Представляется даже более вероятным, что первоначально в коммуникативной системе сочетались и жесты, и звуки, и мимика, подобно тому, как это происходит у современных обезьян (не только человекообразных, но даже низших узконосых¹³²), — поскольку главным для этой системы был не носитель сигналов, а расширение возможности делать выводы об окружающем мире. Скорее всего, как пишет Томаселло (см. выше), звуки первоначально играли по отношению к основным носителям информации — жестам — примерно ту же роль, что в современном языке играет интонация по отношению к словам — роль эмоционального дополнения. Тем не менее по самой своей природе новая коммуникативная система не могла в итоге не стать звуковой. И дело здесь не в том, что жестово-мимическая коммуникация неудобна в темноте, на расстоянии или среди густой растительности, как полагает, например, Т. Гивон¹³³ (обратим внимание на звуковую составляющую коммуникации шимпанзе, которая дает им возможность ориентироваться на поведение сородичей среди густой растительности тропического леса). Если задача коммуникативной системы состоит прежде всего в воздействии на конкретную особь (с целью, например, попросить ее о чем-то, поухаживать, выяснить иерархические или территориальные отношения и т.п.), то такая система допускает (и даже предполагает) переключение с обычной активности на коммуникативную — особь отвлекается от своих действий, устанавливает контакт с другой особью и начинает коммуникацию. Но если цель коммуникативной системы состоит в том, чтобы во время обычной деятельности каждая особь становилась глазами и ушами всей группы, давала другим особям основания для выводов об окружающей действительности, то отвлечение от собственных действий ради коммуникации лишает коммуникацию смысла.

При таких исходных предпосылках преимущество получают те группы, члены которых способны как можно быстрее понять то, что им сообщают. В идеале — еще до начала передачи информации, по звуку общего возбуждения или привлечения внимания догадаться (хотя бы в какой-то степени) о том, что будет сообщено. В принципе такое не невозможно: так, человек, слыша обращение к себе по имени, может по интонации предугадать часть смысла будущего сообщения — намерен ли говорящий просить его о чем-то, угрожать ему, стыдить, подозвать к себе, сообщить о каком-то поразившем его событии и т.д.; при становлении речи у ребенка овладение интонацией происходит до овладения словами (см. гл. 1).

Соответственно, отбором будет поощряться все более вариабельный исходный сигнал и все более точное «угадывание» другими особями по этому сигналу, что же будет сообщено. В этом случае информационная нагрузка переместится на звуковой канал, использование же прочих каналов редуцируется.

Весьма вероятно, что первоначально основными носителями намеренно передаваемой сигнальной информации у гоминид, как и у современных приматов, были жесты — они подчинены волевому контролю и могут использоваться для создания ad-hoc-сигналов. Но когда объем манипулятивной активности гоминид возрос, в частности, за счет изготовления и применения орудий, сочетание обычной и коммуникативной деятельности стало затруднено¹³⁴: руки не могли одновременно делать орудия и знаки, мозгу приходилось выбирать, какой сигнал посылать на руки, какую информацию обрабатывать — от практических движений или от сигнальных (подобные затруднения легко смоделировать, попытавшись говорить и одновременно с этим жевать жвачку). Это, по-видимому, привело к эффекту «замещения» — сигнал из мозговых структур, управляющих коммуникацией, стал подаваться не только на руки, но и на органы звукопроизводства. Такое замещение могло быть облегчено тем, что у приматов управление ротовым аппаратом и управление руками связаны между собой, поскольку эти органы вместе задействованы в питании, груминге и т.д.¹³⁵.

Подача коммуникативного сигнала на руки, впрочем, так и не была до конца заблокирована — и поэтому люди жестикулируют при разговоре (имеется в виду не использование значащих жестов типа «погрозить пальцем», а то, что называется «размахивать руками»). Подобная жестикуляция не преследует цели коммуникативного воздействия с использованием визуального канала передачи информации: так, люди жестикулируют, говоря по телефону или ведя радиопередачу¹³⁶, жестикулируют даже слепые¹³⁷; если лишить человека возможности «размахивать руками», речь оказывается затруднена. От значащих жестов такое, как иногда говорят, «автодирижирование» отличается не только тем, что оно в значительной степени непроизвольно, но и тем, что оно не использует пальцы — кисть участвует в нем как единое целое, пальцы обычно слегка согнуты (как если бы они удерживали некий предмет).

В результате все более частого «попадания» коммуникативного сигнала на органы звукопроизводства и все большего сокращения участия в коммуникации рук развивается возможность коркового контроля за движениями органов речевого тракта. С возникновением новой системы управления звуком появляется и новый звуковой анализатор — выделяются нейроны, специально ориентированные на распознавание речи. Но при этом жесты помогают лучшему пониманию речи: если слушающий не видит жестикуляции говорящего (или говорящий вместо того, чтобы жестикулировать, например, почесывается), то для понимания сообщения необходима более активная работа мозга¹³⁸.

Можно предложить и несколько иной сценарий: в поведении все более усиливался сознательный компонент, люди (склонные, как пишет М. Томаселло, к кооперации) обретают желание сопровождать свои действия «усилителями заметности», чтобы дать соплеменникам больше материала для понимания причинно-следственных связей. В этом случае они будут стремиться к намеренному издаванию звуков. Сначала это будет похоже на актерскую игру: индивид вызывает у себя представление о том состоянии, в котором он испускает сигнал, — и сигнал испускается. Далее происходит процесс, сходный с ритуализацией: с каждым следующим повторением требуется вызывать у себя все менее полное представление о том состоянии, в котором производится сигнал, и в конце концов от этого представления остается только та часть, которая собственно и порождает нужный звук. Впрочем, такой вариант развития событий представляется несколько менее правдоподобным.

Затем бóльшая и меньшая значимость звука и жеста перераспределяются подобно тому, как перераспределяются основные и дополнительные признаки фонем в ходе развития языков современного человека¹³⁹. Постепенно возможности артикуляции расширяются, как показано в работах Б. Дэвис и П. Мак-Нилиджа (см. выше). Таким образом формируется новый мозговой механизм управления звукопроизводством. Впрочем, старый, подкорковый механизм управления вокализациями, имевшийся у предковых видов и связанный с эмоциями, у современного человека тоже сохраняется. Смех, рыдания, вопли ужаса, стоны боли и т.п. — все эти звуки управляются лимбической системой. Они являются врожденными, как и звуковые сигналы обезьян, и так же мало доступны волевому контролю — их можно подавить, но трудно вызвать волевым усилием и практически невозможно модулировать (можно лишь сыграть — при наличии актерского таланта — комплексное ощущение, как бы переживая соответствующую эмоцию целиком, и на этом фоне издать соответствующий звук). Но не только это отличает их от речевых звуков — звуки эмоций не делятся на фонемы, их невозможно вставить в высказывание, они не участвуют в словообразовании. Все это, по-видимому, свидетельствует о том, что эволюция языка заключалась не в преобразовании звуковой сигнализации из врожденной в управляемую, а в формировании новой системы управления звуком при сохранении старой системы на периферии коммуникативной сферы. Эти две системы могут конкурировать за управление вокализацией¹⁴⁰ — если, например, человеку смешно, ему трудно начать внятно произносить слова.