой сортированности и упорядоченности в мире и могло бы сочинить объясняющий её миф, возможно, приписывая эти деяния Великому Духу Небес, любящему опрятность и упорядоченность. Мы могли бы снисходительно улыбнуться, узнав о таком суеверном представлении, и объяснить, что на деле упорядоченность была плодом слепых сил физики, в данном случае — воздействием волн. У волн нет никаких целей и намерений, никакой любви к опрятности и совсем никаких мыслей. Они лишь энергично разбрасывают гальку во все стороны, а гальки различных размеров различно реагируют на это воздействие, и в результате они оседают на различных уровнях пляжа. Из полного беспорядка получился маленький порядок, и никакой разум его не планировал.

Волны и галька являются простым примером системы, которая автоматически генерирует какую-то упорядоченность. Наш мир полон таких систем. В качестве простейшего примера я могу предложить отверстие. Через отверстие могут проходить только объекты меньшие его. Это означает, что, если вы начнёте хаотично собирать объекты над отверстием и с какой-то силой трясти и толкать их в случайных направлениях, то через какое-то время объекты выше, и объекты ниже отверстия приобретут неслучайную отсортированность. Пространство ниже отверстия будет склонно содержать объекты, меньшие отверстия, а пространство выше — большие. Конечно же, человечество уже давно использует этот простой принцип генерации неслучайности в таком полезном устройстве, как сито.

Солнечная система — это устойчивая система из планет, комет и разных осколков, вращающихся по орбитам вокруг Солнца; возможно, это одна из многих таких систем во Вселенной. Чем ближе такой спутник к своему солнцу, тем быстрее он должен двигаться по орбите, чтобы противостоять его притяжению и оставаться на устойчивой орбите. Для любой заданной орбиты существует только одна скорость, с которой спутник может двигаться, оставаясь на этой орбите. Если он приобретёт любую другую скорость, то или улетит в глубокий космос, или врежется в Солнце, или перейдёт на другую орбиту. И если мы посмотрим на планеты нашей солнечной системы, то увидим, что каждая из них двигается с именно той скоростью, чтобы держатся на своей устойчивой орбите вокруг Солнца. Что это — благословенное чудо преднамеренного проекта? Нет — лишь другое естественное «сито». Очевидно, что все планеты, которые мы видим на орбитах вокруг Солнца, должны двигаться со строго определённой скоростью, чтобы держаться на своих орбитах — в противном случае мы бы не видели их там, потому что их бы там не было! Но столь же очевидно, что это не есть свидетельство сознательности проекта. Это — лишь другой вид сита. Но отсеивания такого порядка из исходного беспорядка само по себе недостаточно, чтобы объяснить массовую упорядоченность, которую мы видим у живых существ — даже отдалённо. Вспомните аналогию с кодовым замком. Упорядочивать простым просеиванием — примерно то же самое, что открывать кодовый замок с одним диском: он легко открывается при минимальном везении. Живые системы эквивалентны гигантскому кодовому замку с почти неисчислимым количеством дисков. Изготовление биологической молекулы, такой, как гемоглобин (красный пигмент крови), простым просеиванием было бы эквивалентно тому, чтобы смешивать наугад все аминокислотные остатки гемоглобина в надежде, что молекула гемоглобина спонтанно воссоздастся по счастливой случайности. Степень везения, которая бы потребовалась для этого подвига, невероятна и образно названа Айзеком Азимовым «мысленным монстром».

Трёхмерная молекула гемоглобина состоит из четырёх переплетающихся аминокислотных цепей. Давайте рассмотрим только одну из них. Она состоит из 146 аминокислот. Всего в живой материи встречается 20 различных аминокислот. Количество возможных способов взаимосоединения 20 видов звеньев в цепь из 146 штук длиной — это немыслимо большое число, которое Азимов назвал «числом гемоглобина». Его легко вычислить, но невозможно представить. Первым звеном этой цепи из 146 звеньев могла быть любой из 20 возможных аминокислот. Вторая также могла быть любой из этих же 20, всего возможных вариантов двухзвенной цепи — 20 x 20 = 400. Количество возможных вариантов трёхзвенной цепи — 20 x 20 x 20 = 8000. Количество возможных вариантов 146-звенной цепи — 20 умноженное само на себя 146 раз. Это потрясающе большое число. Миллион — это единица с 6 нулями. Миллиард (1000 миллионов) — единица 9 нулями. Искомое нами «число гемоглобина», это, округлённо — единица 190 нулями! Один против этого числа — вот наш шанс натолкнуться на гемоглобин наудачу. А ведь сложность молекулы гемоглобина — ничтожная часть сложности живого тела. Очевидно, что само по себе простое просеивание даже отдалённо не способно к созданию той упорядоченности, что имеется в живом существе. Просеивание — это существенный компонент в генерации живой упорядоченности, но это далеко-далеко не весь рассказ. Нужно ещё кое-что. Чтобы пояснить эту мысль, мне будет нужно подчеркнуть различие между «одноразовым» и «нарастающим» отбором. Простые сита, которые мы пока рассматривали в этой главе — это всё примеры одноразового отбора. Организация живой материи — это плод нарастающего отбора.

Принципиальное различие между одноразовым и нарастающим отбором состоит вот в чём. При одноразовом отборе отбираемые или сортируемые объекты — гальки или что бы то ни было ещё — сортируются раз и навсегда. При нарастающем отборе, напротив, они «размножаются»; или как-то иначе передают результаты одного просеивания в последующее просеивание, которое передает его далее …, и так бесконечно. Объекты подвергаются отбору или сортировке в течение многих последовательных поколений. Конечный продукт одного поколения — отправная точка отбора следующего поколения, и так много раз. Применение таких слов как «воспроизводство» и «поколение», которые мы ассоциируем с живыми существами естественно, ибо живые существа — главные примеры известных нам сущностей, участвующих в нарастающем отборе. На практике они, возможно, единственные сущности, которые в нём участвуют. Но в этот момент я не хочу ставить вопрос столь жёстко.

Облака, под действием хаотичных порывов ветра, принимают форму, похожую на знакомые нам предметы. Есть публикация большой фотографии, сделанной пилотом маленького самолета, на которой облако выглядело как лицо Иисуса, пристально глядящего с неба. Все мы видели облака, которые напомнили нам что-нибудь — скажем, морского конька или улыбающееся лицо. Эти совпадения возникли в результате одноразового отбора, то есть — совпадение было единственным. Следовательно, они не очень выразительны. Подобие зодиакальных созвездий тем животным, в честь которых они были названы — Скорпион, Лев и так далее, столь же невыразительны, как и предсказания астрологов. Мы не видим при этом такого ошеломляющего подобия, какое мы видим в биологических адаптациях — продукте нарастающего отбора. Подобие насекомого листу растения или подобие богомола соцветию розовых цветов мы описываем как сверхъестественное, жуткое или захватывающее. Подобие облака хорьку только слегка развлекает и достойно лишь привлечения внимания нашего компаньона. Не говоря уж о том, что мы, весьма вероятно, тут же изменим своё мнение насчёт того, на что это облако похоже точнее.

Гамлет: Видите вы вон то облако в форме верблюда?

Полоний: Ей-богу, вижу, и действительно, ни дать ни взять верблюд.

Гамлет: По-моему, оно смахивает на хорька.

Полоний: Правильно: спинка хорьковая.

Гамлет: Или как у кита.

Полоний: Совершенно как у кита.[7]

Я не знаю, кто сказал первым, что при наличии достаточного времени обезьяна, беспорядочно стучащая по клавишам пишушей машинки, смогла бы когда-нибудь напечатать все произведения Шекспира. Ключевая фраза здесь, конечно, «при наличии достаточного времени». Давайте несколько сузим задачу, стоящую перед нашей обезьяной. Предположим, что ей нужно воспроизвести не все произведения Шекспира, а только короткое предложение «Methinks it is like a weasel» («По-моему, оно смахивает на хорька»), и облегчим её работу, предоставив ей пишущую машинку с клавиатурой, состоящей только из 26 букв (заглавных) и клавиши пробела. Сколько времени ей потребуется, чтобы написать это небольшое предложение?

Предложение состоит из 28 символов, так что давайте предположим, что обезьяна будет производить серию попыток, состоящих из 28 ударов по клавиатуре. Если она напечатает фразу правильно, то это будет окончанием эксперимента. Если нет, то мы предоставляем ей другую 28-символьную «попытку». У меня нет знакомых обезьян, но, к счастью, моя 11-месячная дочь — опытный генератор случайных символов, она лишь продемонстрировала слишком большое нетерпение, чтобы продвигаться в работе обезьяны-машинистки поэтапно. Вот что она напечатала на компьютере:

UMMK JK CDZZ F ZD DSDSKSM

S SS FMCV PU I DDRGLKDXRRDO

RDTE QDWFDVIOY UDSKZWDCCVYT

H CHVY NMGNBAYTDFCCVD D

RCDFYYYRM N DFSKD LD K WDWK

JJKAUIZMZI UXDKIDISFUMDKUDXI

Поскольку у дочери есть другие важные дела, то роль такой машинистки я поручил компьютерной программе, имитирующей беспорядочно печатающего младенца или обезьяну:

WDLDMNLTDTJBKWIRZREZLMQCO P

Y YVMQKZPGJXWVHGLAWFVCHQYOPY

MWR SWTNUXMLCDLEUBXTQHNZVJQF

FU OVAODVYKDGXDEKYVMOGGS VT

HZQZDSFZIHIVPHZPETPWVOVPMZGF

GEWRGZRPBCTPGQMCKHFDBGW ZCCF

И так далее в том же духе. Несложно подсчитать, как долго нам придётся ждать, пока генератор случайных символов (младенец или обезьяна) напечатают «METHINKS IT IS LIKE A WEASEL». Оценим общее количества возможных фраз заданной длины, которые обезьяна, младенец или генератор случайных символов могли бы напечатать. Вычисления будут теми же самыми, какие мы делали для гемоглобина, и приведут к аналогично большому результат. На первой позиции этой строки возможно 27 возможных символов (включая символ пробела). Шанс, что обезьяна, напечатает букву «M» прямо следует из количества символов — 1 из 27. Шанс, что вторая буква будет «E» аналогичен шансу, что первая буква будет «M», а шанс, что первые две буквы будут «ME» равен их произведению 1/27 x 1/27, что даст 1/729. Шанс на то, что первое слово будет «METHINKS» — это шанс на появление каждой буквы на своём месте — 1/27 для каждой, итого (1/27) x (1/27) x (1/27) x (1/27) … и так далее 8 раз, то есть (1/27) в степени 8. Шанс на получение всей этой фразы из 28 символов, есть (1/27) в степени 28, то есть (1/27) умножимое само на себя 28 раз. Это очень маленький шанс, примерно 1 из 10000 миллионов миллионов миллионов миллионов миллионов миллионов. Искомую фразу, таким образом придётся ждать, мягко говоря, долго, не говоря уж о всех произведениях Шекспира.

Так долго получается в случае одноразового отбора случайной вариации. Теперь рассмотрим нарастающий отбор — насколько он будет эффективнее? Очень и очень намного! Гораздо эффективнее, чем мы, возможно, себе представляем в первый момент, хотя это почти очевидно, если мы подумаем над этим чуть более. Мы снова используем нашу компьютерную обезьяну, но внесём критическое изменение в программу. Она, как и раньше, снова начинает, выбирая случайную последовательность из 28 букв:

WDLMNLT DTJBKWIRZREZLMQCO P

Однако теперь она «размножает» эту случайную фразу. Она реплицирует её неоднократно, но с некоторой вероятностью случайной ошибки — «мутации» при копировании. Компьютер исследует мутировавшую бессмысленную фразу, «потомка» первоначальной, и выбирает ту, которая более всего (хотя бы чуть-чуть) походит на нашу искомую фразу, «METHINKS IT IS LIKE A WEASEL». В данном случае, в следующем поколении победила такая фраза:

WDLTMNLT DTJBSWIRZREZLMQCO P

Улучшение неочевидное! Но процедура повторилась, и снова мутировавший «потомок» «вывелся» от последней фразы, и отобран новый «победитель». И так поколение за поколением. После 10 поколений, фраза, выбранная на роль «производителя» была такой:

MDLDMNLS ITJISWHRZREZ MECS P

А вот что было после 20 поколений:

MELDINLS IT ISWPRKE Z WECSEL

А вот здесь глаз уже не может на заметить некоторого подобия искомой фразе. В 30-м поколении в подобии можно уже не сомневаться:

METHINGS IT ISWLIKE B WECSEL

На 40-м поколении — мы в одной букве от цели:

METHINKS IT IS LIKE I WEASEL

И вот цель наконец достигнута в 43-м поколении.

Второй прогон компьютер начал с фразы:

Y YVMQKZPFJXWVHGLAWFVCHQXYOPY

Результаты прогона были таковы (снова приводится только каждое десятое поколение):

Y YVMQKSPFTXWSHLIKEFV HQYSPY

YETHINKSPITXISHLIKEFA WQYSEY

METHINKS IT ISSLIKE A WEFSEY

METHINKS IT ISBLIKE A WEASES

METHINKS IT ISJLIKE A WEASEO

METHINKS IT IS LIKE A WEASEP

И конечная цель достигнута в поколении 64. Третий прогон компьютер начал с фразы:

GEWRGZRPBCTPGQMCKHFDBGW ZCCF

И достиг «METHINKS IT IS LIKE A WEASEL» в 41-м поколении селективного «размножения».

Точное время, затраченное компьютером на достижение цели, значения не имеет. Но если вы настаиваете, то он закончил весь первый прогон за время, пока я завтракал — то есть, примерно полчаса. (Энтузиасты-компьютерщики могут счесть, что это неправдоподобно долго. Но дело в том, что программа была написана на БЕЙСИКЕ — это язык программирования для младенцев. Когда я переписал её на Паскале, то она стала выполняться за 11 секунд). Компьютеры в этих делах несколько быстрее обезьян, но разница действительно не имеет значения. Значение имеет разница между временем нарастающей селекции и временем, потребным тому же самому компьютеру, работающему с той же скоростью, на достижение целевой фразы, если мы заставим его использовать другую процедуру — процедуру одноразового отбора: это примерно миллион миллионов миллионов миллионов миллионов лет. Это в миллион миллионов миллионов раз больше времени существования Вселенной. Фактически разумнее говорить, что в сравнении с временем, потребным, неважно кому — хоть обезьяне, хоть компьютерному генератору случайных символов, для генерации нашей целевой фразы, возраст Вселенной — столь ничтожная величина, что на практике утонет в погрешностях данного рода вычислений. В то же время, компьютерному генератору случайных символов, но работающему по алгоритму нарастающего выбора, для выполнения той же самой задачи потребуется совершенно обозримое время — от 11 секунд до длительности спокойного завтрака.

Различие между нарастающим отбором (при котором каждое улучшение, пусть небольшое, используется как фундамент для будущей постройки) и одноразовым выбором (при котором каждая новая «попытка» делается «с нуля»), просто неимоверно огромно. Если бы эволюционный прогресс полагался на одноразовый отбор, то он никогда и нигде не имел бы места. Однако, если где-нибудь и как-нибудь слепые силы природы создадут условия для нарастающего отбора, то необыкновенные и удивительные последствия не заставят себя ждать. Собственно говоря, именно это и произошло на нашей планете, и мы с вами — одно из новейших, и может быть — самое необыкновенное и удивительное из этих последствий. Просто поразительно, как можно всё ещё полагать вычисления, вроде наших вычислений «числа гемоглобина» аргументами против теории Дарвина. Люди, так полагающие, часто эксперты в своей сфере — астрономии или где-то ещё, похоже, вполне искренне полагают, что дарвинизм объясняет организацию живой материи в терминах «спонтанности» — одного только «одноразового отбора». Вера в то, что дарвиновская эволюция «спонтанна», не просто ложна. Это точная антитеза правды. Случай — второстепенный компонент в дарвиновском рецепте, главнейший же — нарастающий отбор, который принципиально неслучаен.

Облака не способны к нарастающему отбору. Не существует механизма, посредством которого облака какой-то конкретной формы могли бы передавать дочернему облаку сходство с собой. Если бы такой механизм имелся, если бы облако, похожее на хорька или верблюда могли бы порождать линию других облаков примерно той же самой формы, то нарастающий отбор имел бы возможность продвижения. Конечно, облака дробятся и иногда формируют «дочерние» облака, но для нарастающего отбора этого недостаточно. Также необходимо чтобы «потомок» любого данного облака походил на своего «родителя» больше, чем он походит на любого чужого «родителя» в «популяции». Этот жизненно важный момент очевидно искажённо истолковывался некоторыми философами, которые в последние годы проявили интерес к теории естественного отбора. Кроме того, необходимо, чтобы шансы данного облака на выживание и порождение потомков зависели от его формы. Возможно, в какой-нибудь отдалённой галактике эти условия действительно возникали, и результатом этого могла быть, если прошло достаточное количество миллионов лет, некая воздушная, утончённая форма жизни. Это могло бы быть хорошим научно-фантастическим рассказом — его можно было бы назвать «Белое облако», но для нашей задачи, компьютерная модель — такая, как модель «обезьяна-Шекспир», легче для понимания.

Хотя модель «обезьяна-Шекспир» полезна для объяснения различий между одноразовым и нарастающим отбором, она в некоторых важных отношениях вводит в заблуждение. Одно из них состоит в том, что, в каждом поколении селективного размножения, мутантные фразы-потомки оценивались по критерию сходства с отдалённой идеальной целью, фразой «METHINKS IT IS LIKE A WEASEL». Жизнь не такова. Эволюция не имеет никаких долговременных целей. Не существует никаких отдалённых целей, никакого финального совершенства, которое могло бы служить критерием отбора, хотя человеческое тщеславие и лелеет абсурдную мысль о том, что наш вид является заключительной целью эволюции. В реальной жизни критерий для отбора всегда краткосрочен — это простое выживание; или строже говоря — репродуктивный успех. То, что по прошествии геологических эпох ретроспективно выглядит как движение к достижению какой-то отдалённой цели, на деле же — всегда побочное следствие многих поколений краткосрочного отбора. Наш «часовщик» — нарастающий естественный отбор — слеп к будущему и не имеет никаких долговременных целей.

Мы можем изменить нашу компьютерную модель, чтобы принять во внимание этот момент; мы можем также сделать её более реалистичной в других отношениях. Буквы и слова — узкочеловеческие явления, так что давайте научим компьютер рисовать картины. Может быть, мы даже увидим очертания, подобные животным, эволюционирующим в компьютере посредством нарастающего отбора мутантных форм. Мы не будем навязывать своих представлений, предлагая начать с какого-нибудь конкретного животного. Мы хотим, чтобы они появились исключительно в результате нарастающего отбора случайных мутаций.

В реальной жизни, форма тела каждой особи животного продуцируется эмбриональным развитием. Эволюция получается потому, что в последовательных поколениях имеются небольшие различия в эмбриональном развитии. Эти различия возникают из-за изменений (мутации — это тот самый маленький элемент спонтанности в эволюции, о котором я говорил) в генах, управляющих развитием. Поэтому в нашей компьютерной модели должно быть нечто эквивалентное эмбриональному развитию, и нечто эквивалентное генам, могущим мутировать. Удовлетворить этим спецификациям в компьютерной модели можно различными путями. Я выбрал из них один и написал программу, которая его реализовала. Сейчас я опишу эту компьютерную модель, чтобы вы не думали, что я что-то скрываю. Если вы не разбираетесь в компьютерах, то вам достаточно знать, что компьютеры — это механизмы, которые делают в точности то, что вы им велите, но часто удивляют вас результатом. Список инструкций для компьютера называется программой («program» — это стандартная американская нотация, она к тому же рекомендуется Оксфордским словарём; альтернативная нотация, «programme», обычно употребляемая в Британии, вроде бы является заимствованием из французского).

Эмбриональное развитие — это слишком сложный процесс, чтобы его можно было реалистично смоделировать на маленьком компьютере. Нам придётся представить его неким упрощённым аналогом. Нам нужно найти простое правило рисования, которое компьютер может легко выполнить, и которое может затем изменяться под влиянием «генов». Какое правило рисования мы выберем? Учебники информатики часто иллюстрируют мощность того, что они называют «рекурсивным» программированием, простыми процедурами рисования деревьев. Компьютер начинает рисовать одну вертикальную линию. Затем линия разветвляется на две ветки, после чего каждая из ветвей разделяется ещё на две суб-ветки. Затем каждая из суб-ветвей подразделяется на суб-суб-ветки и так далее. Метод называется «рекурсивным» потому, что одно и то же правило (в нашем случае — правило ветвления) локально применяется на всём растущем дереве. Дерево может быть сколь угодно велико, ибо одно и то же правило разветвления применяется в кончиках всех его веток.

«Глубина» рекурсии — это количество допускаемых суб-суб-…ветвлений между началом и остановкой процесса. На рисунке 2 показаны случаи, когда вы велите компьютеру выполнить одно и то же правило рисования, но остановиться на разных глубинах рекурсии. При очень глубокой рекурсии образец становится весьма сложным, но тем не менее на рисунке 2 можно легко видеть, что это результат того же самого очень простого правила ветвления. Конечно, именно это происходит у настоящего дерева. Схема ветвления дуба или яблони выглядит сложной, но на деле таковой не является. Базовое правило ветвления очень просто. Но из-за того, что оно применяется рекурсивно во всех отрастающих кончиках всех ветвей дерева — ветви производят суб-ветви, затем каждая суб-ветвь производят суб-суб-ветви и так далее — в результате всё дерево получается большим и густым.

Рис. 2.

Рекурсивное ветвление — это также хорошая метафора для эмбрионального развития растений и животных. Я не хочу сказать, что эмбрион животного напоминает ветвящееся дерево. Нет, конечно. Но рост всех эмбрионов осуществляется делением клеток. Деление любой клетки всегда состоит в разделении её на две дочерние. И гены всегда влияют на результирующие эффекты развития тел посредством локального влияния на клетки и на «двухветочную» схему деления клетки. Гены животного никак не являются эдаким грандиозным чертежом всего тела. Как мы увидим далее, гены более подобны рецепту, чем подобному чертежу — более того, не тому рецепту, который описывает развивающийся эмбрион как целое, но рецепту поведения отдельной клетки или локального кластера делящихся клеток. Я не спорю, что весь эмбрион, а позже и взрослая особь, может обладать крупными размерами и формой. Но это крупное тело появляется как результат большого количества маленьких локальных клеточных эффектов во всём развивающемся теле, и эти локальные эффекты в основном представляют собой такие вот «двухветочные» расколы клеток. Именно влияя на эти локальные события, гены в конечном счёте оказывают влияние на взрослое тело.

Итак, простое правило ветвления рисунка дерева будет похоже на обещанный аналог эмбрионального развития. Ну раз это так, то мы оформляем его в маленькую компьютерную процедуру, называем её РАЗВИТИЕ и готовим к включению в бóльшую программу с названием ЭВОЛЮЦИЯ. И в качестве первого шага к написанию этой большей программы, обратим наше внимание на гены. Как будет мы моделировать «гены» в нашей компьютерной модели? В реальном живом существе гены делают две вещи: влияют на развитие и переходят в следующие поколения. У реальных животных и растений имеются десятки тысяч генов, но мы скромно ограничим нашу компьютерную модель девятью. Каждый из этих девяти генов просто представлен неким числом в компьютере, которое мы будем называть его значением. Значение конкретного гена может быть, скажем, 4 или -7.[8]

Как наши гены будут влиять на развитие? Они могут делать много чего. Основная идея состоит в том, что они должны оказывать какое-то небольшое количественное влияние на правило рисования, которое и есть РАЗВИТИЕ. Например, один ген мог бы влиять на угол ветвления, другой мог бы влиять на длину некоторых конкретных ветвей. Ещё очевидная задача для гена — влиять на глубину рекурсии (количество последовательных ветвлений). Я поручил этот эффект гену 9. Таким образом, вы можете расценивать рисунок 2 как картину родственных организмов, идентичных друг другу во всём, кроме значения гена 9. Я не буду подробно описывать, что делает каждый из других восьми генов. Вы можете получить общие представления об этом, изучая рисунок 3. В середине рисунка — основное дерево, одно из деревьев рисунка 2. Окружают это центральное дерево восемь других. Все они совпадают с центральным деревом, за исключением того, что какой-то один ген из восьми у них был изменён — «мутировал». Например, дерево справа от центрального показывает, что будет, если ген 5 мутирует, увеличиваясь на +1 относительно его прежнего значения. Если б было достаточно места, я бы с удовольствием напечатал кольцо из 18 мутантов вокруг центрального дерева. Почему именно 18? Потому, что каждый из 9 генов может мутировать как в «восходящем» (на единицу больше его значения), так и «нисходящем» направлении (на единицу меньше его значения). Так что кольца из 18 деревьев было бы достаточно, чтобы отобразить всех возможных одношаговых мутантов, которых вы можете произвести от одного центрального дерева.

Рис. 3.

У каждого из этих деревьев есть своя собственная, уникальная «генетическая формула» — числовые значения всех его девяти генов. Я не записывал генетических формул, потому что они, сами по себе для вас ничего не значили бы. Это справедливо и для реальных генов. Гены только тогда начинают означать что-то, когда они транслированы посредством синтеза белка, в правила роста развивающегося эмбриона. Также и в нашей компьютерной модели, числовые значения этих девяти генов только тогда что-то значат, когда они транслированы в правила роста ветвящегося дерева. Но вы можете понять роль каждого гена, сравнивая тела двух организмов с известными к отличиями конкретного гена. Например, сравнив основное дерево в середине рисунка с двумя деревьями справа и слева, и вы получите некоторое представление о функции гена 5.

Это как раз то, что делают генетики, изучающие реальную жизнь. Генетики обычно не знают, какие эффекты гены оказывают на рост эмбриона. Как и не знают полной генетической формулы животного. Но сравнивая тела двух взрослых животных, о которых известно, что они отличаются одним геном, они могут увидеть, какой эффект этот ген оказывает. Картина усложняется тем, что эффекты генов взаимодействуют друг с другом, причём сложнее, чем просто складываются. Это же самое справедливо и для компьютерных деревьев. И даже очень — что покажут дальнейшие рисунки.

Заметьте, что все очертания симметричны относительно вертикальной оси. Это есть ограничение, которое я наложил на процедуру РАЗВИТИЕ. Я сделал это отчасти по эстетическим соображениям, отчасти — чтобы сэкономить на количестве необходимых генов (если бы гены не оказывали зеркально-симметричных эффектов на обе стороны дерева, нам были бы нужны отдельные гены для левой и правой сторон); а частично потому, что я надеялся получить очертания, похожие на животных, а большинство тел животных весьма симметричны. Поэтому я с этого момента перестану называть эти создания «деревьями» и буду называть их «тела» или «биоморфы». Биоморф — название, предложенное Десмондом Моррисом для образов, напоминающих каких-то смутных животных в его сюрреалистических картинах. Эти картины занимают особое место в моих привязанностях, потому что одна из них была воспроизведена обложке моей первой книги. Десмонд Моррис заявлял, что его биоморфы «эволюционировали» в его воображении, и что их эволюцию можно проследить в его последовательных картинах.

Вернёмся к компьютерным биоморфам и к кольцу из 18 возможных мутантов. 8 наиболее интересных из них нарисованы на рисунке 3. Так как каждый член кольца отстоит только на один мутационный шаг от центрального биоморфа, то нам легко видеть, что это — дети центрального родителя. Здесь мы имеем аналог ВОСПРОИЗВОДСТВА, которое, как и РАЗВИТИЕ, мы можем оформить в другую маленькую компьютерную программу, готовую к включению в нашу большую программу под названием ЭВОЛЮЦИЯ. Обратите внимание на две вещи в нашем ВОСПРОИЗВОДСТВЕ. Первая: здесь нет никаких полов; воспроизводство асексуально. Я представляю себе биоморфы самками, потому что асексуальные животные, такие, как тли, почти всегда пребывают в форме самок. Вторая: все мои мутации ограничены одной штукой за раз. Ребёнок отличается от своего родителя в только в одном из девяти генов; кроме того, мутации всегда прибавляют или убавляют единицу из значения соответствующего родительского гена. Всё это — лишь произвольные соглашения; они могли быть другими, но всё ещё оставались бы биологически реалистичными.

Но есть ещё одна, совсем не произвольная особенность модели, которая реализует фундаментальный биологический принцип. Форма каждого ребёнка не отталкивается от самой по себе формы родителя. Форма каждого ребёнка вырабатывается исходя из значений его девяти генов (влияющих на углы, длины и так далее). И каждый ребёнок получает свои девять генов от девяти генов его родителя. Именно это и происходит в реальной жизни. Тела не переходят в следующее поколение — только гены. Гены влияют на эмбриональное развитие тела, в котором они находятся.

И эти же гены или переходят в следующее поколение, или нет. Значения генов никак не меняются от их участия в развитии тела, но вероятность того, что они будут переданы в следующее поколение, будет зависеть от успешности тела, которое они помогали создавать. Вот почему в компьютерной модели было важно, чтобы эти две процедуры с названиями РАЗВИТИЕ и ВОСПРОИЗВОДСТВО были написаны, как две герметичные капсулы. Они взаимонепроницаемы, за исключением того, что ВОСПРОИЗВОДСТВО передаёт значения гена РАЗВИТИЮ, где они влияют на правила роста. РАЗВИТИЕ категорически не передаёт значения генов назад в ВОСПРОИЗВОДСТВО — иное было бы равносильно «ламаркизму» (см. главу 11).

Мы оттранслировали эти два наших программных модуля под теми же идентификаторами: РАЗВИТИЕ и ВОСПРОИЗВОДСТВО. ВОСПРОИЗВОДСТВО передаёт гены в следующее поколение, с вероятностью мутации. РАЗВИТИЕ считывает гены, предоставленные ВОСПРОИЗВОДСТВОМ в любом данном поколении, и транслирует эти гены в правила рисования, и следовательно — в очертания тела на компьютерном экране. Настало время свести эти два модуля в одну большую программу под названием ЭВОЛЮЦИЯ.

Работа ЭВОЛЮЦИИ в основном состоит из бесконечного повторяющегося вызова ВОСПРОИЗВОДСТВА. ВОСПРОИЗВОДСТВО в каждом поколении считывает гены, которые предоставлены ему предыдущим поколением, и передаёт их в следующее поколение, однако с небольшой случайной ошибкой — мутацией. Мутация состоит лишь в прибавлении или отъятии единицы из значения наугад выбранного гена. Это означает, что по мере смены поколений, отличие значения гена от его первоначального значения может стать очень большим, накапливаясь по одному маленькому шагу за поколение. Мутации случайны, однако накопленное изменение через многие поколения — нет. Потомок в любом поколении отличается от своего родителя в случайную сторону. Но для перехода в следующее поколение из этих потомков отбирается неслучайный экземпляр. Именно так и происходит дарвиновский отбор. Субъекты отбора — не сами гены, но тела, на форму которых гены влияют посредством РАЗВИТИЯ.

Кроме репродуцирования, гены в каждом поколении управляют РАЗВИТИЕМ, которое, повинуясь строго установленным правилам, выращивает соответствующее тело на экране. В каждом поколении присутствует весь «выводок» «детей» (то есть — особей следующего поколения). Все эти дети являются мутантными потомками одного родителя, отличающиеся от своего родителя одним геном. Это очень высокий темп мутаций — откровенно искусственная особенность компьютерной модели. Вероятность мутирования гена в реальной жизни — обычно меньше одного против миллиона. Столь высокая частота мутаций в модели выбрана потому, что вся эта деятельность происходит на компьютерном экране для наблюдения глазом человека, а у людей нет терпения ждать одну мутацию миллион поколений!

Человек играет активную роль в этой истории. Он — отбирающий агент. Он рассматривает выводок потомков и выбирает один для размножения. Каждый выбранный затем становится родителем следующего поколения, и выводок его мутировавших детей одновременно отображаются на экране. Человек выполняет здесь точно ту же роль, что и при выведении новых пород собак или элитных роз. Другими словами, наша модель — это модель искусственного отбора, а не естественного. Критерий «успешности» здесь не есть прямой критерий выживания, как это имеет место в реальном естественном отборе. В настоящем естественном отборе, если тело обладает особенностями, дарующими ему выживание, то его гены выживают автоматически, потому что является его частью. Так что выживающие гены автоматически являются теми генами, которые даруют телам помогающие им выживать качества. В нашей компьютерной модели критерий отбора — не выживание, а способность удовлетворить человеческой прихоти. Это не обязательно праздная, случайная прихоть, поскольку мы можем принять критерий отбора на приближение к какой-то особенности, вроде «сходства с плакучей ивой». Однако в моём опыте, человек-селекционер часто придирчивее и меркантильнее, чем он мало отличается от некоторых видов естественного отбора.

Селекционер сообщает компьютеру, какого потомка из текущего выводка нужно размножить. Гены избранника передаются в ВОСПРОИЗВОДСТВО, и начинается новое поколение. И этот процесс, как и эволюция реальной жизни, происходит нескончаемо. Каждое поколение биоморфов — это только единственный мутационный шаг от своего предшественника и своего преемника. Но через 100 поколений ЭВОЛЮЦИИ, биоморфы могут отстоять уже примерно на 100 мутационных шагов от прародителя. А за 100 мутационных шагов может много чего случиться. Начиная играть в свою свеженаписанную программу ЭВОЛЮЦИЯ, я многого не загадывал. Главное, что удивило меня — биоморфы могут довольно быстро переставать напоминать деревья. Базовое двухветочное ветвление всегда присутствует в них, но оно легко закрашивается, так как линии пересекают и пере-пересекают одна другую, производя массивы однородного цвета (в напечатанном виде — только чёрно-белые). Рисунок 4 показывает одну конкретную эволюционную историю, состоящая из 29 поколений. Прародитель — крошечное существо, одна точка. Хотя тело предка — точка, но она, подобно бактерии в девственной слизи, скрывала в себе потенциал для разветвления в точный аналог центрального дерева рисунка 3: однако ген 9 велел ему ветвиться нуль раз! Все существа, изображённые на странице, происходят от точки. Чтобы избежать загромождения страницы, я привёл здесь не всех потомков, которых видел на экране. Я привёл только успешного ребёнка в каждом поколении (то есть — родителя следующего) и одну или двух её неудачливых сестёр. Таким образом, картина в основном показывает только одну, главную линию эволюции, ведомую моим эстетическим выбором. Показаны все стадии главной линии.

Рис. 4.

Давайте кратко пробежимся по первым нескольким поколениям главной линии эволюции рисунка 4. Точка превращается в «Y» во 2-м поколении. В следующих двух поколениях, «Y» становится больше. Затем ветви слегка изогнутся, как у хорошей рогатки. В 7-м поколении, изгиб усиливается так, что эти две ветви почти соприкасаются. Изогнутые ветви становятся большими и каждая приобретает пару маленьких придатков в поколении 8. В поколении 9 эти придатки потеряны снова, а стебель рогатки становится более длинным. Поколение 10 напоминает разрез цветка; изогнутые боковые ветви походят на лепестки, охватывающие центральный придаток или «пестик». В поколении 11, цветок остался той же формы, но увеличился и слегка усложнился.

Я не буду продолжать описание. Картина говорит сама за себя — все 29 поколений. Заметьте, как мало каждое поколение отлично от своего родителя или сестёр. Так как каждый из нас немного отличен от своих родителей, то логично ожидать, что каждый будет несколько более отличен от своих бабушек и дедушек (и соответственно — внуков) и ещё более отличен от прабабушек и прадедушек (и правнуков). Такова вот нарастающая эволюция — хотя из-за принятой здесь высокой частоты мутаций, мы нереалистично ускорили её. Поэтому, рисунок 4 выглядит более родословной вида, а не родословной особей, но принцип тот же самый. Когда я писал программу, я не думал, она породит что-нибудь большее, чем разнообразные древовидные формы. Я надеялся увидеть плачущие ивы, ливанские кедры, пирамидальные тополя, морские водоросли — ну возможно, рога оленя. Ни моя интуиция биолога, ни мой 20-летний опыт программирования на компьютерах, ни мои самые смелые мечты — ничто из этого не подсказало мне, что я фактически увижу на экране. Я не помню точный момент моего озарения, когда я подумал, что в эволюционирующей последовательности возможно появление какого-то подобия насекомым. Вне себя от предчувствия, я начал выводить, от чего угодно, поколение за поколением — потомков, более похожих на насекомых. Я не верил своим глазам. Вы видите некоторые из результатов внизу рисунка 4. У них восемь ног (как у паука), а не шесть (как у насекомого), но ну и что! Я до сих пор не могу забыть того момента, когда я впервые увидел этих изящных существ, и того ликующего чувства. Мне отчётливо слышались триумфальные вступительные фанфары из «Так сказал Заратустра» («2001 тема»). Я потерял аппетит, а ночью, когда я пытался заснуть, «мои» насекомые роились у меня перед глазами.

В продаже есть компьютерные игры, в которых у игрока создаётся иллюзия его блужданий в подземном лабиринте с определённой, довольно сложнрй географией и в котором он сталкивается с драконами, минотаврами или другими мифическими противниками. Монстров в этих играх довольно немного. Все они разработаны человеком-программистом, как и география лабиринта. При игре в эволюцию, будь то компьютерная версия или реальная жизнь, игрок (или наблюдатель) имеет то же самое чувство «блуждания» (метафорически) по лабиринту с ветвящимися проходами, но количество возможных путей — почти бесконечно велико, а монстры, с которыми он при этом сталкивается, невымышлены и непредсказуемы. В моих блужданиях по болотам Страны Биоморфов я сталкивался с волшебными креветками, ацтекскими храмами, с готическими окнами храмов, очертаниями кенгуру, нарисованными аборигенами и — в одном незабываемом, но невоспроизводимом случае — со сносной карикатурой на профессора логики Винчестерского колледжа.

Рисунок 5 — это другая маленькая коллекция из моей комнаты трофеев, все они были развиты примерно тем же путём. Я хочу подчеркнуть, что все эти фигурки — не плод фантазии художника. Они никак не подрисовывались или как-то иначе улучшались. Они именно таковы, какими они были нарисованы компьютером, в котором эволюционировали. Роль человека ограничивалась отбором из хаотично видоизмененных потомков в ходе многих поколений нарастающей эволюции.

Теперь у нас есть намного более реалистичная модель эволюции, чем обезьяна, печатающая Шекспира. Но модель биоморфов всё ещё несовершенна. Она демонстрирует мощность нарастающего отбора для генерации почти бесконечно разнообразных квази-биологических форм, но она использует искусственный, а не естественный отбор. Отбор выполняет человек. А нельзя ли обойтись без человека и поручить дело отбора самому компьютеру — на основе некоторых биологически реалистичных критериев? Это труднее, чем может показаться. Проблема заслуживает некоторых затрат времени на объяснения.

Рис. 5.

Отбор конкретной генетической формулы был бы тривиальным занятием, если у нас была бы возможность читать гены всех животных. Но естественный отбор не отбирает непосредственно гены — он отбирает эффекты, которые гены оказывают на тела: это так называемые фенотипические эффекты. Человеческий глаз неплохо подходит для отбора фенотипических эффектов — что мы видим на примере многочисленных пород собак, коров и голубей, а также, если позволите — тех, что показаны на рисунке 5. Чтобы поручить компьютеру самому выбирать фенотипические эффекты, нам придётся написать очень хитроумную программа распознавания образов. Программы распознавания образов существуют. Они используются, чтобы распознавать напечатанный и даже рукописный текст. Но эти трудные, «на грани искусства», программы требуют очень больших и быстрых компьютеров. Но даже если бы такая программа распознавания образов и не превосходила моих способностей программиста и была бы по силам моему маленькому компьютеру с его 64 килобайтами памяти, я бы всё равно не суетился на этот счёт. Эту задачу гораздо лучше решает человеческий глаз — вкупе с, и это более важно, 10-гиганейронным компьютером в голове.

Было бы не слишком трудно поручить компьютеру отбор неопределённых общих особенностей — таких, как высоких и тонких, низких и широких, возможно  — изогнутости, остроконечности, даже украшенности в стиле рококо. Можно было бы запрограммировать компьютер так, чтобы он помнил качества, одобренные человеком в прошлом, и поддерживать селекцию того же самого качества в будущем. Но это нисколько не приблизило бы нас к моделированию естественного отбора. Важный момент — природе не нужно вычислительных мощностей для отбора, ну кроме разве что особых случаев, например — павам, выбирающим павлинов. В природе, обычный селектирующий агент непосредственен, непреклонен и прост. Это — мрачная старуха с косой. Конечно, критерии выживания совсем не просты — именно поэтому естественный отбор может создавать животных и растения такой огромной сложности. Но сама смерть очень груба и проста. И неслучайная смерть — это всё, что нужно природе для отбора фенотипов — и следовательно, генов, их поддерживающих. Чтобы смоделировать на компьютере естественный отбор (в интересующем нас смысле), мы должны забыть об украшениях в стиле рококо и всех других визуально выраженных качествах. Вместо этого мы должны будем сосредоточиться на моделирования неслучайной смерти. Биоморфы должны взаимодействовать в компьютере с сымитированной враждебной окружающей средой. И какие-то особенности их формы должны оказать влияние на их выживание в этой окружающей среде. В идеале, враждебная окружающая среда должна включить эволюцию разных биоморфов: «хищников», «добычу», «паразитов» и «конкурентов». Специфическая форма биоморфов-добычи должна определять её уязвимость к поимке, например, специфической формой биоморфа-хищника. Такие критерии уязвимости не должны быть предусмотрены программистом. Они должны появиться тем же самым путём, каким появляются любые формы. Тогда эволюция в компьютере действительно пойдёт сама собой, поскольку уже будут выполнены условия для самоподдержания «гонок вооружений» (см. главу 7), и я бы не осмелился предсказать, чем всё это могло бы закончиться. К сожалению, создание такого искусственного мира было бы выше моих возможностей как программиста.

Достаточно умны для такой работы, видимо, программисты, разрабатывающий трескучие и вульгарные игры — разновидности «Космических захватчиков». В этих программах симулируется искусственный мир. У него есть география, часто трёхмерная, и очень сжатая временная размерность. Объекты сжимаются в моделируемом трёхмерном пространстве, сталкиваясь друг с другом, стреляя друг в друга, глотая друг друга на фоне отвратительного шума. Симуляция может быть настолько хороша, что у игрока, манипулирующего джойстиком, складывается полная иллюзия, что он сам — часть этого искусственного мира. Мне кажется, что встретить такой уровень программирования можно на имитаторах, на которых тренируются пилоты самолётов и космических кораблей. Но даже эти программы — мелюзга в сравнении с программой, которую нужно было бы написать для моделирования появляющейся гонки вооружений между хищниками и добычей, проходящей в полноценно сымитированной экосистеме. Конечно, это выполнимая задача. Если кто-то из профессиональных программистов испытывает желание сотрудничать на эту тему — отзовитесь.

Между тем, есть идеи насчёт кое-чего намного более реализуемого, и я наметил их испробовать с наступлением лета. Я поставлю компьютер в затенённый угол сада; экран может показывать цветные картинки. У меня уже есть версия программы, которая поддерживает ещё несколько «генов», управляющих цветом — так же, как остальные 9 генов управляют формой. Я начну с более-менее компактных и ярко раскрашенных биоморфов. Компьютер одновременно покажет всех мутантных потомков биоморфа, отличающихся от данного по форме и/или цвету. Я надеюсь, что пчёлы, бабочки и другие насекомые будут садиться на экран и «выбирать» своим телом конкретное пятно на экране. Когда будет зарегистрировано заданное количество «выборов», компьютер очистит экран, «размножит» потомков от избранного биоморфа и покажет следующее поколение мутантных потомков.

Я питаю большие надежды на то, что через много поколений настоящие насекомые вызовут в компьютере эволюцию цветов. Если так и будет, то компьютерные цветы проэволюционируют под теми же самыми давлениями отбора, что и реальные цветы в реальной эволюции. Мои надежды поддержаны и тем фактом, что насекомые часто садятся на яркие цветные точки на женских платьях, а также более систематическими экспериментами, которые были опубликованы. Но есть также надежда, которую я бы счёл даже более захватывающей, что живые насекомые могли бы вызывать эволюцию насекомоподобных форм. Прецедент есть — и следовательно, основания для надежды: в прошлом пчёлы вызвали эволюцию орфисов — пчёлоподобных орхидей. Трутни в течение многих поколений нарастающей эволюции орхидей, создали пчелоподобную форму цветка — они пытались совокупиться с цветами, и следовательно, переносили пыльцу. Представьте себе «пчелоподобную орхидею» из рисунка 5 в цвете.[9] Разве вы не захотели бы вывести новый сорт цветов, если б вы были пчелой?

Пчелоподобная орхидея Орфис (добавлено переводчиком)

Главный повод для моего пессимизма на этот счёт — большие и принципиальные отличия нашего зрения и зрения насекомых. Экраны компьютеров разработаны для человеческих глаз, а не для глаз пчелы. Очень может быть так, что хотя и мы, и пчёлы (при всём несходстве наших глаз), находим орфисов очень похожими на пчелу, но пчёлы, возможно, вообще не смогут видеть образы на экране. Возможно, что пчёлы увидят только 625 линий строчной развёртки! Однако, попытаться стоит. К тому времени, когда эта книга будет опубликована, я уже буду знать ответ.

Есть такое расхожее мнение, обычно формулируемое в стиле Стивена Поттера (который можно было бы назвать «плонкингом»), гласящее, что из компьютера нельзя извлечь больше, чем в него введено. Другие варианты: «компьютеры делают лишь в точности то, что вы велите им, но никогда не творят новое. Это мнение справедливо лишь в тупо тривиальном смысле — в смысле предположения, что Шекспир никогда не написал бы ничего, кроме отдельных слов, которые его учил писать его первый школьный учитель. Я запрограммировал ЭВОЛЮЦИЮ в компьютере, но я не планировал ни «моих» насекомых, ни скорпиона, ни спитфайра, ни лунного посадочного модуля. У меня не было даже отдалённых подозрений, что появятся именно они, и поэтому слово «появляться» здесь уместно. Да, производил отбор именно я, и я направлял эволюцию, но на каждой стадии я был ограничен маленьким выводком потомков, предлагаемым случайной мутацией, а моя «стратегия» селекции была капризна и краткосрочна. Я не стремился к какой-то отдалённой цели — как и естественный отбор.

Я могу добавить красок, вспоминая то время, когда я пытался стремиться к отдалённой цели. Прежде всего должен признаться кое в чём — собственно, вы и сами это наверное уже предположили. Эволюционная история на рисунке 4 — это реконструкция. Это не были первые насекомые, которых я видел. Когда они впервые появились мысленные под звуки фанфар, у меня ещё не было возможности сохранения их генов. Они сидели на компьютерном экране, но я не мог забраться внутрь их и не мог расшифровывать их гены. Я оставил компьютер включенным, мучительно думая о каких-то способах сохранения их, но ни одного не придумал. Гены были внедрены в толщу тканей так же глубоко, как и в реальной жизни. Я мог распечатать изображения тел насекомых, но я потерял их гены. Я сразу же изменил программу, чтобы в будущем можно было бы сохранять генетические формулы, но было уже поздно. Я потерял моих насекомых.

Я начал попытки «найти» их снова. Однажды они вроде развились, и мне показалось, что можно развить их снова. Подобно аккордам из «Заратустры», они часто посещали меня. Я блуждал по Стране Биоморфов, пересекая бесконечные пейзажи со странными существами и предметами, но нигде не было моих насекомых. Я знал, что они должны скрываться где-то здесь. Я знал гены прародителя. У меня были изображения тел моих насекомых. У меня даже были пошаговые изображения эволюционной последовательности тел, ведущих к моим насекомым от точечного прародителя. Но я не знал их генетическую формулу.

Вы могли бы подумать, что восстановить эволюционную линию было бы достаточно легко, но не тут-то было. Причина этого (к чему я буду ещё возвращаться), — в астрономическом количестве возможных биоморф, которые может предлагать нам достаточно длинная эволюционная линия, даже если она оперирует вариациями только девяти генов. В моих странствиях по Стране Биоморфов, мне несколько раз казалось, что я подошёл вплотную к предшественнику моих насекомых, но затем, несмотря на мои героические усилия селекционера, эволюция уходила в сторону, и всё это оказывалось ложным следом. В конце концов, долго блуждая по Стране Биоморфов, я наконец загнал их в угол. Ощущение триумфа было вряд ли меньше, чем в первый раз! Я не знал (и до сих пор не знаю), точно ли это те насекомые, как и в первый раз, насекомые ли это «финальных аккордов Заратустры», или они были поверхностно «конвергентны» (см. следующую главу), но они были достаточно хороши. На этот раз я не сделал оплошности — записал генетическую формулу, и теперь я могу «проэволюционировать» этих насекомых всегда, когда захочу.

Да, я чуть приукрашиваю драму, но в ней есть серьёзный вывод. А вывод этот в том, что хотя именно я запрограммировал компьютер и играл важную роль в этой эволюции, однако я не планировал животных, эволюционировавших самих по себе, и был совершенно удивлён, когда впервые увидел их предшественников. И я оказался столь бессилен в контроле за эволюцией, что даже когда я очень хотел вернуться на конкретную эволюционную линию, то я убедился в том, что это почти невозможно сделать. Я не думаю, что когда-нибудь нашёл бы моих насекомых ещё раз, если бы у меня не было напечатанных рисунков всех их эволюционных предшественников — и даже при этом задача была трудна и утомительна. Не выглядит ли бессилие программиста в управлении или предсказании направления эволюции в компьютере парадоксальным? Не означает ли это наличие каких-то таинственных и даже мистических процессов внутри компьютера? Конечно, нет. Точно так же нет ничего мистического в ходе эволюции реальных животных и растений. Мы можем использовать компьютерную модель для разрешения этого парадокса и изучить кое-что насчёт хода реальной эволюции.

Забегая вперёд, скажу, что разрешение этого парадокса будет основано на следующем. Имеется определённый набор биоморфов, каждый из которых постоянно находится в своей уникальной точке математического пространства. «Постоянно находится» — в смысле, что если вы знаете его генетическую формулу, то вы можете сразу найти его; кроме того, его соседи в этом специфическом пространстве — это биоморфы, отличающиеся от данного только одним геном. Сейчас, когда я знаю генетические формулы моих насекомых, я могу воспроизводить их по своему желанию; я могу велеть компьютеру «эволюционировать» к ним от любой произвольной отправной точки. Когда вы впервые развиваете новое существо искусственным отбором в компьютерной модели, это выглядит как творческий процесс. И это в самом деле так. Но в действительности, «находя» это существо, вы находите его уже существующим (в математическом смысле), в его уникальной точке генетического пространства Страны Биоморфов. Почему это настоящий творческий процесс? Потому, что найти любое конкретное существо чрезвычайно трудно — просто потому, что Страна Биоморфов очень велика, и общее количество находящихся в ней существ почти бесконечно. Искать его бесцельно и наугад бесполезно — мы должны применить несколько более эффективные, т. е. творческие, поисковые процедуры.

Некоторые люди наивно верят, что шахматные компьютеры играют, пробуя все возможные комбинации шахматных ходов. Они находят подтверждение этой веры тогда, когда компьютер их побеждает, но эта вера крайне ложна. Возможных шахматных ходов неимоверно много: пространство поиска — в миллиарды раз больше того, что позволило бы слепому и спотыкающемуся поиску преуспеть. Искусство написания хорошей шахматной программы заключается в продумывании эффективных коротких ходов в поисковом пространстве. Нарастающий отбор, будь то искусственный отбор — как в компьютерной модели, или естественный отбор в реальном мире, является эффективной поисковой процедурой, и её последствия выглядят очень похожими на творческую интеллектуальную деятельность. А это, в конце концов, именно то, чем козырял Вильям Пали говоря о «Замысле». Формально говоря, всё, что мы делаем, играя в компьютерную игру «Биоморф», — это обнаружение животных, которые (в математическом смысле) уже ждут, когда их найдут. Что делает этот процесс похожим на креативное творчество художника. Поиск в узком пространстве, где имеется только несколько объектов, обычно не похож на творческий процесс. Детская игра «найди напёрсток» не воспринимается творческой. Переворачивание предмета наугад в надежде наткнуться на разыскиваемую цель — такая стратегия обычно срабатывает, когда пространство поиска мало. По мере того, как пространство поиска становится больше и сложнее, становятся всё более необходимы специальные поисковые процедуры. Если пространство поиска достаточно велико, то эффективные поисковые процедуры становятся неотличимы от истинного творчества.

Компьютерная модель биоморфов неплохо отвечает этим требованиям, а они составляют поучительный мост между творческими процессами у человека — типа планирования победной стратегии в шахматах — и эволюционным творчеством естественного отбора, слепого часовщика. Чтобы увидеть это, нам нужно развить идею Страны Биоморфов как математического «пространства» — бесконечной, но организованной перспективы морфологического разнообразия, в котором каждое существо находится в своей уникальной точке, ожидая своего обнаружения. 17 существ рисунка 5 не выстроены в какой-то специальный порядок на странице. Но в Стране Биоморфов каждое занимает своё уникальное положение, определяемое его генетической формулой, в окружении своих собственных конкретных соседей. Все существа в Стране Биоморфов находятся в определённых пространственных отношениях между собой. Что это означает? Какой смысл мы можем вкладывать в «пространственную позицию»? Пространство, о котором мы говорим — это генетическое пространство. Каждое животное находится на своей позиции в генетическом пространстве. Ближайшие соседей в генетическом пространстве — это животные, отличающиеся друг от друга только одной мутацией. В рисунке 3, базовое дерево в центре окружено 8 из его 18 ближайших соседей в генетическом пространстве. 18 соседей животного — это 18 различных детей, которых это животное может породить, и 18 различных родителей, от который оно могло произойти — таковы правила нашей компьютерной модели. В каждом колене, каждое животное имеет 324 (18 x 18, игнорируя обратные мутации для упрощения) соседей — это множество его возможных внуков, бабушек, тёть или племянниц. В каждом последующем колене, каждое животное имеет 5 832 (18 x 18 x 18) соседей — множество возможных правнуков, прабабушек, кузин и т. д.

В чём смысл этих размышлений в понятиях генетического пространства? Что это нам даёт? А то, что они выводят нас на путь понимания эволюции, как постепенного, нарастающего процесса. В любой поколении, согласно правилам компьютерной модели, можно сделать только один шаг в генетическом пространстве. За 29 поколений в генетическом пространстве нельзя продвинуться дальше, чем на 29 шагов от прародителя. Каждая эволюционная история состоит из конкретной трассы или траектории в генетическом пространстве. Случай эволюционной истории, зафиксированной в рисунке 4 — конкретная извилистая траектория в генетическом пространстве, подводящая к точке с насекомым и проходящая через 28 промежуточных стадий. Именно это я имел в виду, когда метафорически говорил о своих «блужданиях» по Стране Биоморфов.

Я хотел было представить это генетическое пространство в виде картины. Но вот проблема — картины двумерны. Генетическое пространство с биоморфами — не двумерное. И даже не трёхмерное. Это — девятимерное пространство! (Важно не пугаться высоколобого математического понятия. Это не так трудно, как математические снобы иногда подают. Всякий раз, когда я чувствую робость, я всегда вспоминаю изречение Сильвануса Томпсона про облегчение исчислений: «Что может сделать один дурак, может сделать и другой»). Если бы мы могли рисовать девятимерные картины, мы могли бы соотнести каждую размерность с каждым из девяти генов. Позиция конкретного животного, скажем, «Скорпиона» или «Летучей мыши» или «Насекомого», фиксирована в генетическом пространстве числовыми значениями его девяти генов. Эволюционные изменения состоят из пошаговой прогулки по девятимерному пространству. Величина генетической разности между животными, и следовательно — время, потребное на эволюцию и сложность перехода от одного животного до другого, может быть измерена как расстояние в девятимерном пространстве между ними.

Увы, мы не можем рисовать девятимерные картины. Я искал обходные пути, чтобы на двумерном рисунке передавалось некое ощущение движения из точки в точку девятимерного генетического пространства Страны Биоморфов. Есть несколько способов сделать это. Я выбрал способ, который я называю трюком треугольника. Посмотрите на рисунок 6. В трёх углах треугольника имеются три произвольно выбранных биоморфа. Тот, что сверху — наше основное дерево; слева — одно из «моих» насекомых; справа — не имеет названия, но я думаю, что оно симпатично. Как и все биоморфы, каждый из них имеет свою генетическую формулу, которая определяет его уникальное положение в девятимерном генетическом пространстве.

Треугольник лежит на двумерной «плоскости», которая пронизывает девятимерный гиперобъём (что может сделать один дурак, то может делать и другой).

Рис. 6.

Плоскость подобна плоскому листу стекла, погруженному в желе. На стекле нарисован треугольник, а также некоторые биоморфы, чья генетическая формула даёт им право находиться на этой конкретной плоскости. Что даёт им такое право? Такое право дают им эти три биоморфы в углах треугольника. Они называются якорными биоморфами.

Вспомним, что идея «расстояния» в генетическом «пространстве» предполагает, что наследственно подобные биоморфы — это близкие соседи, а наследственно отличные биоморфы — далёкие. На этой конкретной плоскости все расстояния рассчитаны относительно трёх якорных биоморф. Для любой заданной точки на пластине стекла, будь то внутри треугольника или вне его, соответствующая генетическая формула этой точки рассчитана как «средневзвешенное» значение генетических формул трёх якорных биоморф. Вы уже можете предположить, как этот вес вычислен. Он вычислен по расстояниям на странице; точнее — степени близости рассматриваемой точки ко всем трём якорным биоморфам. Так, чем ближе вы к насекомому на плоскости, тем больше «насекомоподобие» данной биоморфы. А чем ближе вы продвигаетесь по стеклу к дереву, тем сходство с насекомым слабеет, но усиливаются древовидные черты. Если вы двинетесь в центр треугольника, то обнаружите животных, например, паука с еврейскими семи-веточными канделябрами на голове, которые будут различными «генетическими компромиссами» между тремя якорными биоморфами.

Но этот подход делает слишком много чести этим трём якорным биоморфам. Можно будет предположить, что компьютер использовал их для вычисления соответствующих генетических формул каждой точки на картине. Но на самом деле любые три якорные точки на плоскости могли бы сыграть ту же роль и дали бы идентичные результаты. Поэтому на рисунке 7 нет явно нарисованного треугольника. На рисунке 7 приведено примерно то же самое, что и на рисунке 6, там только показана другая плоскость. То же самое «насекомое» находится в одном из трёх якорных точек, на сей раз в правой. Другие якорные точки здесь — это «Спитфайр» и «цветок Офрис», оба — в точности, как на рисунке 5. На этой плоскости также легко заметить, что граничащие биоморфы похожи друг на друга больше, чем отдалённые. «Спитфайр» в частности, входит в эскадру подобных самолётов, летящих строем. Поскольку «насекомое» находится на обеих пластинах стекла, то вы можете полагать эти две плоскости пересекающимися под углом одна другую. По отношению к рисунку 6, плоскость рисунка 7, как говорят, «повёрнута» по оси, проходящей через «насекомое».

Рис. 7.

Убрав треугольник, мы усовершенствовали наш метод, потому что он только отвлекал. Он придавал незаслуженные привилегии трём конкретным точкам плоскости. Но нужно сделать ещё одно дальнейшее усовершенствование. В рисунках 6 и 7, геометрическое расстояние отражает генетическое, но масштаб перекошен. Один дюйм по вертикали может не быть эквивалентен одному дюйму по горизонтали. Чтобы его выправить, мы должны тщательно выбирать наши три якорные биоморфы, чтобы генетические расстояния между ними были одинаковы. На рисунке 8 именно это и сделано. Снова сам треугольник не нарисован. Три якоря — «скорпион» с рисунка 5, опять «насекомое» (здесь мы сделали ещё один поворот через «насекомое») — и довольно невнятный биоморф вверху. Эти три биоморфа отделены друг от друга 30 мутациями. Это означает, что каждому из них одинаково легко развиться до любого другого. Во всех трёх вариантах должно быть предпринято как минимум 30 генетических шагов. Внизу рисунка 8 нанесена шкала расстояний в генах. Вы можете рассматривать её как генетическую линейку. Линейка применима не только по горизонтали. Вы можете наклонить её в любую сторону и измерять генетическое расстояние — и следовательно, минимум эволюционного времени между любыми точками на листе или чём-то другом (к моей досаде, что это не совсем верно на странице книги, потому что компьютерный принтер искажает пропорции, но этот эффект не настолько велик, чтобы шуметь по его поводу, хотя он означает, что вы получите слегка неточный ответ, если просто примените эту линейку не по горизонтали.

Рис. 8.

Это двумерные сечения девятимерного генетического пространства дают некоторое представление о том, что означает — ходить по Стране Биоморфов. Чтобы дополнить это представление, нужно помнить, что эволюция не ограничена одной плоскостью. В настоящем эволюционном путешествии, вы могли бы в любое время «провалиться насквозь», на другую плоскость, например — из плоскости рисунка 6 на плоскость рисунка 7 (вблизи «насекомого», где эти две плоскости проходят вблизи друг от друга).

Я сказал, что «генетическая линейка» на рисунке 8 позволяет нам вычислить минимальное время для эволюции от одной точки до другой. Так оно и есть, учитывая ограничения изначальной модели, но следует подчеркнуть слово минимум. Так как «насекомое» и «скорпиона» отделяют 30 генетических единиц, то потребуется всего 30 поколений, чтобы одному проэволюционировать до другого, однако только если вы никогда не выберете неправильный поворот, то есть, вы точно знаете, к какой генетической формуле вы стремитесь и каким путём идти к ней. В реальной эволюции нет ничего, что бы соответствовало знанию пути к определённой далёкой генетической цели.

Давайте теперь применим биоморфы, чтобы вернуться к идее, ранее проиллюстрированной обезьяной, печатающей Гамлета — идее важности постепенных, пошаговых изменений в эволюции, как антитезе прямой спонтанности. Давайте попробуем переградуировать масштабную линейку внизу рисунка 8 в других единицах. Вместо расстояния в «количестве генов, должных измениться в ходе эволюции», мы будем измерять расстояние как «вероятность проскочить это расстояние за один раз — на тупом везении». Для этого нужно сейчас ослабить одно ограничение, в которые я ввёл в компьютерную игру — и в конце мы увидим зачем я ввёл это ограничение одним из первых. Ограничение состояло в том, что детям «позволялось» отстоять от родителей только на одну мутацию. Другими словами, только одному гену позволялось мутировать в данной смене поколений, и этому гену разрешалось изменить его «значение» только на +1 или -1. Снимая это ограничение, мы теперь разрешаем любому количеству генов мутировать одновременно, и им можно добавлять любое число, положительное или отрицательное, к своему текущему значению. Впрочем, «любое» подразумевает от плюс до минус бесконечности, а это уж пожалуй, слишком. Есть смысл ограничиться одноразрядными числами значений гена, в пределах от -9 до +9.

Итак, в этих широких пределах, мы разрешаем мутацию, которая за один раз, в одном поколении, может изменить любую комбинацию из наших девяти генов. Кроме того, значение каждого гена может изменяться с любым шагом, лишь не выводящим его значение за пределы от -9 до +9. Что это значит? Это значит, что эволюция может теоретически проскакивать, за единственное поколение от любой точки Страны Биоморфов, до любой другой. Не только до любой точки на плоскости, но и до любой точки во всём девятимерном гиперобъёме. Например, если вы хотите проскочить за одно поколение от «насекомого» до «лисы» в рисунке 5, то следуйте такому рецепту: прибавьте нижеуказанные величины к значениям генов, с номерами соответственно от 1 до 9: -2, 2, 2, -2, 2, 0, -4, -1, 1. Но так как мы рассматриваем случайные прыжки, то значит, все точки в Стране Биоморфов равновероятны как цель для любого из этих скачков. Легко вычислить шансы на то, что случайный прыжок приведёт нас в любую другую точку, кроме нашей намеченной «лисы». Это просто общее количество биоморф в пространстве. Вы уже чувствуете, что нам предстоит вычислить ещё одно астрономически большое число? У нас есть девять генов, каждый из которых может принимать любое из 19 значений. Тогда общее число биоморф, к которым мы можем перескочить за один шаг — это 19, умноженное само на себя 9 раз или 19 в степени 9, что составит порядка полтриллиона биоморф.[10] Сущий пустяк в сравнению с азимовским «числом гемоглобина», но тем не менее, я бы сказал, что это очень много. Если вы начали с «насекомого» и, подобно сумасшедшей блохе, подскочили полтриллиона раз, то вы бы, пожалуй, однажды и попали бы в «Лису».

Как всё вышесказанное соотносится с реальной эволюцией? Всё так же — оно ещё раз доказывает важность постепенных, пошаговых изменений. Некоторые эволюционисты отрицали необходимость такого рода градуализма в эволюции. Наши вычисления с биоморфами точно указывают нам на одну из причин, почему постепенность, пошаговость изменений важна. Когда я говорю, что можно ожидать перескока эволюции от «насекомого» до одного из его непосредственных соседей, но не от «насекомого» сразу к «лисе» или «скорпиону», то я имею в виду следующее. Если бы по-настоящему случайные скачки действительно происходили, тогда скачок от «насекомого» к «скорпиону» был бы совершенно возможен. И он был бы столь же вероятен, как скачок от «насекомого» до одного из его непосредственных соседей. И он был бы столь же вероятен, как и скачок к любому другому биоморфу в Стране. А вот в этом загвоздка. Ибо число Биоморф в Стране — полтриллиона, и раз уж ни один из них не более вероятен, чем любой другой, то вероятность скачка к любому конкретному из них достаточно мала, чтобы её можно было проигнорировать.

Заметьте, что это не наводит нас на предположение о существовании мощного неслучайного «давления отбора». Не имело бы значения, если бы вам обещали королевскую награду за достижение «скорпиона» одним случайным скачком. Но у вас на это один шанс из полутриллиона! Однако если вместо большого скачка вы будете идти по одному шагу зараз и получать при этом одну маленькую монетку за шаг в правильном направлении, вы бы достигли «скорпиона» за очень короткое время. Не обязательно за наикратчайшее из возможных время в 30 поколений, тем не менее, очень быстро. Теоретически, скачком вы могли бы заработать быстрее — вплоть до единственного. Но из-за астрономически низкого шанса на успех такого предприятия, альтернативный путь — ряд маленьких шагов, каждый из которых отталкивается от ранее накопленного успеха предыдущих шагов, является единственно выполнимым.

Тон моих предыдущих абзацев уязвим для недоразумений, которые я должен рассеять. Опять может создастся впечатление, что эволюция стремится к каким-то далёким целям, «самонаводясь» на объекты, подобные скорпионам. Как мы уже видели, это не так. Однако о некотором подобии цели всё же можно говорить; цель эта — повышение вероятности выживания, и этот аргумент по прежнему актуален. Если животное — родитель, то оно должно быть достаточно успешно, чтобы дожить по крайней мере до взрослого состояния. Возможно, что мутантный ребёнок этого родителя будет даже успешнее в деле выживания. Но если ребёнок мутирует настолько, что эта мутация переместит его на большое расстояние от его родителя в генетическом пространстве, то каковы шансы, что это существо будет лучше своего родителя? Конечно, шансы будут очень и очень низки. И причину этого мы только что видели в нашей модели биоморф. Если рассматриваемый мутационный скачок очень велик, то количество возможных точек его попадания астрономически велико. И как мы видели в главе 1, количество различных способов быть мёртвым неизмеримо больше, чем количество различных способов быть живым, то очень высока вероятность того, что большой случайный скачок в генетическом пространстве закончится смертью. Даже маленький случайный скачок в генетическом пространстве с заметной вероятностью может привести к смерти. Но чем меньше этот скачок, тем менее, вероятно, он приведёт к смерти и — более вероятно — к улучшению. Мы вернёмся к этой теме в последующих главах.

Вот, собственно, мораль, которую я хочу извлечь из рисования Страны Биоморфов. Я надеюсь, вы не сочли это слишком высокой абстракцией. Жизнь располагается в другом математическом пространстве, заполненным не биоморфами с девятью генами, но животными из плоти и крови, состоящими из миллиардов клеток, каждая из которых содержит десятки тысяч генов. Это не пространство биоморфов, а реальное генетическое пространство. Реальные животные, когда-либо жившие на Земле — это ничтожное подмножество животных, которые могли бы теоретически существовать. Эти реальные животные — плоды очень небольшого количества эволюционных траекторий в генетическом пространстве. Необозримое большинство теоретических траекторий в этом пространстве ведёт к невозможным чудищам. Реальные животные разбросаны редкими точками среди гипотетических чудищ, каждое из которых заняло своё собственное уникальное место в генетическом гиперпространстве. Каждое реальное животное окружено небольшим кластером соседей, большая часть которых никогда не существовала, но часть которых — его предки, потомки и кузены.

Сидят где-то в этом огромном математическом пространстве люди и гиены, амёбы и трубкозубы, плоские черви и кальмары, дронты и динозавры. Теоретически, если бы мы были достаточно продвинуты в генной инженерии, мы могли перейти от любой точки в животного пространства к любой другой. От любой отправной точки мы бы смогли пройти лабиринт так, чтобы возродить дронта, тиранозавра и трилобитов. Если бы мы только знали, с какими генами работать, какие частички хромосом дублировать, инвертировать или удалять. Я сомневаюсь, что когда-нибудь наши знания позволят нам делать это, но дорогие нам мёртвые существа навечно притаились в своих углах этого огромного генетического гиперобъёма, в ожидании, что мы их найдём, если когда-нибудь узнаем, как проложить правильный курс по этому лабиринту. Когда-нибудь мы, может быть, даже будем в состоянии селекцией голубей вывести точную реконструкцию дронта, хотя окончания эксперимента нам бы пришлось ждать миллион лет. Но когда нам нельзя путешествовать по-настоящему, то воображение является неплохой заменой. Для тех, кто подобно мне, не силён в математике, компьютер может быть хорошим подспорьем для воображения. Как и математика, он не только усиливает воображение. Он также дисциплинирует и контролирует его.

Примечания:

1

  Т. е. аргумента, который сам доказывается ссылкой на доказываемый тезис, и так по кругу — А.П.

7

«Гамлет», пер. Б. Пастернака — (В.И.)

8

Здесь и далее автор имеет в виду только целые числа — А.П.

9

Мы решили для наглядности добавить фото настоящего орфиса — А.П.

10

Если точно, то 322 687 697 779; однако при истинно случайных скачках такое количество попыток не влечёт стопроцентно гарантированного попадания! Вероятность, что такое количество попыток приведёт к цели составляет порядка 50 %. О гарантированном попадании в цель при таком числе попыток можно говорить только, если ни одна из попыток не повторит другую, что требует запоминания сделанных ходов, что есть уже отчасти нарастающий отбор, т. е. не чистая спонтанность — А.П.