Телеграм канал «Наука и университеты»

Профсоюз работников здравоохранения РФ выяснил отношение будущих медиков к профессии. Две трети (74,4%) опрошенных студентов медицинских и фармацевтических вузов и колледжей, ординаторов и молодых специалистов подтвердили планы работать в здравоохранении через пять лет. Однозначные утвердительные ответы чаще давали жители сельской местности.
Телеграм-канал «Медицинская Россия» считает, что «74,4% ответов о планах работать в здравоохранении нельзя выдавать за свидетельство устойчивой мотивации будущих врачей. За этой цифрой могут стоять страх штрафов, невозможность сменить траекторию после многих лет учёбы и отсутствие реальных альтернатив».

В последнее время приходится слышать много разговоров о том, что надо активнее внедрять инструменты искусственного интеллекта (ИИ) в процесс обучения в вузах. Но по большей части эти разговоры носят абстрактный характер. Понятно, что надо внедрять, поскольку большинство студентов так или иначе активно используют ИИ. Но вот как внедрять, чтобы это было эффективно?

Общего ответа на данный вопрос не существует, тут все зависит от конкретной дисциплины. Расскажу здесь о том, как справляется с этим «ИИ-вызовом» профессор Ольга Игоревна Виноградова, которая читает у нас на кафедре курс лекций «Коллоидные системы». В этом курсе традиционно большое внимание уделяется аналитическим вычислениям, связанным с наукой о коллоидах.

Помимо лекций студенты посещают семинары (их ведет Е.Ф.Силкина), на которых они учатся решать задачи в этой области. Часть задач входила в домашние задания, знания студентов проверялись в ходе контрольных работ. Но в этом году стало понятно, что все задачи легко решаются с применением ИИ-инструментов. Прямолинейный выход из этой ситуации (который иногда предлагают некоторые «горячие головы») – отменить домашние задания и, соответственно, семинары.

Но Ольга Игоревна предложила сделать наоборот – уменьшить число лекций, оставив в них только объяснение собственно физического смысла основных понятий и законов, перенеся аналитические вычисления на домашнюю работу (с такими вычислениями можно легко разобраться с использованием ИИ). А число семинаров при этом увеличить, но проводить их в новом формате. В начале семинара все студентам было направлено такое объявление:

📢 Важное объявление по формату курса!
Коллеги, с этого дня мы переходим на современный формат работы. Классических письменных контрольных не будет. Вместо этого мы превращаем семинары в полноценные научные дискуссии. Правила игры теперь следующие:
🏠 Дома: Каждый студент обязан прорешать все задачи к семинару. Использовать ИИ и любые материалы разрешено и приветствуется — пусть нейросети помогают вам разбираться в сложных моментах.
⏱️ Тайминг: Перед каждым семинаром Елена Феликсовна будет выкладывать список задач с жестким регламентом (например: простые — 5 минут на доклад, сложные — до 15 минут).
🧑‍🏫 На семинаре: Е.Ф. вызывает отвечать случайно. Вы выходите к доске и делаете блиц-доклад по задаче.
🚫 Запрещено: Просто стоять и механически переписывать решение со своего айпада или тетради. Вы должны объяснить физику процесса, выбор граничных условий и смысл финальной формулы.
💬 Оппонирование и активность: Вся остальная группа внимательно следит за ответом. За хорошие критические вопросы докладчикам, нахождение физических ошибок, а также за предложение альтернативного (более красивого или быстрого) решения Е.Ф. будет начислять бонусные баллы.
Главное: ИИ — ваш ассистент, но отвечать у доски вы будете сами. Если студент не может объяснить физический смысл того, что принес в своем решении — оценка аннулируется. Готовьтесь глубоко, ждем живых дискуссий! 👍

Первый опыт показывает, что студенты оценили такое изменение стиля преподавания. Семинары проходят живо, активность и заинтересованность студентов высокая. Конечно же, данный опыт годится не для всех курсов. Но для ряда разделов теоретической физики и математики такой формат точно может быть опробован.

В IТ растет спрос на специалистов на стыке технологий и бизнеса

IТ-компаниям нужны не только разработчики, но и специалисты, которые понимают продукт, аналитику и бизнес-процессы. На фоне распространения ИИ и low-code/no-code-инструментов часть рутинных задач автоматизируется, а требования к подготовке сотрудников меняются. Об этом Forbes Education рассказал директор по работе с вузами VK.

По прогнозу Gartner, 80% пользователей low-code/no-code-платформ будут людьми без профильного образования. При этом спрос на квалифицированных разработчиков, специалистов по кибербезопасности, машинному обучению и большим данным сохраняется. Меняется распределение задач: рутинные операции можно автоматизировать, тогда как сложные инженерные и архитектурные решения требуют фундаментальных знаний.

Одновременно растет потребность в гибридных специалистах. Продакт-менеджерам необходимо разбираться в технологических ограничениях, аналитикам — учитывать бизнес-контекст, а дизайнерам — понимать продуктовые метрики и процессы разработки. Среди новых направлений — ProdRel, специалисты которого развивают коммуникацию с профессиональными сообществами продакт-менеджеров, аналитиков и дизайнеров.

Меняется и подготовка кадров в университетах. По данным НИУ ВШЭ, количество заявок на совместные с технологическими компаниями программы по IT-направлениям в Москве, Санкт-Петербурге и Нижнем Новгороде выросло на 79% — с 13 тыс. до 23,3 тыс. В МГТУ имени Баумана интерес к прикладным программам образовательного центра VK увеличился на 14%, до 1,7 тыс. заявок.

Растет интерес и к направлениям на пересечении технологий и бизнеса. На курсы VK по продуктовому менеджменту в IТ стали регистрироваться на 156% чаще, а интерес к программам по искусственному интеллекту и анализу данных увеличился на 43%.

В этих условиях университеты и IТ-компании активнее объединяют усилия: обновляют образовательные программы, привлекают практикующих специалистов и дают студентам возможность работать с реальными бизнес-задачами.

🏆 Роберт Э. Холл (Robert E. Hall) и Майкл Вудфорд (Michael Woodford) получили премию Нобелевского комитета по экономике 2026 года за микроэкономические основы макроэкономической стабилизации.

Эти модели помогают в своевременном применении мер фискальной и денежно-кредитной политики, которые позволяют сглаживать пики и спады в экономике, говорится в пресс-релизе.

Холл и Вудфорд в своих работах опирались не на макроэкономические показатели вроде инфляции, производства и потребления, а на микроэкономический фундамент. Это позволило увидеть, как совокупность решений отдельных домохозяйств и предприятий (по сбережениям или по установлению цен на продукцию) влияет на экономику в целом.

Так, главной идеей исследований Холла было то, что потребление домохозяйств определяется их ожиданиями относительно будущих доходов. Если их потребление изменится, значит, изменится и их оценка будущего. Вудфорд в своих работах показывал, как центральные банки могут стимулировать или сдерживать экономическую активность (в том числе и потребление) с помощью процентных ставок.

«Использование моделей, основанных на таком подходе, вместо поверхностного наблюдения за экономикой исключительно с макроэкономической перспективы ("с высоты птичьего полета"), позволило исследованиям Холла и Вудфорда совершить сдвиг парадигмы в теории стабилизационной политики», —
пишет Нобелевский комитет.
Размер денежной составляющей премии в этом году составит 12 млн крон ($1,2 млн).

🔥3 млн ₽ за решение ИТ-задач Альфа-Банка

Альфа-Банк запускает Альфа-Будущее Хакатон — для студентов со всей России. Участникам предстоит в командах решить одну из трёх реальных финтех-задач банка и представить своё решение экспертам. Здесь идея одного становится сильнее в команде, а хороший прототип может превратиться в настоящее решение.

Как всё проходит:

1. Онлайн-отбор
2. Очный финал в Москве — 28–29 ноября

Участников ждут:

▪️ Призовой фонд 3 млн ₽
▪️ Сильный ИТ-кейс в портфолио
▪️ Презентация решения экспертам Альфа-Банка
▪️ Знакомство с командой финтеха

Фаст-трек на стажировку в Альфа-Банк для победителей — возможность попасть в команду, которая дала кейс, через одно интервью.

Регистрация до 18 октября включительно.

>> Перекодим реальность вместе!

Вектор развития высшей школы и науки у нас традиционно смещен в сторону «модных» и быстрых направлений, в то время как тяжелое машиностроение и станкостроение системно остаются на периферии государственного планирования. Цифровизация, микроэлектроника и суверенные ИТ-решения форсируются на всех уровнях, однако игнорируется фундаментальный факт: без базовых средств производства и станков материализовать эти технологии на практике просто негде. Отрасль страдает от колоссальной капиталоемкости, длинных циклов окупаемости НИОКР и критического дефицита инженерных кадров полного цикла, из-за чего профильные ведомства годами предпочитали не замечать проблему, ограничиваясь точечными субсидиями.

К собственному удивлению, обнаружили, что сейчас попытку переломить этот системный тупик предпринимает МГТУ «СТАНКИН», который через Национальную сеть станкостроения фактически берет на себя функции отраслевого интегратора. Вуз уже занялся технологическим аудитом региональных институтов, чтобы выявить не нарисованные в отчетах компетенции и остатки производственного оборудования. Параллельно идет формирование экспертных советов при профильной Комиссии Минобрнауки — это прямая попытка профессионального сообщества перехватить экспертизу «наверху», отстранив от распределения бюджетов и оценки проектов кабинетных методологов, не понимающих специфику тяжелого машиностроения.

В среднесрочной перспективе ожидать полной автономии в средствах производства не приходится, но консорциум закладывает основу для изменения самой модели управления отраслью. Промышленность впервые за долгое время получает сквозную цепочку — от единого научно-технологического техзадания до целевой подготовки инженеров под конкретные заводы. Если СТАНКИНу удастся продавить эту экспертизу на министерском уровне и заставить вузы работать на реальный сектор, страна получит жизнеспособный фундамент индустриализации, а не очередную бумажную концепцию импортозамещения.

Продолжим наблюдать за данной аномалией.

Конец математики?

Встревоженные граждане сообщают: после того как искусственный интеллект начал работать на полную катушку, занятия математикой начинают терять смысл. Ну вот не далее как вчера, прошлой ночью, было опубликовано — уже не одна, не две, а 722 проблемы, которые решила какая-то хитрая экспериментальная модель от OpenAI, недоступная для широкого пользователя.

Среди прочих есть и несколько проблем, относящихся к моей науке. В частности, решили проблему Капланского — о том, что групповое кольцо не имеет делителей нуля. Есть и несколько других важных проблем, в частности про группу Томпсона. Но это детали.

Штош! Сюрприз: математика изменилась, и она стала совсем другой буквально за пару лет. И, увы, все люди, которые много лет занимались решением сложных именных проблем, могут теперь не беспокоиться: их дозор закончен. Их любимые гробы, скорее всего, скоро расколят.

Иными словами, такой (условно) олимпиадный подход к математике — как к решению сложных, многосоставных головоломок — больше не актуален. То же самое случилось с людьми, умевшими лихо вычислять, после появления математического софта типа Sage и Wolfram. То же случилось с людьми, обладавшими сверхъестественной планиметрической интуицией, после появления GeoGebra.

Точно так же пропали люди, которые умели долго и много ходить, — появились машины. Пропали куда-то люди, которые умели стрелять из лука, пользоваться астролябией, и так далее. Многие вещи, которые относятся к скиллам математика, скажем так, XX века, имеют такое же отношение к скиллам математика современного, как фехтование к боевому делу.

Это плохо? Это так. Отныне роль человека математического стала совсем другой. Сформулировать её чётко сейчас ещё трудно. Но понятно, что это человек, который обязан обладать скиллами в области искусственного интеллекта, должен уметь сопоставлять разные разделы математики, должен заниматься исследованием не узких вопросов, а широких. И очень хорошо понимать чем (и зачем) он интересуется.

Когда Гёдель доказал свою великую теорему, многие считали, что математика закончилась, потому что отныне нельзя быть уверенным в том, что ты сможешь что-то доказать. Сейчас же трясёт от обратного: многим кажется, что математика закончилась, потому что теперь всё что угодно можно доказать при помощи машин, только промпт напиши.

И тогда это было не так, и сейчас это не так. Это не конец математики, а начало чего-то совершенно нового. А вот как мы будем к этому приспосабливаться, и кто из действующих учёных с новой реальностью уживётся, а кому пора писать заявление и искать себе новую работу, — вот это большой вопрос.