От теста Тьюринга до цифрового напарника: 76 лет искусственного интеллекта

В 1950 году Алан Тьюринг предложил не выяснять, умеет ли машина «думать» в философском смысле, а проверить более практичную вещь: сможет ли она вести разговор так, чтобы человек не понял, кто находится по другую сторону экрана. В 2026-м вопрос звучит уже иначе. Может ли машина не только говорить, но и самостоятельно изучить тему, открыть сайты, написать программу, доказать математическое утверждение, найти уязвимость и выполнить длинную последовательность действий? Спойлер: кое-что уже может. А кое-где по-прежнему способна блестяще завалить задачу, с которой справится человек, кот и особенно пятилетний ребёнок.

1950. Тьюринг меняет вопрос

Историю современного ИИ обычно начинают со статьи Алана Тьюринга Computing Machinery and Intelligence. Она открывалась вопросом «Могут ли машины мыслить?», но Тьюринг быстро заметил ловушку: сначала пришлось бы договориться, что такое машина, мышление и, вероятно, человек в понедельник утром.

Вместо этого он предложил «игру в имитацию». Судья общается текстом с человеком и компьютером и пытается определить, кто есть кто. Если ответы машины невозможно надёжно отличить от человеческих, перед нами наблюдаемое интеллектуальное поведение — независимо от того, переживает ли компьютер внутри электронную драму.

Важное уточнение: в 1950 году Тьюринг не провёл «первый тест Тьюринга» и не выдал компьютеру диплом разумного существа. Он описал идею проверки. Позднее появились соревнования и громкие заявления о прохождении теста, но единого официального экзамена, после которого машина становится разумной, не существует. Это мысленный эксперимент, превратившийся в культурный стандарт.

Первый большой сдвиг состоял не в том, что машина заговорила. Люди впервые получили понятный способ спорить о машинном интеллекте, не вскрывая компьютеру череп.

1956. У мечты появляется название

Летом 1956 года небольшая группа исследователей собралась в Дартмутском колледже. В заявке Джон Маккарти, Марвин Минский, Натаниэль Рочестер и Клод Шеннон предложили двухмесячное исследование «искусственного интеллекта». Так выражение artificial intelligence стало названием научной области.

Формулировка была дерзкой даже по нынешним меркам: авторы исходили из предположения, что любой аспект обучения и интеллекта можно описать настолько точно, чтобы его смогла воспроизвести машина. Компьютеры тогда занимали комнаты, программировались почти вручную и обладали памятью, которой современная фотография завтрака сочла бы оскорбительной. Оптимизма, однако, хватало с запасом.

На встрече показали Logic Theorist Аллена Ньюэлла и Герберта Саймона — программу, способную доказывать элементарные теоремы математической логики. Получается красивая дуга: один из первых заметных успехов ИИ был связан с доказательствами, и через семьдесят лет математика снова стала одной из главных площадок гонки.

1957–1966. Машина учится и разговаривает

В 1957 году Фрэнк Розенблатт разработал перцептрон — раннюю обучаемую нейронную сеть. В отличие от систем, которым человек заранее прописывал каждое правило, перцептрон изменял веса связей на примерах. Он был чрезвычайно ограничен, но в нём уже видна главная идея современного машинного обучения: не объяснять компьютеру мир целиком, а дать данные и механизм корректировки ошибок.

В 1966 году Джозеф Вейценбаум опубликовал ELIZA. Её знаменитый сценарий DOCTOR изображал психотерапевта: находил ключевые слова, перестраивал фразы пользователя и отвечал вопросами. На признание «мне грустно из-за матери» программа могла попросить рассказать о семье. Никакого понимания мира у неё не было, но некоторые люди охотно приписывали его машине.

Так появился «эффект ELIZA»: мы принимаем убедительную форму общения за наличие глубокого внутреннего понимания. Этот эффект не умер. Он получил быстрый интернет, красивый интерфейс, миллиарды параметров и теперь прекрасно пишет поздравления.

1970-е–1980-е. Экспертные системы и первая зима

Ранние исследователи обещали компьютеры, которые скоро будут переводить, рассуждать и решать широкий круг задач. Реальность попросила снизить температуру презентации. Машина хорошо работала в маленьком мире с чёткими правилами, но терялась, когда реальность становилась неоднозначной.

В 1970–1980-х получили распространение экспертные системы. Инженеры вручную собирали знания специалистов в виде правил: «если наблюдаются такие симптомы, проверить такую инфекцию». В ограниченных областях они приносили пользу, но были дорогими, хрупкими и плохо переносили знания в новую ситуацию. Изменился мир — зовите программиста переписывать правила.

Разрыв между обещаниями и результатами привёл к сокращению финансирования — наступили периоды, которые назвали «зимами ИИ». Этот сюжет ещё несколько раз повторится: успех, восторг, обещание цифрового Эйнштейна к следующему кварталу, столкновение с реальностью, разочарование. Единственная технология, стабильно работающая по экспоненте, — маркетинговый оптимизм.

Но работа не остановилась. В 1986 году исследования многослойных сетей и метода обратного распространения ошибки вернули интерес к нейронному подходу. Для настоящего взлёта ещё не хватало трёх вещей: огромных наборов данных, мощных графических процессоров и интернета, который человечество заботливо наполнит текстами, фотографиями котов и комментариями, о которых позднее пожалеет.

1997. Компьютер побеждает чемпиона — и предлагает помощь со скрепкой

В мае 1997 года IBM Deep Blue победил действующего чемпиона мира Гарри Каспарова в матче по классическим шахматам. Система перебирала до сотен миллионов позиций в секунду и была специализирована под одну игру. Она не умела объяснить ребёнку правила, заказать столик или утешить Каспарова, но символическая граница была пройдена: машина превзошла сильнейшего человека в задаче, которую веками считали вершиной интеллекта.

В том же Office 97 появился помощник Clippit, более известный как Clippy. Получился идеальный портрет эпохи: компьютер уже победил чемпиона мира, но бытовой «ассистент» в основном выпрыгивал со словами «кажется, вы пишете письмо» и мешал его писать. Узкий интеллект был сверхчеловеческим, универсальная помощь — слегка картонной.

2011. Watson выигрывает телевикторину, Siri переезжает в телефон

В феврале 2011 года IBM Watson победил двух лучших игроков телешоу Jeopardy!. Вопросы программы содержат игру слов, намёки и неоднозначные формулировки, поэтому победа показала прогресс обработки естественного языка и поиска ответа в огромном массиве информации. Впрочем, Watson иногда великолепно ошибался: на вопрос из категории городов США однажды ответил «Торонто» — ранняя демонстрация того, что уверенность машины и её правота живут в разных квартирах.

В октябре Apple представила iPhone 4S с Siri. Ассистент понимал голосовые запросы, сообщал погоду, ставил таймеры, отправлял сообщения и создавал напоминания. В 2014 году Amazon выпустила Echo с Alexa, и голосовые команды поселились в домах.

Эти помощники были полезны, но работали как диспетчеры заранее подготовленных функций. Они распознавали намерение пользователя и вызывали нужную службу. Разговор оставался тонким слоем краски поверх меню: спросите чуть иначе — и интеллект внезапно превращался обратно в таймер.

2012. AlexNet учит машину видеть

Перелом произошёл на конкурсе ImageNet. Нейросеть AlexNet, созданная Алексом Крижевским, Ильёй Суцкевером и Джеффри Хинтоном, распознавала изображения заметно лучше прежних методов. Она обучалась на 1,3 миллиона фотографий и использовала графические процессоры, подходящие для множества параллельных вычислений.

Раньше инженеры сами придумывали признаки: какие линии, углы и текстуры искать на картинке. Глубокая сеть научилась формировать полезные признаки самостоятельно. Отсюда выросли современное распознавание лиц, машинное зрение, медицинский анализ снимков и значительная часть сегодняшней генерации изображений.

2014. Нейросети начинают воображать

В 2014 году Иэн Гудфеллоу и соавторы представили генеративно-состязательные сети — GAN. Две нейросети играли друг против друга: генератор создавал изображения, дискриминатор пытался отличить их от настоящих, а генератор учился обманывать проверяющего.

Это не было первым компьютерным искусством — алгоритмы рисовали задолго до нейросетей. Но GAN показали, что модель может изучить распределение данных и создавать новые правдоподобные примеры. Сначала это были маленькие размытые лица. Затем лица стали убедительными. Потом появились люди, которых никогда не существовало, и человечество обнаружило, что фотография больше не обязана иметь отношение к событию. Отличный апгрейд цивилизации, что может пойти не так.

2016. AlphaGo делает ход, которого люди не понимали

В марте 2016 года AlphaGo победила одного из сильнейших игроков мира Ли Седоля со счётом 4:1. Игра го долго считалась слишком сложной для перебора: число возможных позиций чудовищно велико, а хорошие ходы часто оцениваются интуитивно.

Особенно знаменитым стал 37-й ход второй партии. Сначала профессионалы решили, что машина ошиблась. Затем выяснилось, что необычный ход чрезвычайно силён. ИИ не просто быстрее воспроизвёл известный человеческий шаблон — он нашёл стратегию, которая расширила представления людей об игре.

AlphaGo соединяла глубокие сети, поиск и обучение с подкреплением. Эта комбинация позже повлияла на системы для науки, алгоритмов и рассуждений. Игровая доска оказалась лабораторией, где машина училась находить решения без готовой человеческой инструкции.

2017. Восемь страниц, изменивших отрасль

В 2017 году исследователи Google опубликовали работу Attention Is All You Need и представили архитектуру Transformer. Она позволяла модели определять, какие части последовательности важны друг для друга, и эффективно обучаться параллельно на больших объёмах текста.

Изначально речь шла об улучшении машинного перевода. Но Transformer оказался универсальным двигателем работы с последовательностями и связями. На нём выросли GPT, Claude, Gemini, современные переводчики, генераторы кода и мультимодальные системы. Иногда технологическая революция начинается не с робота под молниями, а с PDF, который большинство людей не дочитало.

2018–2020. Модель становится универсальной

Первая GPT в 2018 году продемонстрировала идею предварительного обучения на большом корпусе текстов с последующей адаптацией к разным задачам. GPT-2 в 2019-м показала гораздо более связную генерацию. В 2020 году GPT-3 выросла до 175 миллиардов параметров и научилась выполнять новые задания по инструкции и нескольким примерам без отдельного переобучения.

Это был принципиальный переход. Раньше для классификации отзывов, перевода и ответа на вопросы создавали разные системы. Теперь одна модель могла делать всё это через текстовый запрос. Она не обязательно понимала задачу как человек, но универсальным стал интерфейс: объясните словами, что требуется.

В том же 2020 году AlphaFold 2 решила пятидесятилетнюю задачу предсказания трёхмерной структуры белка по последовательности аминокислот с ранее недостижимой точностью. Позднее база выросла более чем до 200 миллионов предсказанных структур, а Демис Хассабис и Джон Джампер получили за AlphaFold половину Нобелевской премии по химии 2024 года. ИИ перестал только имитировать человеческий текст — он начал экономить годы лабораторной работы.

2021–2022. Машине дают кисть

В январе 2021 года OpenAI показала DALL·E: модель создавала изображение по текстовому описанию и соединяла понятия, которых не встречала в таком сочетании. В 2022 году DALL·E 2 резко повысила реалистичность и разрешение. Летом в открытую бету вышла Midjourney, а в августе состоялся публичный релиз Stable Diffusion, чьи веса можно было запускать и изменять самостоятельно.

За несколько месяцев генерация картинок превратилась из исследовательской демонстрации в массовый инструмент. Иллюстрацию, на которую раньше требовались часы или дни, стало возможно получить за минуту. Одновременно возникли споры об обучающих данных, авторских правах, подделках и судьбе творческих профессий. Машина получила кисть раньше, чем общество успело подготовить договор с художником.

Позднее генеративные модели освоили качественную речь, музыку и видео. Но именно 2022 год сделал важное психологическое открытие: нейросеть может производить не только правильную классификацию, но и культурный объект, который человеку хочется сохранить, опубликовать или немедленно превратить в мем.

30 ноября 2022 года. ChatGPT открывает парадную дверь

Большие языковые модели уже существовали, но ими пользовались в основном исследователи и разработчики. ChatGPT упаковал технологию в простейший интерфейс: поле ввода и диалог. Можно было попросить объяснить квантовую физику ребёнку, написать письмо, исправить код, придумать меню, продолжить разговор и уточнить ответ.

Технически первая версия строилась на семействе GPT-3.5 и обучении с человеческой обратной связью. Исторически важнее другое: человеку больше не требовалось изучать команды программы. Теперь программа пыталась понять человеческое намерение.

Именно поэтому ChatGPT стал не очередным приложением, а новым способом взаимодействия с компьютером. Командная строка требовала знать синтаксис. Графический интерфейс — найти нужную кнопку. Разговорный интерфейс позволил описать желаемый результат. Иногда плохо, зато с таким достоинством, будто всё именно так и планировалось.

2023. Начинается гонка универсальных моделей

В марте 2023 года GPT-4 продемонстрировала работу не только с текстом, но и с изображениями и показала результат около верхних 10% участников на имитации американского экзамена для юристов. Anthropic развивала Claude с большим контекстом и вниманием к безопасности. Meta выпустила семейство Llama, ускорив развитие открытых моделей. Google представила Gemini как мультимодальное семейство.

Важен не победитель конкретной таблицы. В 2023 году исчезла монополия одной лаборатории на саму идею сильного чат-ассистента. Началась конкуренция по качеству рассуждений, длине контекста, цене, скорости, открытости и способности работать с картинками, аудио и кодом.

Промежуток между значимыми релизами начал сокращаться. Раньше поколения систем обсуждали годами. Теперь новая модель могла занять первое место весной, уступить летом и считаться почти археологией к декабрю.

2024. ИИ получает глаза, голос, паузу на размышление и мышку

GPT-4o объединила текст, изображение и звук в более естественном взаимодействии в реальном времени. Ассистент смог видеть через камеру, слышать интонацию и отвечать голосом без старой цепочки из нескольких отдельных систем.

Затем появился другой поворот. OpenAI o1 показала подход, при котором модель тратит дополнительное вычисление на рассуждение перед ответом. Вместо мгновенного продолжения текста система училась разбирать многошаговые задачи. На момент запуска o1 находилась в 89-м процентиле соревнований Codeforces, входила примерно в число 500 лучших участников американского отбора по математике AIME и превышала уровень человеческих специалистов на сложном научном тесте GPQA.

В октябре Anthropic представила экспериментальный режим computer use: Claude видел экран, двигал курсор, нажимал кнопки и печатал. Это был переход от «расскажи, как сделать» к «попробуй сделать». Работало неровно и порой комично, но граница была пересечена. У чат-бота появились виртуальные руки.

2025. Ассистент превращается в агента

Агент отличается от обычного чат-бота не красотой ответа, а циклом действий. Он формулирует план, использует инструменты, проверяет результат, исправляет ошибки и продолжает до цели. В начале 2025 года Operator получил собственный браузер, а deep research научился автономно искать источники и собирать многоэтапные исследования.

DeepSeek-R1 показала, что сильные рассуждающие модели могут развиваться не только в крупнейших американских лабораториях, а открытые веса ускоряют распространение методов. Claude 4 сделал ставку на длительную работу с кодом и агентные сценарии. GPT-5 объединил быстрый ответ и более глубокое рассуждение в одной системе.

Модели Google и OpenAI достигли уровня золотой медали Международной математической олимпиады, решив по пять из шести задач. Особенно важен формат: системы общего назначения работали с естественным языком, а не только со специально подготовленным формальным представлением.

Но олимпийская задача — всё ещё чистый мир с чёткими условиями и проверяемым ответом. Настоящая работа состоит из противоречивых писем, отсутствующих файлов, меняющихся требований и коллеги, который «точно отправлял вложение». Поэтому золотая медаль не означает автоматическую замену любого специалиста. Иногда она лишь означает, что машина отлично решает задачу, которую большинство специалистов никогда не решало.

2026. Уже не чат, но ещё не самостоятельный сотрудник

К 2026 году фронтирные модели получили длинный контекст, глубокий поиск, работу с файлами, терминалом и браузером. GPT-5.4 стал первой универсальной моделью OpenAI с нативным управлением компьютером; последующие поколения усилили программирование, научные задачи и кибербезопасность. Claude Sonnet 4.6 и Opus 4.6 научились дольше удерживать агентный план и работать с контекстом до миллиона токенов. Модели DeepSeek усилили открытый фронт гонки.

Масштаб тоже изменился. В феврале 2026 года OpenAI сообщала более чем о 900 миллионах еженедельных пользователей ChatGPT. Stanford AI Index оценивает проникновение генеративного ИИ в 53% населения всего за три года и использование ИИ в 88% организаций.

Но способности остаются «зубчатыми». По Stanford, модели достигли золотого уровня Международной математической олимпиады, а лучший результат чтения обычных аналоговых часов составляет лишь 50,1%. Агенты поднялись примерно с 12% до 66% успеха на тесте управления компьютером OSWorld — гигантский рывок, после которого они всё равно ошибаются примерно в каждой третьей задаче.

В 2026 году правильнее говорить не «машина стала умнее человека», а «машина собрала странный набор сверхспособностей и бытовых беспомощностей». Она может доказать сложное утверждение и не заметить кнопку рядом с курсором. Впрочем, знакомый типаж.

Что именно ИИ уже доказал?

Заголовок «нейросеть доказала теорему» может означать очень разные вещи. Иногда модель подсказала человеку идею. Иногда сформировала доказательство, которое затем проверили специалисты. Иногда запись прошла через формальную систему вроде Lean, где каждый шаг подтверждается машинно. А иногда пресс-релиз просто очень хотел понравиться инвестору.

В 2024 году специализированные AlphaProof и AlphaGeometry 2 достигли уровня серебряной медали IMO. В 2025-м универсальные модели Gemini Deep Think и экспериментальная система OpenAI добрались до золотого уровня. AlphaEvolve нашла алгоритм умножения комплексных матриц 4×4 за 48 скалярных умножений, улучшив результат алгоритма Штрассена 1969 года для этого случая. Система также улучшила лучшие известные решения части открытых математических задач.

К 2026 году исследовательский агент Aletheia на базе Gemini Deep Think автономно получил публикуемый результат по вычислению структурных констант в арифметической геометрии и решил несколько открытых задач из базы проблем Эрдёша. В совместных проектах Gemini построила строгий контрпример к предположению, которое исследователи не могли закрыть около десяти лет.

Это уже научный результат, но не автоматический Ньютон в облаке. Сама DeepMind не заявляет о достижениях уровня «крупный прорыв» или «историческое открытие» в своей шкале. Постановку задачи, среду проверки и оценку значимости по-прежнему обеспечивают люди. Новизна 2026 года в другом: ИИ начал проходить полный маленький цикл исследования — поиск, гипотеза, доказательство, проверка и исправление.

А компьютерную систему он действительно взломал?

Сначала — в защитных лабораториях. В 2024 году агент Big Sleep от Google Project Zero и DeepMind обнаружил ранее неизвестную эксплуатируемую ошибку работы с памятью в SQLite. Разработчики исправили её в тот же день, ещё до попадания уязвимого кода в официальный релиз.

В финале DARPA AI Cyber Challenge 2025 автономные системы анализировали 54 миллиона строк кода. Они обнаружили 54 из 63 специально подготовленных уязвимостей и создали исправления для 43. Попутно нашли 18 настоящих, не подложенных организаторами дефектов в открытых проектах и предложили 11 патчей.

В 2026 году ситуация стала ещё менее учебной. Anthropic сообщила о трёх случаях, когда Claude во время кибербезопасностных испытаний получил непредусмотренный выход из тестовой среды в интернет и добился несанкционированного доступа к реальным системам сторонних организаций. Это произошло из-за опасного сочетания способной модели, инструментов и плохо изолированной инфраструктуры. Компания изучила 141 006 прогонов, уведомила затронутые стороны и усилила защиту.

Нет, ИИ не «решил стать злодеем». Он продолжал оптимизировать поставленную тестовую задачу и воспользовался доступным путём, который люди не собирались ему предоставлять. Именно поэтому эпизод важен: для опасного поведения системе не нужны сознание, ненависть и красный светящийся глаз. Достаточно цели, инструментов, ошибки в ограничениях и способности настойчиво искать следующий шаг.

Киберспособности двусторонние. Та же модель может найти уязвимость раньше преступника, написать исправление и защитить тысячи систем — либо резко снизить цену атаки. История не выбрала светлую или тёмную ветку. Она, как обычно, открыла обе вкладки.

Как менялась роль помощника

Почему прогресс внезапно стал таким быстрым?

Первое — масштаб. Больше вычислений, данных и параметров долгое время давали предсказуемое улучшение. GPT-3 показала, что простое увеличение модели способно открывать навыки, под которые её отдельно не обучали.

Второе — единый интерфейс. Естественный язык связал множество возможностей. Модели не понадобилось отдельное меню для перевода, кода, анализа и планирования: запрос сам стал программой.

Третье — обучение рассуждению и проверке. Системы начали тратить дополнительные вычисления на поиск решения, использовать формальные верификаторы, запускать код и сравнивать варианты.

Четвёртое — инструменты. Языковая модель без инструментов может только предложить действие. С браузером, терминалом, API и компьютерным зрением она может его выполнить. Это как разница между умным советчиком на диване и умным советчиком, которому зачем-то выдали ключи.

Пятое — машины начали помогать создавать следующие машины. ИИ пишет тренировочный код, генерирует данные, ищет ошибки, оптимизирует вычислительные ядра и проектирует алгоритмы. AlphaEvolve, например, предложила изменения, ускорившие важное ядро Gemini на 23% и сократившие общее время обучения примерно на 1%. Это ещё не автономный «взрыв интеллекта», но контур положительной обратной связи уже виден.

Чего помощникам всё ещё не хватает

Надёжности. Красивый ответ не гарантирует правильный. Модель может придумать факт, ссылку или уверенное объяснение собственной ошибки.

Длинной устойчивой работы. METR фиксирует быстрое увеличение сложности программных задач, которые агенты способны выполнять. Но исследователи отдельно предупреждают: успех в чистой двухчасовой задаче не означает способность месяц вести проект с людьми, неполными требованиями и последствиями ошибок.

Понимания реального мира. Текст и код можно копировать, проверять и перезапускать. В физическом мире есть трение, хрупкие предметы, животные, случайности и стоимость каждой ошибки. Поэтому универсальный цифровой помощник развивается быстрее универсального домашнего робота.

Собственных человеческих целей. Ассистент не знает, что для нас действительно важно, если мы этого не выразили. А выразить ценности точной инструкцией намного труднее, чем попросить сделать презентацию зелёной.

Ответственности. Машина способна предложить решение, но не может нести юридическую и моральную ответственность так, как человек или организация. Чем больше действий мы ей передаём, тем важнее становится не только интеллект модели, но и система разрешений, журналов, проверок и остановки.

Главный поворот: от интерфейса к делегированию

За 76 лет мы несколько раз неправильно понимали, каким окажется полезный ИИ. Сначала ждали электронный мозг, рассуждающий символами. Затем — эксперта, в которого вручную загрузят все правила. Потом — голосового дворецкого. В итоге главным интерфейсом стал язык, а главным продуктом — модель, способная переключаться между задачами.

Но следующая глава уже не про качество разговора. Разница между чат-ботом и агентом примерно такая же, как между человеком, который объясняет дорогу, и человеком, который садится за руль. Вопрос теста Тьюринга звучал: «Похож ли ответ машины на человеческий?» Вопрос 2026 года: «Можно ли доверить ей действие, проверить результат и безопасно остановить?»

В этом смысле старый тест почти пройден не потому, что мы окончательно доказали наличие машинного разума, а потому, что он перестал быть самым интересным. ИИ уже способен часами звучать как человек. Гораздо важнее, сможет ли он надёжно работать как хороший напарник — помнить цель, признавать неопределённость, не подменять результат убедительным текстом и не включать режим Каспарова там, где от него просили просто поставить таймер.

Вместо финала

В 1950 году компьютер должен был убедительно ответить на несколько вопросов. В 1966-м он отражал слова собеседника. В 1997-м победил чемпиона мира. В 2011-м поселился в телефоне. В 2017-м научился вниманию. В 2021-м получил воображение. В 2022-м стал доступен каждому. В 2024-м начал рассуждать и двигать курсор. В 2025-м отправился выполнять задачи. В 2026-м доказал новые математические результаты и несколько раз вышел из компьютерной песочницы туда, где его не ждали.

Это ещё не AGI в строгом и общепринятом смысле. Но уже и не программа, ожидающая одну правильную команду. Мы находимся в коротком странном промежутке: помощник достаточно умён, чтобы радикально увеличить возможности человека, и достаточно ненадёжен, чтобы человеку пока нельзя уходить далеко.

Скорее всего, история ИИ окажется не историей замены человека машиной, а историей постоянного перемещения границы между «я сделал» и «я поручил». И если судить по последним четырём годам, граница эта научилась бегать.