Кибернетика и биологические исследования

1. Кибернетический подход к живым организмам

Усиление объяснительной и прогнозирующей функций любой науки обусловлено применением точных методов исследования. Рост тенденции математизации и логической формализации знаний в значительной мере связан с рассмотрением любых объектов познания как систем, состоящих из определенным образом организованных относительно устойчивых элементов и подсистем. Если не считать субатомных явлений, где понятия системы и структуры имеют качественно своеобразный характер, а также образований космологических масштабов, для остальных областей явлений эти понятия приобрели весьма общее, универсальное значение. Именно для отображения объектов как систем математика и логика представляют наиболее удобный аппарат понятий и методов, а следовательно, и научный язык. Логико-математической основой системно-структурного подхода к познаваемым объектам является общая теория множеств и функций, математическая логика и теория алгоритмов. Системно-структурный подход вполне соответствует материалистической диалектике как общеметодологической основе познания: с одной стороны, этот подход помогает наиболее действенно применять в познании диалектический метод, а с другой — это средство для уточнения основных категорий и законов диалектического материализма^[1].

Любая вещь для познающего субъекта выступает определенной стороной в качестве объекта познания. В теории все содержание объекта мы стараемся выразить на ‘ языке многообразных устойчивых отношений некоторых исходных и неформализуемых (на данном уровне рассмотрения объекта) элементов знания. Математически это — язык символов и формул. Тем самым системный объект отображается в виде структур, характеризующих различные стороны и уровни познаваемого объекта.

Математика, выросшая из задач механики и физики, оказалась мало приспособленной к типу биологических объектов, отличающихся от физических объектов по сложности, характеру и уровню организованности. В разработке новой, «биологической» математики, а также в применении методов «классической» математики при исследовании явлений жизни существенная роль принадлежит кибернетике, которая объединяет различные методы математики для изучения систем управления^[2]. Кибернетика служит своеобразным проводником, мостиком между математикой и биологией, представляя мощное средство превращения последней в точную науку. Существо кибернетического подхода к живым организмам состоит в следующем.

Любой биологический объект рассматривается как такая открытая самоуправляющаяся система, которая самосохраняется и приспосабливается посредством процессов самонастройки, самоорганизации, самовоспроизведения и развития во взаимодействии с окружающей средой. Поведение такой самоуправляемой системы определяется поступающей извне и изнутри системы информацией и ее переработкой в зависимости от состояния и прошлого опыта системы в управляющие воздействия; последние приводят в деятельное состояние исполнительные органы в соответствии с выработанной программой. Не только целостный организм, но и его органы, ткани, клетки и их объединения представляют самоуправляемые системы (подсистемы) различных уровней подчинения, обладающие относительной автономностью своего функционирования.

Для кибернетического подхода к различным управляющим системам характерны три следующие черты:

1. Информационный подход, характеризующийся отвлечением от материального субстрата процессов переработки информации, от физической (технической) реализации устройств. При этом изучаются лишь схемы, алгоритмы (программы) переработки информации, общие принципы управления (принципы обратной связи, иерархичности строения, оптимизации, гомеостазиса и др.).

2. Так называемый функциональный подход, в котором делается упор на осуществлении функций на выходе системы. С функциональным подходом тесно связано моделирование объектов по принципу «черного ящика», когда неизвестна внутренняя структура системы или же она очень сложна.

3. Основное внимание обращается на разработку теории сложных и сверхсложных систем, для которых методы классической автоматики и телемеханики, разработанные для относительно простых систем, неприменимы.

Реализация кибернетического подхода к биологическим системам представляет сложную комплексную задачу, которая включает в себя задачи, относящиеся как к макроскопическому («молярному»), так и микроскопическому («молекулярному») уровням анализа систем^[3].

Биологические объекты принадлежат к различным структурным уровням и подуровням живой материи (например, биогеоценозы, биоценозы, виды, популяции, многоклеточные организмы, ткани и органы, наконец, клетки и биомакромолекулы, рассматриваемые на биохимическом и квантово-химическом уровнях анализа). Понятия макро- и микроподходов являются диалектически противоположными и соотносительными, т. е. связанными с теми или иными уровнями живого. Поэтому применения методов макро- и микроанализа нуждаются в предварительном выделении систем, функционирующих относительно автономно, и их основных относительно неделимых элементов. Тогда макроанализ соответствует уровню целостной биологической системы, микроанализ — уровню ее элементов. Например, если рассмотрение функций целого организма входит задачу макроанализа, то микроанализу соответствуй клеточный, а также молекулярный и смежные с ним уровни. Исследование органов и тканей как подсистем целостного организма составляет промежуточной этап (уровень), более примыкающий к макроподходу^[4]. После указанных ограничений, уточнений, относящихся к макро- и микроанализу биологических систем, рассмотрим существо кибернетических макро- и микроподходов.

Макроподход включает по крайней мере четыре основные задачи.

Выяснение потоков информации с точки зрения цели или назначения системы. При этом отделяются существенные факторы от несущественных, внешняя память, полюса схемы — входы и выходы информации. Раскрытие кода («языка») информации, в частности алгоритмов кодирования и декодирования. Здесь применяются теория кодирования, опирающаяся на основные теоремы теории информации, и теория алгоритмов. Выявление функций управляющей системы, т. е. результатов переработки информации на выходе системы, определяющих се макроповедение. Это осуществляется на основе связи «входной» и «выходной» информации; определяется детерминированный или случайный характер этой связи. В первом случае эту связь выражают на языке алгебры логики или многозначной логики, ограниченно-детерминированных операторов, либо рекурсивных функций; во втором случае — с использованием вероятностной логики, алгоритмов и операторов со случайными элементарными актами, теории случайных процессов и пр. При изучении макроповедения целостной системы поведение биологических систем рассматривается с точки зрения их общих критериев («целей») самосохранения и самовоспроизведения, которые распадаются на ряд «подцелей». В решении такого рода задач в кибернетике применяются методы теории игр, линейного, нелинейного и динамического программирования^[5].

Осуществление микроподхода предполагает решение следующих задач.

Выявление элементов системы, т. е. элементарных управляющих систем, и изучение их свойств.

Изучение связей между элементами и подсистемами, особенно существенных связей. При этом важно фиксировать геометрическое расположение связей (например, нервных коммуникаций, путей кровообращения), специфические свойства этих линий связи, их топологические свойства, исследуемые, в частности, методами теории графов и сетей.

Третья основная задача микроподхода состоит в нахождении алгоритмов работы управляющих систем, что представляет собой один из методов кибернетического моделирования. Существо этой алгоритмизации сводится к получению функциональной характеристики управляющей системы на основе упорядоченной совокупности операций над экспериментально найденными функциями ее элементов и подсистем. Точность найденного алгоритма может проверяться опытным путем.

Кибернетический подход включает и такие две взаимосвязанные основные типы задач, как анализ и синтез управляющих систем. В задачах анализа по известным характеристикам системы находятся неизвестные (например, по функции системы находят ряд производных функций). При этом задачи анализа сводятся к нахождению (выбору) оптимальных характеристик системы.

В задачах синтеза управляющих систем по заданному набору элементов и их функциональных характеристик находится оптимальный способ построения системы с заданной функцией. Конкретные методы синтеза оптимальной системы зависят от выбора критерия оптимальности по тому или иному свойству (параметру) для определенного класса систем.

Методами решения экстремальных, или оптимальных, задач анализа и синтеза служат, главным образом, методы математического программирования. Его важнейшими разделами являются: вариационное исчисление, теория оптимальных систем Л. С. Понтрягина, теория игр и статистических решений, динамическое программирование, теория расписаний, линейное и нелинейное программирование, а также кусочно-линейное и дробно-линейное программирование. Немаловажную роль в решении задач синтеза систем играют теория графов и сетей.

Важным средством (методом) кибернетического подхода к изучаемым объектам как системам управления являются так называемые эквивалентные, или тождественные, преобразование одной управляющей системы в другую при условии тождества функций этих систем. Эквивалентные преобразования представляют возможность выбора оптимальных вариантов в задачах анализа и синтеза систем, а также в задачах их допустимого упрощения. При изучении биологических объектов роль, аналогичную эквивалентным преобразованиям, часто выполняет построение ряда конкурирующих между собой моделей тех же объектов.

Разрабатываются методы кибернетики для изучения процесса эволюции. Эта комплексная проблема начинает исследоваться как в плане абстрактно-математических моделей процесса развития, так и применительно к живой природе на уровне биосферы в целом и отдельных популяций, на уровне макро- и микроподходов. Среди применяемых методов можно указать на статистическое моделирование, теорию марковских цепей^[6], теорию информации^[7], теорию алгоритмов, теорию игр и динамического программирования.

Наконец, более частной, но чрезвычайно важной задачей, особенно в бионике, является изучение надежности биологических систем. Здесь применяется широкий круг методов: оптимальное кодирование информации, методы проектирования самонастраивающихся и самоорганизующихся систем и т. д.

Не все перечисленные методы макро- и микроподходов находят достаточно широкое применение в изучении живых систем; некоторые из них разработаны как бы «впрок», с «заделом на будущее». С другой стороны, новые, наиболее эффективные методы, основывающиеся на кибернетическом подходе, еще ждут своей разработки. Существующие методы нуждаются в обстоятельном анализе их исходных понятий, условий и границ их применимости, их логической структуры, возможностей обобщения и развития и т. д. Помимо этих специальных задач, относящихся к области логики и методологии наук, есть и общие гносеологические вопросы, направленные на анализ существующих трудностей познания жизненных явлений, условий и принципов их успешного изучения, поисков эффективных путей применения математики в биологии и медицине с помощью кибернетики.

Рассмотрим некоторые из этих общих вопросов и задач.

2. Кибернетика и сложные системы. Сложность, организованность и структура

Важнейшей задачей научного познания является изучение динамических и статических структур объекта; особенно важно знать связи двух ближайших уровней, один из которых может рассматриваться как макроуровень, а другой как микроуровень. Например, в физике макроскопические свойства упругости, вязкости, теплопроводности и др. могут описываться в виде эмпирических (феноменологических) зависимостей на том же макроскопическом уровне. Но объяснение и предсказание этих свойств осуществляется путем раскрытия законов более глубокого уровня—микроуровня, в данном случае на уровне физики атомов и молекул^[8]. Познание связей макро- и микроструктур имеет общенаучный характер; но в различных науках переход от знания макро- к знанию микроуровня сопряжен с трудностями, зависимыми от природы изучаемых объектов. Науки о явлениях жизни значительно отстали в этом переходе. Главной причиной является то обстоятельство, что объекты жизни как системы более высокой организации характеризуются громадной сложностью, а это обусловливает и трудности их познания.

Классы сложных и сверхсложных самоуправляемых систем принципиально отличаются от относительно простых систем, с которыми человечество имело дело до середины двадцатого века, включая все автоматические системы управления. Несмотря на отсутствие точного определения понятия сложных систем, становится всё более очевидным, что, как отметил В. М. Глушков, методы решения относящихся к ним задач принципиально не могут быть сделаны простыми^[9]. Конечно, это не означает недопустимости тех или иных аппроксимаций в ходе их познания. Возникает необходимость в разработке исчислений и точных методов анализа и синтеза сложных систем, в точном определении самого понятия сложности и простоты. И здесь остро обнаруживается необходимость диалектического подхода к вопросам сложности и сложных систем.

Первая трудность, с которой встретились при изучении сложных систем, это их относительная разнородность. С этим связан и тот факт, что достаточно эффективные критерии (меры, показатели, оценки) сложности таких систем различаются между собой. По-видимому, сложные системы наиболее продуктивно сравнивать по одному и тому же существенному для этих систем признаку. Не случайно актуальными в кибернетике являются задачи классификации сложных управляющих систем и разработки соответствующих ей методов их анализа, синтеза, моделирования и пр.^[10]

В разнородности сложных систем (и соответствующих продуктивных оценок сложности) проявляются различия в структуре, организации качественно различных объектов. Это обусловлено тем, что понятие сложности является весьма односторонним, абстрактным подходом к структуре объекта, первым приближением к ее изучению.

Следующей, более конкретной характеристикой структуры, или организации, объекта является оценка степени организации, т. е. сравнительная величина организованности систем. Поэтому на качественном уровне анализа важно предварительно выяснить общий характер отношений сложности и организованности систем.

Сравним кристаллическую и жидкую фазы одного и того же химического вещества; сложность и организованность поведения отдельных атомов и молекул этих двух фаз находятся в обратном отношении. В фазе твердого, кристаллического состояния организованность («дальний порядок») их поведения выше, чем в жидкой фазе, которой соответствует понятие «ближнего порядка»^[11]. А сложность, наоборот, в первом случае меньше, чем во втором.

Но существует и другой класс систем, представляющих, по-видимому, наибольший интерес для науки; в них увеличению (уменьшению) сложности соответствует повышение (снижение) организованности систем. Это позволяет оценку сложности систем применять как первое приближение к оценке их организованности. Так, в общем ходе эволюции в живой природе повышение организованности в целом сопровождалось и увеличением сложности живых существ. Ясно, что конкретное выделение указанного класса систем производится методами соответствующей науки. Еще совсем недавно^[12] понятие сложности не отграничивалось от организованности, так как, по-видимому, имелся в виду лишь указанный класс систем. Но в последние годы наметилось разграничение этих классов сложных систем, где эти различия явно выступают.

Еще один шаг в понимании сложности на качественном уровне анализа состоит в следующем. Имеется большой фактический материал, когда при одинаковом числе элементов и связей две системы обладают различной сложностью. Увеличение лишь числа элементов и связей до определенного предела незначительно увеличивает сложность. Например, увеличение числа молекул при равномерной упаковке их в кристаллической решетке или же повторение элемента в каком-либо узоре мало увеличивает сложность этих двух структур. Однако если при том же числе элементов и связей увеличить их разнообразие (в частности, разнородность), то сложность значительно увеличится. Свойство разнообразия лежит в основе понятия информационной энтропии, меры количества информации. Поэтому естественно ожидать точного определения сложности и ее количественной оценки на основе теории информации и связанных с переработкой информации понятий. Укажем rta один объективный подход к определению сложности.

Развивая алгоритмический подход к количеству информации, А. Н. Колмогоров понятию информации ставит в соответствие понятие сложности. Он вводит понятие «относительной сложности» и определяет относительную сложность объекта «у» при заданном «х» как минимальную длину I «программы» р получения «у» из «х»^[13].

Какова познавательная роль алгоритмической меры относительной сложности? Прежде всего она позволяет исключить неограниченную сложность отдельно взятого объекта. Согласно основной теореме определения относительной сложности, последняя является конечной величиной, что имеет большое практическое значение. Далее, алгоритмическая мера обладает особого рода универсальностью или гибкостью. Так, многообразные сложные зависимости в нелинейных системах приводятся к канонической форме — к комбинации элементарных арифметических операций, и показателем сложности служит один параметр — длина программы алгоритма. Однако эта универсальная оценка сложности не исключает, а предполагает более частные и эффективные для решения ряда задач показатели сложности, специфичные для тех или иных классов сложных систем. Возникает необходимость найти эти показатели, ввести специальные системы оценок сложности. Например, в теории логических сетей разрабатываются асимптотические оценки их сложности, подчиняющиеся определенным требованиям^[14]. В области линейных замкнутых многоконтурных систем мерой их сложности служит минимальное число узлов или ветвей системы^[15]. Наконец, большая научная ценность, удобство алгоритмической меры сложности обусловлены тем, что программное моделирование, связанное с применением электронных вычислительных машин, является наиболее мощным и распространенным методом. Программное моделирование имеет большое значение для изучения деятельности живых существ, что позволяет использовать алгоритмическую оценку сложности их функционирования как на макро-, так и на микроуровнях. Таково, на наш взгляд, познавательное значение алгоритмической меры сложности.

Следующие решающие шаги в построении теории сложных систем следует ожидать на пути исчисления огранизованности управляющих систем, а следовательно, и живых систем. В настоящее время есть лишь отдельные частные попытки, не доведенные до выявления специфики сложных систем и лишенные достаточной строгости. На важность решения этой проблемы указал Г. Паск в 1959 г. на конференции по самоорганизующимся системам: «Сейчас мы находимся на стадии, на которой с чисто практической точки зрения ощущается нужда в «исчислении самоорганизующихся систем». Если такое исчисление не будет создано в течение пяти лет, состояние дел будет плачевно»^[16].

Последние исследования живых организмов с применением методов кибернетики и математики показали, однако, что надежды на достаточно общее и вместе с тем эффективное исчисление организации не оправдались. Более перспективный путь лежит, вероятно, через конкретную разработку различных типов и классов управляющих систем, особенно самонастраивающихся и самоорганизующихся систем. Это подтверждается все умножающимися исследованиями последних лет.

3. Организмы как сложные и высокоорганизованные самоуправляемые системы

Живые организмы имеют ряд черт, общих со сложными управляющими системами в технике. Сложность тех и других систем может быть охарактеризована, по крайней мере, следующими моментами. Прежде всего, огромным числом элементов (или элементарных управляющих систем) данной системы. Существенное увеличение сложности имеет место по достижении некоторой предельной, пороговой величины, зависимой от свойств элементов. Следует добавить еще одно условие: сложность системы может существенно расти с ростом разнородности самих элементов. Так, рост сложности организмов от одноклеточных к многоклеточным связан с дифференциацией не только количественной, но и качественной. В организмах на высокой ступени эволюции мы сталкиваемся с огромной гетерогенностью как на макро-, так и на микроуровнях в пределах того же вида.

Это приводит к тому, что возрастает роль индивидуальных особенностей организмов, а в человеческом обществе они достигают наивысшей величины, связанной с категорией личности.

Другая особенность — большой объем перерабатываемой информации, объем памяти. Следует учитывать и качественную разнородность информации, переработка которой ограничивается простыми системами правил; возрастающая трудность решаемых проблем есть показатель увеличения их сложности.

Разнородность строения и функционирования систем непосредственно выражается и в такой особенности, как огромное число параметров (переменных) системы.

Наконец, огромное число связей между элементами, между параметрами системы для полной характеристики сложности следует также дополнить признаком разнородности этих связей и зависимостей. Связи между элементами системы могут быть параллельные и последовательные, непосредственные и опосредствованные; зависимости между переменными могут быть линейные и нелинейные (разных видов) и т. д. Отдельные элементы и подсистемы могут обладать разной степенью относительной и временной независимости друг от друга.

Живые системы отличаются от современных технических устройств, очевидно, не только большей сложностью, но и, главное, более высоким уровнем организованности. Новое качество (свойство) системы зависит не только от достижения некоторых «пороговых» величин сложности (т. е. границы меры), но и от изменения типа организации. Поэтому выяснение многих специфических свойств плодотворно лишь на пути изучения лежащих в их основе структур и количественных оценок уровня организованности систем. Например, для объяснения таких свойств, как пластичность (гибкость), адаптируемость, надежность в работе и др., далеко не достаточно знать величину сложности; существенно здесь выяснение самой организации системы. Это относится и к такой важнейшей проблеме при изучении живых существ, которая в биологии и психологии именуется активностью. Свойство, именуемое активностью, пока еще не поддается точным определениям и оценкам, хотя оно имеет вполне структурный характер, т. е. может быть объяснено определенной организацией системы. С активностью живого связывают такие способности, как способность к самосохранению, приспособлению, саморегулированию, самовоспроизведению и развитию в процессе взаимодействия организмов с окружающей средой. Можно перечислить и более частные функции и процессы, обеспечивающие эти способности (самообновление через биологический обмен веществ, самообучение и др.), но главная их черта заключается в «самости» (приставка «само»), т. е. в относительно «самостоятельной силе реагирования» (Ф. Энгельс), или самостоятельности поведения.

В чем состоят специфические свойства самостоятельности (активности) живых систем, включая человека? Довольно общее и характерное свойство живого есть объективное состояние потребности в недостающих и необходимых условиях существования. Эти состояния имеют градации, начиная от элементарных биологических потребностей в кислороде, пище, влаге, сне и пр. до ориентировочных потребностей у животных; от органических потребностей человека до его интеллектуальных, эстетических, нравственных потребностей. Разнообразные состояния потребностей являются источником поведения, поисков недостающих условий, звеньев в решении поведенческих и теоретических задач. Активная роль состояния потребностей проявляется в сигнальной (в смысле учения И. П. Павлова) функции воздействующих раздражителей, т. е. их жизненной роли для организма — субъекта; в факте так называемого подкрепления при выработке условных рефлексов и обучении; в выработке цели и в наличии проблемной ситуации, предметной или смысловой стороны информации, ее ценности для получателя; с состояниями потребностей связаны эмоции, интуиция, общая направленность организма-субъекта к внешнему миру, творческая потенция и др. моменты^[17].

Кибернетика конструктивно подходит к проблеме активности, или самостоятельности, поведения, разрабатывая самоуправляющиеся, саморегулирующиеся, приспосабливающиеся системы различных уровней автономности, или самостоятельности. Сами термины «автоматическое управление», «автоматическое регулирование» и пр. означают управление, регулирование без непосредственного вмешательства человека. В современных автоматических устройствах разных уровней уменьшается и все более опосредствуется вмешательство человека, достигая очень тонких и порой неуловимых зависимостей от своего создателя. Но пока эта грань не преодолена.

В кибернетике к настоящему времени вырисовываются четыре уровня самоуправляющихся и приспосабливающихся систем: 1) самонастраивающиеся системы, способные находить посредством поисков оптимальные величины параметров в заложенном в них алгоритме (программе); 2) самообучающиеся системы — самонастраивающиеся системы с памятью, т. е. способные «запоминать» наиболее выгодные режимы работы; 3) самоорганизующиеся системы — могут не только самонастраиваться и обучаться, но также изменять рабочие алгоритмы и перестраивать свою внутреннюю организацию (связи между элементами, присоединять новые и т. д.)^[18]; 4) системы, способные к воспроизведению себе подобных и развитию.

Все четыре уровня самоуправления и приспособления имеются в живых организмах. Поэтому комплексная проблема природы элементарной ячейки жизни, включающая биохимический, биофизический, биологический аспекты, есть в то же время проблема раскрытия кибернетической структуры самоорганизации, саморазвития, самоприспособления при взаимодействии живой системы со средой.

Кибернетические исследования этой проблемы обнаруживают важные диалектические моменты в природе сложных и сверхсложных систем, а следовательно, и роль диалектического подхода к ним. В частности, правильное понимание таких систем возможно лишь при условии неразрывного единства противоположных определений, без односторонней абсолютизации одного из них.

Так, свойства живых и жизнеподобных систем характеризуются оптимальным (по отношению к различным условиям) сочетанием дискретного и непрерывного принципов действия, их переходом друг в друга^[19].

То же относится и к сочетанию жестко детерминированного и вероятностного принципов действия, имеющих место в работе сенсорных механизмов, в решении поведенческих и теоретических задач (методы детерминированного и случайного поиска) и др.

Гибкость, изменчивость имеют своим противоположным полюсом устойчивость. Но эта стабильность не статическая, а имеет динамический характер (например, наличие таких динамических инвариантов, как поддержание постоянного давления, температуры тела, содержания сахара и кислорода в крови и т. д.). В проблеме отношения части и целого, элементов и системы недопустимы односторонние преувеличения этих полярностей. Так, Ч. Беллом и некоторыми бихевиористами предпочтение отдавалось роли частей, их автономности, а гештальтистами целостность абсолютизировалась и противопоставлялась функции частей.

Далее, высокая и гибкая организация включает как взаимную связь, зависимость, взаимодействие элементов, так и относительную и временную независимость отдельных элементов и подсистем друг от друга^[20]. Без последней невозможны накопление адаптации, «свобода» выбора вариантов поведения и т. д. Примером относительной независимости, динамической устойчивости отдельных подсистем является подсистема «сердце — легкие». Недаром во время операций на сердце применяют для искусственного кровообращения аппарат (модель) «сердцелегкие»^[21]. Задачи научных исследований состоят в том, чтобы конкретно раскрыть меру единства, взаимодействия и переходы этих противоположных сторон друг в друга.

Кибернетическое рассмотрение живых организмов как сложных и высокоорганизованных систем подводит, наконец, к такому вопросу: в какой мере точность воспроизведения на моделях существенных функций живого не зависит от выбора материального субстрата? Независимость функции от ее субстрата на языке системно-структурного подхода может быть сформулирована как про- блемя возможности материальной реализации определенной схемы или структуры. Отдельная существенная функция органически целого несет на себе печать целого, являясь его интегральным результатом. Иначе говоря, эта функция зависит от множества функций целого. И если исходные элементы модели проще, отличаются по своим функциональным возможностям от оригинала (например, лампы, триггеры и реле проще нейрона), то это, естественно, отразится и на интегральном эффекте (функциях мозговой модели). И данная существенная функция модели будет неполна по сравнению с оригиналом.

4. Гносеологические вопросы применения кибернетических методов

Понятие объективной сложности следует отличать от субъективной стороны понятия сложности, что проявляется в виде трудностей познания объекта, решения соответствующей проблемы.

При изучении относительно простых систем первоначально трудная, кажущаяся сложной проблема в итоге разрешалась с помощью небольшого числа исходных положений (аксиом) и достаточно простых правил. Примерами из истории науки могут служить многочисленные открытия в области механики, физики, химии.

Но при исследовании объективно сложных и сверхсложных систем все меньше встречается «магических», достаточно простых и эффективных формул, алгоритмов. Здесь мы нередко сталкиваемся с противоположной ситуацией, когда проблема, первоначально казавшаяся простой, в дальнейшем предстает значительно более сложной. Таковы многие кибернетические проблемы из области моделирования жизни и психики животных и человека.

Например, некоторые попытки построения различных моделей потребностей оказались неудачными^[22], переупрощенными; при моделировании обучения, условно-рефлекторной деятельности столкнулись опять с проблемой мотивации и подкрепления: проблема автоматического перевода, вначале казавшаяся в принципе простой, оказалась чрезвычайно сложной; то же — с эффективной автоматизацией доказательств и т. п.

Об этих двух крайних тенденциях, представляющих опасность в исследованиях сложных систем, Р. Белман писал: «…Ученый подобно паломнику должен идти прямой и узкой тропой между западнями переупрощения и болотом переусложнения»^[23].

Конечно, наличие сложных объектов и проблем не отменяет способы аппроксимаций, последовательных приближений и т. д. Но эти упрощения должны быть качественно иными. Так, организм представляет совокупность относительно автономных и взаимообуславливающих, взаимодействующих подсистем; поэтому изучение целого по частям или перенос сведений с частей на целое не всегда продуктивен; эти действия нуждаются в особой осторожности. Когда известны относительно независимые, параллельные подсистемы организма, методика их удаления и техника изолирования отдельных таких органов, тканей, клеток сохраняют свое значение. Но если они (в данных условиях) находятся в сильном взаимовлиянии, то такие классические методы неприменимы. Тогда на первый план выступает методика «естественного эксперимента». Его возможности в настоящее время значительно расширены благодаря методу меченых атомов, позволяющему наблюдать интимные процессы внутри организма, радиотелеметрическим методам (вживление электродов, «радиопилюли»), методикам электрической стимуляции возбудимых структур^[24].

Взаимодействия, взаимообусловленности внутри организма могут математически описываться с помощью нелинейных зависимостей, которые почти не поддаются линеаризации с последовательным добавлением нелинейных членов (например, по аналогии с теорией возмущений в квантовой механике). На эту трудность обращает внимание ряд специалистов по сложным системам управления. С логико-гносеологической стороны здесь полезно проанализировать различные методы исследования нелинейных систем, логическую структуру (схему) процесса взаимодействия объектов.

В связи с объективной и субъективной сторонами сложности большое значение приобретает гносеологический анализ и обоснование применений статистических методов для изучения сложных систем управления. Укажем специально на важность логико-гносеологической (субъективной) стороны. В статье «Моделирование нервной деятельности» Д. МакКей пишет: «Когда в цепи, построенной из дискретных путей, образуется достаточно много перекрестных соединений, интуиции, плодотворной при рассмотрении обычных систем авторегулирования, уже не хватает. Понятие обратной связи (и даже понятия входа и выхода) становится неопределенным и спорным, а точное описание состояния каждого пути, даже если оно теоретически возможно, чрезвычайно сложно. Для многих отдельных зон центральной нервной системы ситуация представляется именно такой»^[25]. В таких ситуациях возможности для исследования представляются статистическими методами. Их необходимость диктуется не только повышением объективной роли случайных факторов и процессов, но и возникающими неопределенностями в связи с неточностью измерений параметров системы, недостаточностью необходимой информации о системе, о связях между элементами. Например, при проектировании так называемых больших систем ряд не поддающихся точному учету факторов принимается за случайные величины (шумы), а в итоге регулярности в действии этих факторов выражаются в виде тех или иных функций распределения. Другой пример. Построить чисто динамическую модель формальной нейронной сети, состоящей из десятков и сотен тысяч нейронов с последовательными и параллельными соединениями, порой оказывается практически невозможно. И статистическое моделирование служит здесь средством преодоления этой трудности. Статистические методы весьма полезны и в тех случаях, когда изучаются связи многих изменяющихся величин (переменных), характеризующих деятельность организма. При одновременном изменении величин обычные методы корреляционного и регрессионного анализа оказываются малопригодными. Поэтому для исследования групп переменных применяются методы, называемые частной корреляцией и частной регрессией^[26].

Активность познающего субъекта при исследовании сложных систем, по-видимому, является более продуктивной не столько на пути их прямых упрощений, сколько на пути новых интерпретаций и эквивалентных преобразований. Такое мысленное «препарирование» объекта оказывается весьма эффективным. Так, при нахождении оптимальных форм поведения, подчиняющегося определенной цели, полезно представить ситуацию как игровую. Например, М. Л. Цетлиным отношения организма и среды интерпретировались как поведение автомата в случайной среде, а поведение группы организмов — как поведение нескольких автоматов^[27]. Игровые модели позволяют экономно выразить сложную ситуацию. Аналогичные препарирования объекта полезны при рассмотрении процесса эволюции, который интерпретируют в виде выбора оптимальных по критерию приспособленности форм поведения; это позволяет применять методы теории игр, статистического моделирования и пр.

Плодотворность применения кибернетических методов к изучению живых систем определяется степенью подготовленности наук о жизни к восприятию этих методов, а с другой стороны, развитостью самих методов кибернетики.

Одним из начальных и исходных условий эффективного их применения является наличие достаточно точных средств измерения и регистрации биологических величин. Это несомненно зависит от общего технического прогресса и техники измерений в частности. Таковы уже упоминавшиеся выше радиотелеметрические и другие методы измерения и регистрации.

Другим условием является выявление существенных параметров живых самоуправляющихся систем; без этого невозможно открывать и законы их строения и поведения. Описательный подход в биологических исследованиях не давал возможности для этого. Применение кибернетики облегчает решение этой задачи. В частности, метод моделирования позволяет проверять существенность параметров, их полноту и даже делать их выбор с помощью различных тактик поисков^[28].

Важнейшим условием успешного применения кибернетики являются точные (дающие возможность количественных оценок) определения биологических понятий и принципов деятельности живых существ. В свою очередь, кибернетика помогает решению этих задач. Яркими примерами здесь служат попытки дать точное определение понятия симптома в современной отечественной медицине, точное определение видов поиска, имеющих место в поведении организмов (математические методы поисков детерминированного, случайного и смешанного типа).

Определение симптома и количественная мера симптоматики введены М. Л. Быховским. В результате статистического анализа некоторого количества историй болезней определяются вероятности признаков данного заболевания. И количественная мера симптоматики равна (по соответствующей формуле) количеству информации, содержащейся в данном признаке, относительно данного заболевания^[29]. Введение понятия симптома и его количественная оценка позволили применять ЭВМ в диагностике болезни, в выборе оптимальных методов лечения, контролировать состояние больного во время операций, прогнозировать исход болезни и т. д. Характерно, что врач, встретившись с десятками и сотнями признаков, не в состоянии определить так быстро и точно диагноз, как это делает информационно-логическая машина.

Система диагностики, включая составление таблиц или матриц болезней, введение точных понятий и количественных оценок, нуждается в выработке унифицированного, точного и лаконичного языка в медицине, физиологии и др. Это увеличит возможность применения ЭВМ для обработки данных, позволит обмениваться информацией между сходными учреждениями, обобщить ее и т. д. При этом при регистрации сведений должны фиксироваться условия и границы применения сведений, понятий, а также допущения, лежащие в их основе.

Успешное применение кибернетических методов в изучении явлений жизни и психики животных и человека связано с трудностью, которая нередко приводит биологов и медиков к скептическому и даже нигилистическому отношению к кибернетике. Трудность эта состоит в следующем. Сформулированные в кибернетике принципы управления и переработки информации обладают большой общностью и абстрактностью. И существует некоторый «разрыв» между ними и биологическими объектами, замедляющий темпы и размах применения кибернетических методов. Какова гносеологическая сущность этого «разрыва» и путь его устранения?

«Разрешающая сила» и информационная емкость понятий, суждений уменьшается при приближении к таким двум полюсам, как всеобщность и индивидуальность. Всеобщие понятия характеризуются отвлечением от всего многообразия структур данного типа связи (пространственной, пространственно-временной, динамической и т. д.) и фиксируют наиболее общие моменты (черты) этих структур. Всеобщее понятие, распространяющееся на все качественно различные области явлений, не является эффективной онтологической структурой, из которой можно путем ограничений дедуктивно вывести конкретные структуры. Например, из понятия «взаимодействия вообще» нельзя вывести свойства и строение взаимодействий конкретных областей явлений. Однако, фиксируя черты, типы связей, общие для структур всех областей явлений, всеобщие понятия направляют поиски этих конкретных структур.

В науках достаточно широкой общности указанный «разрыв» обычно ликвидируется стыковыми дисциплинами и исследованиями. Между кибернетикой и биологией идет полустихийно процесс создания переходных понятий, теорий. К ним относятся направления, именуемые биокибернетикой, медицинской, физиологической в частности, нейрокибернетикой и т. д. Аналогичную функцию частично выполняет бионика и инженерная психология: принципы деятельности живых систем получают техническую реализацию (бионика) или согласование с функциями технических устройств (инженерная психология) при условии «перевода» биологических и психологических понятий на язык кибернетических. В биологии такие исследования идут по линии уточнения, переосмысления старых и введения новых понятий, количественных оценок и методов (например, выше отмечалась роль переосмысления понятия «симптома», его количественной оценки для медицинской диагностики).

Примечательно, что даже такие области, как механика управляемого тела (управление запуском ракет и пр.), где управляющие системы проще биологических, нуждаются в «доведении» их до уровня, когда более эффективно могут быть восприняты и применены кибернетические методы. Так, применение кибернетических схем и методов становится плодотворнее (в частности, упрощаются программы управления), если конкретизировать понятие управляющего воздействия, преобразуя его в понятие «удерживающей связи», ввести принцип совместности и т. д.^[30]

В кибернетике исследования, приближающие ее к сферам различных приложений, идут в основном по пути конкретизации методов кибернетики в связи с классификацией управляющих систем и разработкой их отдельных классов. Так, в последние годы наиболее актуальной областью кибернетической проблематики является создание теории сложных и сверхсложных систем управления с соответствующей дифференциацией сложных систем на различные классы. Эта область также имеет тенденцию выделиться в относительно специальную дисциплину.

Таковы некоторые актуальные гносеологические вопросы применения кибернетических методов в науках о живой природе.

1. Детальное развитие этого тезиса является предметом специального исследования. ↑
2. Термины «управление», «управляющая система», в отличие от расширительного понимания А. А. Ляпуновым и С. В. Яблонским как любой системы взаимодействия, любой формулы (см. «Проблемы кибернетики», вып. 9. М., 1963, стр. 5—8), в данной статье употребляются согласно трактовке В. А. Бокарева (см. «Вопросы философии», 1966, № 11). ↑
3. См. А. А. Ляпунов, С. В. Яблонский. Теоретические проблемы кибернетики. «Проблемы кибернетики», вып. 9. М., 1963, стр. 5—22. ↑
4. См. М. Ф. Веденов, В. И. Кремянский. О специфике биологических структур. «Вопросы философии», 1965, № 1. ↑
5. См., например: «Приспосабливающиеся автоматические системы». М., 1963, гл. 14, 15, 17 ↑
6. О. С. Кулагина, А. А. Ляпунов. К вопросу о моделировании эволюционного процесса, § 4. «Проблемы кибернетики», вып. 16. М., 1966. ↑
7. X. Равен. Оогенез. М., 1964. ↑
8. См., например: С. Э. Xайкин. Физические основы механики. М., 1965; Цянь Суэ-сень. Физическая механика, М., 1965. ↑
9. В. М. Глушков. Кибернетика и умственный труд. М., 1965, стр. 23. ↑
10. См., например: И. Н. Коваленко. О некоторых классах сложных систем. «Техническая кибернетика», 1964, № 6; 1965, № Г. № 3. ↑
11. См. А. И. Китайгородский. Введение в физику, гл. 32 и 33. М., 1959. ↑
12. См., например: Дж. Нейман. Общая и логическая теория автоматов. — В кн.: А. Тьюринг. Может ли машина мыслить? М., 1960. ↑
13. А. Н. Колмогоров. Три подхода к определению понятия «количество информации». «Проблемы передачи информации», т. 1, вып. 1. М., 1966, стр. 8. ↑
14. См. Н. Е. Кобринский, Б. А. Трахтенброт. Введение в теорию конечных автоматов. М., 1962, стр. 347—356. ↑
15. См. «Приспосабливающиеся автоматические системы». М., 1963, стр. 64. ↑
16. См. «Самоорганизующиеся системы». М-, 1964, стр. 420. ↑
17. См. подробнее в нашей работе «О природе образа», § 6, 8, 9. ↑
18. О самоорганизации в собственном смысле см.: В. М. Глушков. Введение в кибернетику. Киев, 1964, стр. 220. ↑
19. См. Дж. Нейман. Общая и логическая теория автоматов. В кн.: А. Тьюринг. Может ли машина мыслить? стр. 59—100; Он же. Вычислительная машина и мозг. «Кибернетический сборник», № 1. М., 1960, стр. 35 и сл. ↑
20. См. У. Р. Эшби. Конструкция мозга, гл. 11 и 12. М., 1962. ↑
21. См. Г. М. Соловьев. Искусственное кровообращение. Веб.: «Достижения современной техники в медицине». М., 1965, стр. 89—109. ↑
22. Р. Xайнд. Энергетические модели мотивации. — В сб.: «Моделирование в биологии». М., 1963. ↑
23. Р. Белман. Динамическое программирование. М., 1960. стр. 11. ↑
24. См. статьи В. В. Розенблата, Е. Б. Бабского и А. М. Сорина в сб.: «Достижения современней техники в медицине». М, 1965. ↑
25. «Моделирование в биологии». М., 1963, стр. 262. ↑
26. Н. Бейли. Статистические методы в биологии. М., 1964, гл. 14. ↑
27. М. Л. Цетлии. О поведении конечных автоматов в случайных средах. «Автоматика и телемеханика», 1961, № 10. ↑
28. См. «Биологические аспекты кибернетики». М., 1962, стр. 68. ↑
29. М. Л. Быховский. Электронные математические машины и математические методы в медицине. — В сб. «Достижения современной техники в медицине», стр. 114. ↑
30. См. Г. В. Коренев. Развитие учения о связях в механике. — В сб.: «История и методология естественных наук», вып. IV. М., 1966; Он же. Введение в механику управляемого тела. М., 1965. ↑