Что-то на научном

Что я могу делегировать? Где ИИ сильнее меня?

На этой неделе был на встрече клуба, который регулярно обсуждает развитие университетов. В этот раз говорили про искусственный интеллект в образовании.

Разговор получился довольно широкий: нужно ли вообще интегрировать ИИ в университет, как это делать технологически, какой для этого нужен стек, сколько всё это стоит, какие возникают ограничения.

Но у меня после обсуждения остался более фундаментальный вопрос: а зачем?

Понятно, зачем ИИ университету как инструмент: персонализация, тьюторство, проверка работ, помощь преподавателю, снижение каких-то издержек. Но это все-таки ответы на вопрос «что с ним можно сделать», а не «каким должен стать результат образования».

Одна из мыслей, прозвучавших на встрече, зацепила меня особенно сильно. Это концепция "неровной границы возможностей ИИ".

Термин появился несколько лет назад в эксперименте с консультантами BCG. Исследователи обнаружили, что эта граница устроена совсем не очевидно: модель может блестяще справляться с одной профессиональной задачей и внезапно проваливаться в другой, очень похожей для человека. Технические детали того эксперимента давно устарели — современные модели существенно сильнее. Но сама идея, кажется, никуда не исчезла. Граница просто очень быстро движется.

Я полез смотреть, что про это пишут сейчас. И оказалось, что свежие исследования образования постепенно приходят к похожей, но более интересной постановке.

Один из используемых терминов — «калиброванное делегирование». Тема в том, какую часть интеллектуальной работы можно передать ИИ, какую нужно проверить, а какую человек должен оставить за собой. Каково это вам — не все подряд скидывать в GPT?)))

Рядом возникает еще одно понятие, которое звучит безумно секси-умно: «эпистемическая агентность». Каково! Это способность самому оценивать доказательства, замечать неопределённость, сравнивать версии, проверять утверждения и в конечном счете отвечать за сделанный вывод. ИИ может и усиливать эти навыки, и, наоборот, позволять их успешно обходить — все зависит от того, как устроена образовательная задача.

И вот тут-то, мне кажется, и появляется ответ на вопрос «зачем вообще интегрировать ИИ в образование». Потому что нынешние студенты будут жить и работать в мире, где значительная часть интеллектуальной деятельности будет происходить уже не отдельно человеком и не отдельно машиной, а системой «человек + ИИ». Да что там будут — много где так уже и происходит.

Значит, университету придется учить новой базовой компетенции — способности правильно распределять мышление между собой и машиной.

Что я могу делегировать? Где модель сильнее меня? Где ей нельзя доверять без проверки? Что мне необходимо понимать самому, даже если ИИ уже умеет это делать? И где цель задачи вообще не получить правильный ответ, а сформировать собственное мышление? — хорошие вопросы получаются.

В общем получается, что с появлением ИИ надо не столько запрещать новые инструменты, сколько придумывать другие задачи под новые компетенции. Задайте своим студентам такие задачи, например.

1️⃣ Не «напишите обзор литературы», а получите обзор от ИИ, найдите в нем три утверждения, которые требуют проверки, доберитесь до первичных источников и объясните, чему в итоге можно доверять.

2️⃣ Не «решите задачу без ChatGPT», а решите ее вместе с ИИ, найдите ключевое допущение в предложенном им решении и измените условие так, чтобы это решение перестало работать.

3️⃣ Не «подготовьте позицию по проблеме», а попросите несколько моделей предложить разные позиции, разберите, на каких данных и предположениях каждая из них держится, и защитите собственный выбор.

4️⃣ Или так — сначала решите сложную задачу вместе с ИИ, а потом получите соседнюю задачу без него — и покажите, что научились не получать ответ, а думать.

Попробовать можно)

Как за три минуты не потерять хорошую научную разработку

Вчера был экспертом на финальном питчинге программы Центра технологического лидерства «От идеи к продукту». Слушал проекты по направлению промышленных технологий, материалов и производства.

После нескольких десятков трехминутных питчей у меня осталось три довольно простых наблюдения.

1️⃣ Через три минуты должно быть совершенно понятно, что именно вы предлагаете

Несколько раз после выступления первый вопрос экспертов звучал примерно одинаково: «А в чем, собственно, продукт?»

И это, пожалуй, самый неприятный вопрос после трехминутного продуктового питча 😁

Можно подробно рассказать про технологию, уникальность метода, патенты и результаты исследований — и при этом так и не объяснить главное: что создаем, для кого и какую задачу этим решаем.

Поэтому перед любым таким выступлением полезно проверить себя буквально одной фразой: сможет ли человек, который впервые увидел проект, через минуту пересказать, в чем его суть?

2️⃣ Встречают все-таки по презентации

Это может казаться второстепенным, но качество слайдов очень сильно влияет на восприятие проекта. Особенно когда эксперт за день смотрит несколько десятков команд.

И здесь забавно наблюдать влияние ИИ. С одной стороны, сегодня практически нет оправданий совсем плохой презентации. Современные инструменты помогают выстроить логику, разложить рассказ по слайдам, сделать визуализацию и даже воспроизвести ваш привычный стиль по нескольким старым презентациям или скриншотам.

С другой — ИИ прекрасно умеет производить нейрослоп: мелкий текст, бессмысленные схемы, красивые абстракции и слайды, из которых невозможно понять, что хотел сказать автор.

Наверное, поэтому умение управлять хотя бы базовыми ИИ-инструментами для текста и визуального контента постепенно становится такой же рабочей компетенцией исследователя, как умение нормально сделать график или рассказать о своих результатах.

3️⃣ Вопросы экспертов тоже можно и нужно репетировать

Конкуренты? Размер и структура рынка? В чем технологическая новизна? Кто заказчик? Что уже подтверждено? Каких компетенций не хватает команде? Кто нужен в кооперации? Какой следующий этап разработки?

Большая часть вопросов ведь вполне предсказуема))

У лучших команд это было хорошо видно: короткий основной питч, а дальше — подготовленные дополнительные слайды. Спрашиваешь про конкурентов — открывается анализ конкурентов. Про экономику — соответствующий расчет. Про технологию — схема и данные.

Это совсем другое ощущение от проекта: видно, что команда не просто выучила трехминутную речь, а действительно понимает конструкцию своего проекта.

И сами ответы лучше держать короткими. Если на вопросы выделено три минуты, нет смысла две из них отвечать на первый. Чем точнее ответ, тем больше вопросов вам успеют задать — и тем больше возможностей показать, что проект действительно проработан.

В итоге продуктовая логика, хорошая презентация и нормальный Q&A кажутся почти банальными вещами. Но именно на них почему-то регулярно теряются очень сильные научные проекты.

А технология при этом может быть действительно отличной. Просто эксперту, а потом заказчику, инвестору или индустриальному партнеру об этом еще надо суметь объяснить 😉

Мне, как человеку, который одновременно живет где-то на пересечении науки, технологий и управления, особенно приятно смотреть, куда сейчас движется Школа СКОЛКОВО.

Когда я учился на MBA, то на первые места в повестке обсуждения выходило предпринимательство, управление лидерство, очень важные темы конечно. Но как будто бы чего-то не хватало) Сейчас в эту картину все заметнее входят технологии, ИИ, образование и наука. И вот это круто!

19 сентября в СКОЛКОВО пройдет конференция «Будущее здесь», приуроченная к 20-летию Школы. Будут обсуждать, как меняются модели управления, какую роль играют новые технологии и вообще к чему готовиться людям и компаниям в ближайшие годы.

И что мне особенно симпатично — среди участников будут ученые и исследователи. Кажется, это именно тот формат, которого нам часто не хватает: когда предприниматели, управленцы, технологи и люди из науки оказываются в одном разговоре о будущем.

В программе больше 20 сессий, эксперты из разных стран, Александр Аузан, Константин Северинов, Александр Каплан, Константин Хабенский, Александр Цыпкин, профессора СКОЛКОВО, руководители крупных компаний — состав довольно разноплановый, что для такого разговора как раз плюс.

Я как выпускник такое движение Школы в сторону технологий и инноваций всячески одобряю ☺️ Поэтому рекомендую посмотреть программу и, если будете в Москве, приходить!

19 сентября, вот тут программа и форма регистрации.

Публикация, патент и даже хороший лабораторный результат — еще не предложение на НИОКР. Перед разговором с потенциальным заказчиком я бы проверил пять вещей.

1. Вы понимаете, чью конкретно проблему решаете?
Не стандартное «это применимо в нефтегазе и медицине», а кто возможный пользователь, в каком процессе возникает проблема и почему ее вообще нужно решать.

2. Вы знаете, в чем ценность для заказчика?
Деньги, время, снижение брака, ресурс оборудования, сокращение ручных операций — что именно изменится после внедрения.

3. Вы поговорили с реальными представителями рынка?
Причем не только с человеком, которому «интересна технология», но и с пользователем, техническим экспертом и тем, кто принимает решение о бюджете.

4. Вы можете четко сформулировать образ результата НИОКР?
Что именно получит заказчик, с какими параметрами и как он сможет проверить результат.

5. Вам понятен, какой может быть следующий шаг?
Пилотное тестирование, проверка критической гипотезы, подготовка ТЗ, встреча с другим подразделением — конкретное действие, ответственный и срок.

По сути, здесь работает та же логика, что и в науке: от гипотезы к эксперименту, затем к данным и решению. Только исследовать приходится не только технологию, но и рынок.

Именно вокруг этого мы в Фонде «Московский инновационный кластер» собрали бесплатную программу «Продуктовый подход в НИОКР». Это не курс о том, как сделать из ученого стартапера. Мы будем учиться работать с индустриальным заказчиком: упаковывать компетенции, искать и проверять области применения, проводить исследования клиентов, готовить НИОКР-предложение и вести переговоры. Все это на собственной разработке или компетенциях команды.

Старт — в сентябре.
Если хотите попробовать системно выйти на заказные НИОКР — присоединяйтесь.

Как выглядит печаль?

Примерно вот так 😁

До 10 сентября открыт прием заявок в Акселератор МГУ.

Это программа для студентов, аспирантов, сотрудников и выпускников МГУ и других университетов. Причем приходить можно как с уже существующим проектом — вплоть до TRL 5+, так и просто с желанием попробовать себя в технологическом предпринимательстве, если конкретной идеи пока нет.

В этом году основные направления — DeepTech / LifeScience и Digital.

То есть если по-русски, то хороший профиль получается: новые материалы, химические технологии, биотех, медтех, приборостроение, робототехника, энергетика, аддитивные технологии, а также ИИ, цифровое моделирование, интернет вещей, нейроинтерфейсы и вот это все.

В структуре Акселератора будет образовательная программа, индивидуальная работа с проектами, эксперты из бизнеса и индустрии, инвесторы и институты развития. Плюс призовой фонд 4 млн рублей.

Некоторая статистика тоже есть: с 2022 года через акселератор прошло уже более 1500 участников, а только за последние два года выпускники программы привлекли около 25 млн рублей грантов Фонда содействия инновациям.

В общем, если у вас есть научная разработка и давно хотелось проверить, можно ли вокруг нее собрать стартап, — вполне хороший повод попробовать. А если вы уже что-то делаете, то как минимум получить внешний взгляд на проект и познакомиться с потенциально полезными людьми тоже лишним не будет.

Дедлайн — 10 сентября 2026 года.

Подать заявку: startup.msu.ru

Ну вот и академический базис для вайбресерчинга подъехал 😁

Вчера написал про то, как вайбресрчу свои старые экспериментальные данные в Codex, а сегодня принес вам уже немного матчасти. Я, собственно, в своих экспериментах использую библиотеку Scientific Agent Skills от K-Dense. И очень удачно ребята буквально сейчас выложили препринт, где нормально объясняют, что это вообще такое и зачем научному агенту нужны отдельные скиллы.

Главная мысль статьи прекрасна своей простотой: написать работающий код и провести корректный научный анализ — вообще не одно и то же. Агент вполне способен написать питон-код, который запустится без единой ошибки, построит красивый график и даже выдаст убедительные цифры. Проблема в том, что при этом он может выбрать неправильный статистический тест, не учесть множественные сравнения, перепутать уровень независимых наблюдений или просто некорректно использовать специализированный научный пакет. Код работает — результат мусор. В науке такое, как мы знаем, иногда случается даже без ИИ 😁.

И вот Scientific Agent Skills — попытка добавить между «LLM умеет программировать» и «LLM занимается исследованием» еще один слой: процедурное научное знание. Скилл здесь — это инструкция. Она объясняет, когда применять конкретный подход, в какой последовательности выполнять операции, что обязательно проверить, где остановиться и какие ограничения учитывать. К ней могут прилагаться документация, референсы и уже готовые исполняемые скрипты.

Сейчас в библиотеке 163 скилла по 16 направлениям. Есть 21 скилл по науке о данных, 10 по физике и материаловедению, 8 по статистике и дизайну эксперимента, отдельные блоки по поиску данных и литературы, научной визуализации, химии, геномике, автоматизации лабораторий и т.д.

Суть этих скиллов в том, что при запросе «построй мне что-нибудь научной по этим данным» наш ИИ агент получает набор инструкций в духе: «если решаешь такую задачу — используй вот этот воркфлоу, сначала проверь вот это, потом сделай вот это, вот здесь не делай такой вывод, а результат проверь таким способом». То есть эти инструкции "бьют по рукам", чтобы агент работал адекватно.

Еще важно, что скиллы подгружаются по необходимости, а не все сразу. Агент постоянно видит только их короткие описания, а полную инструкцию читает уже тогда, когда конкретный скилл понадобился. Поэтому библиотека может быть довольно большой, не превращая контекст модели в свалку из миллионов токенов.

Классно! От меня что требуется? 😂

Чтобы начать работать нужно просто попросить ваш ИИ установить эту библиотеку (скормить ссылку в Codex, Claude Code, Cursor или чем вы пользуетесь). Причем не ставить все скиллы, а подключать те, которые реально нужны под ваш проект (авторы статьи тоже так советуют).

Так что если кто-то захотел тоже немного повайбресерчить — я бы начинал отсюда)

Новым релизам новых моделей посвящается 😁

Ну что, время для вайбресерчинга?

А то ведь из каждого утюга слышим про вайбкодинг и очередные «революционные» B2B SaaS, которые теперь может собрать буквально каждый. А из околонаучных телеграм-каналов — очередные страхи и переживания о том, что статьи уже пишутся с ИИ, рецензируются с ИИ и скоро, видимо, читаться тоже будут исключительно ИИ.

И вот мне кажется, что между этими двумя мирами есть какой-то странный неформализованный разрыв.

С одной стороны, весь вайбкодинг во многом про то, что теперь можно довольно легко что-то сделать. Не обязательно нормально уметь программировать: объясняешь агенту, чего хочешь, он пишет код, запускает, чинит ошибки, переписывает — и в итоге у тебя появляется приложение, сайт, сервис или ещё что-нибудь «классное». В том числе появляется куча всего «для ученых».

AI for Science, конечно, отдельная большая и очень интересная тема. Но какого-то готового инструмента, от которого я как обычный экспериментатор сказал бы: «вот, это прямо радикально изменило мою научную работу, кайф!», — я пока не встретил.

С другой стороны, мы прекрасно освоили главную суперсилу языковых моделей — генерировать какие угодно тексты. Сколько уже было прекрасных скриншотов из опубликованных статей, где авторы забыли убрать, а редакторы не заметили что-нибудь в духе: «Конечно! Вот переработанная версия вашего обзора…».🤣 И в итоге значительная часть видимого «ИИ в науке» пока выглядит как нейрослоп: одинаковые тексты с характерными —, двоеточиями, «важно отметить» и красивыми картинками.

Но недавно меня осенило, что можно более адекватно на эту нейроистерию посмотреть))

Так что в выходные теперь разбираю данные, которые у меня лежат уже довольно давно: РФА, ДСК, XAS, Раман — в общем, нормальный такой набор экспериментального добра, до которого не доходили руки.

Я просто как следует задолбал Sol 5.6 в Codex, чтобы он поставил мне все нужные Python-пакеты, объяснил, где лежат данные и что с ними нужно делать. И дальше происходит довольно забавная вещь: можно оставить компьютеру задачу на выходные — разобрать файлы, собрать серии образцов, привести все к единому виду, нормализовать там, где нужно, построить графики, проверить странности и подготовить результаты для дальнейшего анализа. А с телефона подключаться по ходу и управлять.

Тут ты не просишь, чтобы ИИ «придумал научный результат». Это по сути ровно та рутинная работа, которую раньше нужно было либо несколько часов делать самому руками в Python / Origin / Excel, либо отдавать кому-то из младших коллег (а потом все равно несколько раз объяснять и переделывать).

Ну, то есть у меня это скорее такой процесс: «Вот данные. Вот что они означают. Ничего не потеряй. Собери серии вот так. Эти образцы сравни отдельно. Посмотри вот эту зависимость. Построй вот так, в таком стиле».

Дальше можно идти глубже: первичный скрининг возможных фаз по РФА, поиск зависимостей между составом и характеристиками спектров, сопоставление данных из разных серий итп.

Понятно, что интерпретировать результат, понимать физический смысл и решать, чему вообще можно верить ты должен сам. Иначе получится полная хрень, собственно как и в вайбкодинге без знаний разработки 😁.

В общем, что? Вайбресерчим, получается 🐗

Увидел у коллег из «Науки СИБУРа» @naukasibur пост про гибкие экраны и немного дернулся мой стекольный глаз 😁

В посте есть фраза: «Классическое хрупкое стекло не подходит для подвижных элементов». И вот тут со стеклом, кажется, поступили немного несправедливо...

Если под «классическим стеклом» понимать оконное стекло толщиной несколько миллиметров — тогда, конечно, да. Попробуйте сложить его пополам. Но лучше не надо, пожалуйста.

Но стекло в смартфоне уже очень давно — совсем другая история. Например, защитные стекла типа Gorilla Glass делают очень тонкими, а затем химически упрочняют. Один из способов производства — fusion draw: расплав течет по двум сторонам керамического желоба, соединяется снизу и буквально вытягивается в воздухе в тонкий лист. Самое красивое здесь то, что рабочая поверхность стекла при формовании вообще ни с чем не соприкасается (ну только с воздухом). Поэтому она получается настолько качественной, что ее не нужно потом шлифовать и полировать.

А дальше начинается интересная химия. Стекло помещают в расплав соли калия, и в его поверхностном слое маленькие ионы Na⁺ заменяются более крупными K⁺. Им становится тесновато, и в поверхности возникают сжимающие напряжения, которые сильно затрудняют развитие трещин.

То есть мы буквально меняем ионы внутри стекла, чтобы сделать его прочнее. Но самое забавное — стекло сегодня есть даже там, где экран сгибается. О чем почему-то молчат коллеги в посте 😏

В дисплеях современных Samsung Galaxy Z используется UTG — Ultra-Thin Glass. Потому что «хрупкий» вовсе не значит «неспособный гнуться». Тонкий лист стекла может вполне прилично изгибаться упруго. Чем он тоньше, тем меньшие напряжения возникают при заданном радиусе изгиба. Поэтому стекло толщиной в десятки микрон ведет себя совсем не так, как стекло в вашем окне.

Бесцветный полиимид при этом — отличный материал, и без полимеров современная гибкая электроника тоже никуда. Более того, первые складные дисплеи действительно активно использовали CPI. Но стекла то приятнее ☺️

Как бизнесу и научным командам вместе создавать новые технологии

Вчера гостем нашей программы "Люди. Бизнес. Цифра" на радио "Серебряный дождь" стал

🎙Георгий Шахгильдян, руководитель центра развития исследований и разработок, Фонд «Московский инновационный кластер»

Что обсуждали
🔹 Мы часто слышим про инновации на уровне стран. Но, заниматься развитием инноваций на уровне города крайне важно. И для притяжения талантов, и для формирования технологических компаний.

🔹 Один из способов развития инноваций - это сближение бизнеса и науки. Страшно сказать, но возле этой темы я уже 20 лет. Да, компании стали больше уделять внимания новым технологиям. Да, сегодня мы имеем совсем другого уровня оснащенности университеты и лаборатории. Но сама культура взаимодействия пока слабо поменялась.
Бизнес хочет готовое и без рисков. Университет - не хочет ответственности и не готов давать гарантии.

🔹 Изменилось одно. Сегодня мы "отрезаны" от "супермаркета готовых технологий". Поэтому взаимодействовать придется. Это большая возможность для того чтобы выстроить мост между бизнесом и наукой. Но, задачка супер сложная.

🔹 МИК запустил 2 интересные программы: для ученых - как сделать востребованный продукт, для бизнеса - как стать квалифицированным заказчиком на разработки ученых. Сам подход объяснять обеим сторонам как друг с другом разговаривать очень интересен. Посмотрим, что получится.

📌 Эфир доступен по ссылке

Люди. Бизнес. Цифра.
Вениамин Кизеев, Илья Тимошин.
Слушайте нас каждую среду 17:00 на радио «Серебрянный дождь» 100.1FM

📢 Как бизнесу эффективнее работать с наукой?

На форуме ТЕХНОПРОМ-2026 руководитель Центра развития исследований и разработок Московского инновационного кластера Георгий Шахгильдян выступил на двух сессиях о том, как бизнесу формировать запрос на исследования, находить научных партнеров и выстраивать работу с ними.

Делимся ключевыми тезисами ⬇️

⚫️ Опыт работы с технологическими компаниями показывает, что даже при наличии конкретной бизнес-задачи не всегда просто определить, какой именно исследовательский запрос необходимо сформулировать и какой формат работы с наукой для него подходит.

⚫️ Еще один барьер — сложность научно-технологического ландшафта. Компаниям важно заранее понимать, какие научные группы работают по нужной тематике, каким заделом обладают и с кем имеет смысл обсуждать задачу. Для этого Московский инновационный кластер оказывает поддержку в формировании R&D-коопераций и адресного подбора научных команд.

⚫️ Однако найти подходящую команду — лишь часть задачи. Бизнесу необходимо уметь определить ожидаемый результат, сформировать требования, оценить риски и выстроить взаимодействие с научной организацией на протяжении всего проекта.

⚫️ Для развития этих компетенций 🦾🦾 запустил практико-ориентированную программу «Квалифицированный заказчик НИОКР». Участники будут работать со своими реальными задачами, дорабатывать R&D-запросы с экспертами и посещать ведущие научные центры Москвы — Сколтех, МГУ, РТУ МИРЭА, РНИМУ им. Н. И. Пирогова и другие.

Задача МИК — помочь компаниям лучше понимать, что именно им нужно от науки, где искать необходимые компетенции и как переводить технологическую потребность в реальный R&D-проект.

Друзья, всех с Днем знаний!

У нас, ученых и преподавателей, с этим праздником особые отношения: формально мы уже давно не школьники и не студенты, но по факту учиться приходится всю жизнь. И чем дальше занимаешься наукой, тем сильнее это понимаешь.

Так что сегодня хороший повод снова немного поучиться 😁 и заодно пригласить вас на нашу новую программу «Продуктовый подход в НИОКР».

Она для ученых, научных и инженерных команд, у которых есть разработки, технологии и компетенции, но хочется лучше понимать, как с ними работать с бизнесом: где искать прикладные задачи, как сформулировать ценность своей разработки, как разговаривать с потенциальным заказчиком и как дойти от первого контакта до пилота или совместного НИОКР.

Важно! Никаких попыток превратить ученого в предпринимателя 😁. Задача одна — примерить «новую оптику», то есть научиться смотреть на свои исследования и компетенции глазами потенциального индустриального партнера или заказчика.

Работать будем на собственных проектах: упаковывать компетенции команды, искать области применения и потенциальных заказчиков, проверять гипотезы и формировать понятное R&D-предложение.

Участие бесплатное, программа доступна участникам из всех регионов России.

🔗 Подать заявку можно тут: https://clck.ru/3VYje5

Так что с 1 сентября снова за парту! Буду рад видеть среди участников подписчиков канала 😊

Технопром-2026 в Новосибирске! Первый раз принимаю участие в этом форуме

Очень интересная площадка, где в прямом смысле наука и индустрия рядом (стенды крупных корпораций рядом с научными стендами например).

Кстати приятно, что наша новая программа «Квалифицированный заказчик НИОКР» находит большой отклик как у бизнеса, так и научной среды. Коллеги говорят, что мы очень точно попали в «боли», которые есть в коммуникации бизнес заказчиков с научными центрами.

Буду здесь до пятницы, так что пишите, если тоже на форуме, буду рад повидаться!

Новый обзор нашей группы по тематике прозрачных и прочных ситаллов

Статья вышла в журнале Encyclopedia MDPI, в рамках тематического выпуска, посвященного стеклообразным материалам.

На текущий момент есть несколько основных стеклообразующих систем, на базе которых можно получать ситалл, который будет одновременно оптически прозрачным и механически прочным. Все они относятся к алюмосиликатным системам и отличаются оксидами металлов: Li2O, MgO и ZnO. Помимо них рассматриваются оксиды Na2O и Y2O3. Разные оксиды и составы — задают разные кристаллические фазы, которые формируются в стекле при термообработке и, собственно, превращают стекло в ситалл.

Основной вызов в получении «лучших» ситаллов (прозрачных и при этом твердых и прочных) тут в том, чтобы вырастить в стекле или очень много мелких (до 5-10 нм) кристалликов, или вырастить кристаллики, которые будут идеально сочетаться по показателю преломления со стеклом. Сделать что одно, что другое — непросто 😁 Особенно, когда речь идет не о лабораторном «кусочке», а более менее приличном образце или вообще прототипе функционального элемента.

Поэтому наш обзор собирает наилучшие практики и подходы, которые появились в последние пару лет (сложные катализаторы кристаллизации, ионное упрочение ситаллов, проектирование составов и режимов обработки на данных и др.), чтобы практикам в области было удобнее двигаться дальше в своих работах.

Как компании понять, что технологическую задачу уже пора решать через НИОКР?

На практике граница не всегда очевидна. Иногда проблему можно закрыть готовым решением с рынка. А иногда компания упирается в ограничения: нужного материала нет, существующая технология не дает требуемых характеристик, ресурс изделия недостаточен, себестоимость не снижается привычными способами. И тогда появляется задача, где заранее понятен желаемый результат, но путь к нему еще предстоит найти.

В этот момент многое зависит от самого заказчика: насколько точно он способен сформулировать проблему, определить ограничения и критерии результата, выбрать научного партнера и выстроить работу так, чтобы исследование приводило к следующему бизнес-решению. Именно эту компетенцию мы называем квалифицированным заказчиком НИОКР.

Об этом я написал подробнее в новой колонке для журнала Monocle — и там же рассказал, зачем мы запускаем отдельную программу для компаний, работающих с прикладными исследованиями 😊

Как сделать плохой доклад?

Да очень просто, скажете вы. А вот и нет! Чтобы сделать по-настоящему плохой доклад, тоже нужно постараться. Давайте сделаем инструкцию. Итак.

1. Начните подготовку со слайдов.
Главное — сразу открыть PowerPoint и начать переносить туда все графики, таблицы и схемы, которые накопились за последние три года. О том, что вы вообще хотите сказать аудитории, можно подумать потом. Если останется время.

2. Старайтесь впечатлить аудиторию.
Побольше терминов, деталей и сложных конструкций. Ваша задача ведь не объяснить работу, а сделать так, чтобы все поняли: вы очень умный человек. Что именно вы сделали — уже вторично.

3. Чем больше слайдов, тем лучше. Вы что, зря их делали?
47 слайдов на 15 минут — вполне рабочий вариант. Особенно если на каждом по восемь графиков мелким шрифтом. А если какой-то слайд не очень нужен для логики рассказа — тем более надо показать. Жалко же удалять.

4. Вышли за тайминг? Ничего страшного. Вас ведь и так уже никто не слушает))
Организатор показывает «1 минута»? Отлично, значит, впереди еще минут семь. В конце концов, именно ваш доклад наверняка настолько важен, что кофе-брейк может подождать.

5. Вопрос из зала? Максимально закройтесь и запутайте этого негодяя своим ответом.
Наверняка он пытается вас подловить. Главное — ни в коем случае не сказать «не знаю». Лучше пять минут ходить вокруг ответа, постепенно забывая и сам вопрос.

6. И вообще, сделайте так, чтобы вас поняло как можно меньше людей.
Если после выступления человек понял основную идею вашей работы — возможно, вы недостаточно усложнили доклад и не такой уж он плохой. А мы ведь не этого хотели!

Вроде бы базовая база, но в любой коммуникации сначала нужно понять, что именно вы хотите сказать и кому, и только потом делать слайды. Каждый слайд должен работать на историю, заголовок — сообщать вывод, доклад — помещаться в отведенное время, а вопросы аудитории — помогать понять, что вы объяснили недостаточно хорошо.

В сентябре запускаем «Квалифицированного заказчика НИОКР» — программу для технологических компаний, которую мы разработали, исходя из запросов бизнеса.

Мы много говорим о том, что ученые должны научиться работать с бизнесом: понимать рынок, упаковывать разработки, говорить на языке заказчика. Но работает и обратное правило: бизнес тоже должен уметь работать с наукой. Заказать НИОКР — это отдельная компетенция.

Допустим, компании нужно заменить импортный материал, разработать сенсор, рецептуру или математическую модель. Сразу возникает куча вопросов: как перевести бизнес-задачу в нормальное ТЗ, где найти научную команду и как проверить ее компетенции, как определить бюджет и критерии приемки, что делать с интеллектуальной собственностью и как в итоге не получить хороший научный отчет, который невозможно использовать в бизнесе.

Именно поэтому мы сделали программу про весь процесс заказа прикладных исследований и разработок. Участники приходят со своей реальной задачей, формируют R&D-запрос и ТЗ, считают бюджет, ищут исполнителей, разбирают ИС и договорные модели, проектируют контрольные точки, ездят на бенчмарк-визиты в университеты и R&D-центры Москвы. На выходе — дорожная карта и подготовленный к запуску R&D-проект.

Насколько я вижу, программ, которые собирают весь этот путь — от бизнес-задачи до запуска работы с научной командой, особенно то и нет. И мне кажется, что развитие института квалифицированного заказчика — один из недостающих элементов нашей системы НИОКР. Сильные заказчики уже есть, и многие из них, кстати, будут экспертами программы. Но их должно становиться гораздо больше.

Участие бесплатное. Если у вашей компании есть технологическая задача или просто боль, для которой готового решения на рынке нет, — буду рад видеть вас среди участников.

Подать заявку: https://i.moscow/education/rnd-customer

Коротко о ситуации в мире научных публикаций 😂

Зачем компании вообще идут к ученым?

Научная команда часто начинает разговор с бизнесом с перечисления публикаций, патентов и оборудования. Все это важно, но компания обычно приходит во внешний научный контур не за еще одним списком достижений. Как правило, у нее есть один из трёх дефицитов.

1. Не хватает узкой компетенции. Внутри компании может не быть специалиста по конкретному материалу, физическому эффекту или методу исследования.

2. Нет необходимого оборудования. Покупать сложную установку ради нескольких экспериментов может быть бессмысленно, а у научной организации она уже есть вместе с людьми, которые умеют на ней работать.

3. Не хватает внутренних ресурсов. Компания может и сама разбираться в теме, но её R&D перегружен текущими проектами, поэтому часть работы логично вынести во внешний контур.

Отсюда полезный вопрос перед встречей: какой именно дефицит заказчика мы закрываем? Если ответ — «у нас очень инновационная технология», то это пока не ответ.

Иногда компании действительно нужен новый продукт. Но иногда ей гораздо нужнее быстро разобраться в неизвестной области, провести серию исследований или получить доступ к компетенции, которую нет смысла постоянно держать внутри. И это тоже нормальное, ценное предложение, на базе которого уже может родиться долгосрочное сотрудничество.