В тех странах, где очень развит финансовый рынок и деньги для крупных и богатых дешевы (США, Китай), можно и себя не обижать, и университетам подарки отстегивать, и в стартапы вбухивать столько, сколько они за 10-15 лет не отобьют.
Платить столько, сколько платят в компаниях, все равно не получится. Налоги в университетах выше, нет льгот как для многих ИТ компаний. Плюс риски для компании больше, вопрос с IP сложный, поэтому обычно зарплаты в проекте закладываются ниже.
Образование за счёт госфинансирования в целом нацелено или должно быть нацелено на обеспечение кадрами промышленности страны, как по текущим потребностям, так и по прогнозируемым. Потребность в ИТ специалистах очень высокая, пишут про 0.5 - 1 млн. человек. Поэтому государство специально для ИТ разрабатывает свои меры. И доп.финансирование на расширение бюджетного набора, и центры ИИ и т.д.
Устройство науки в каждой области своё, и для разных областей нужны разные рецепты. В Китае, США и других странах тоже к каждой области подходят по своему. Маленький пример - зарплаты аспирантов существенно отличаются в зависимости от области науки. В CS аспирантам платят стипендии, которые в 2-3 раза могут быть больше, чем в истории. Контингент тоже разных - в CS 70% зарубежных аспирантов (в США), а в гуманитарных и тд в основном свои. И т.д.
Такая ситуация в прикладных областях, или околоприкладных. Фундаментальную науку могут только спонсоры поддерживать грантами и подарками. Бывает и такое, как фонд Базис Дерипаски.
Поскольку проблема воспроизводимости не только общественная, но и личная, то люди работают над повышением воспроизводимости. Появляются разные фреймворки для организации экспериментов. Стадия развития — начальная, поэтому такого доминирования, как PyTorch / TensorFlow в них пока нет, но надо бы использовать и следить.
Как компании, так и государства осознали, что данные — это «новая нефть». Компании при покупке других компаний уже давно оценивают накопленные ими данные как актив, и только ради данных могут купить какую-то компанию. В таких условиях «раскрывать» данные просто так никто не будет. И исследования по многим темам будут концентрироваться в компаниях.
В статье не упомянута ещё одна причина — кризис масштаба науки. Когда выходит столько статей, то читать все статьи по популярной теме невозможно. В результате через сито peer review даже на топовые конференции проходят результаты, которые были сделаны раньше и опубликованы. Бывает даже на той же самой конференции. Иван Оселедец недавно на одном форуме упоминал такую ситуацию.
Реальный шок в мире наступит, если автоматизация рабочих мест пойдет по экспоненте. А она пойдет / идёт. И когда накроет действительно большую область, вроде того же вождения, будет весело и страшно одновременно.
Поскольку прирост ВВП считают в процентах, то он тоже «экспоненциально» растёт, о чём несложно убедиться, посмотреть на графики роста ВВП многих стран. И как раз сейчас мы видим, как этот % роста резко снижается, и какие бури это вызывает.
Я как-то беседовал с людьми из Сколково, и они мне рассказали, что они участвовали в подготовке плана развития атомной энергетики, с которым Кириенко «баллотировался» на руководство Росатомом. Товарищи были философы по образованию, но, как я подозреваю, «методологи». Программу написали красивую, только с цифрами в разы накосячили, как потом выяснилось. Ибо вот так взять и начать строить АЭС никак не было возможности из-за ограничения производственных мощностей. Но они же философы. Потом эти люди в Сколково взаимодействие с наукой и образованием организовывали. Банкеты и конференции были хорошие!
При всём уважении, называть Сечина экспертов в энергетике, можно с колоссальной натяжкой. Просто стоит посмотреть на биографию: ru.wikipedia.org/wiki/Сечин,_Игорь_Иванович
Аналогичная проблема с многими руководителями. Хотя понятно, что тут не проблема профильности образования, а общая проблема — привычка к линейному предсказанию. Аналогичная проблема — это неумение людей трактовать вероятности.
Компания Artec делает 3Д камеры с прицелом на СКУД. Вокорд активно развивало 3д распознавание по стерео, и теперь их купила Huawei. Весьма вероятно что новые банкоматы будут оснащаться либо стерео-камерами, либо сразу depth сенсорами, и тогда начнут снимать и 3д биометрию. Деталей не знаю, но скорее всего в национальной биометрической платформе такая форма биометрии, как 3д лица, тоже предусмотрена.
В тех странах, где очень развит финансовый рынок и деньги для крупных и богатых дешевы (США, Китай), можно и себя не обижать, и университетам подарки отстегивать, и в стартапы вбухивать столько, сколько они за 10-15 лет не отобьют.
Это жизнь :) Бюджет в компаниях варьируется от 80к на инженера (Индия) до 150-250к (условно Восточная Европа), до 500к (США и Канада)
Платить столько, сколько платят в компаниях, все равно не получится. Налоги в университетах выше, нет льгот как для многих ИТ компаний. Плюс риски для компании больше, вопрос с IP сложный, поэтому обычно зарплаты в проекте закладываются ниже.
Не всем интересно идти по карьерной лестнице академической науки. Особенно в той части, где много политики
Образование за счёт госфинансирования в целом нацелено или должно быть нацелено на обеспечение кадрами промышленности страны, как по текущим потребностям, так и по прогнозируемым. Потребность в ИТ специалистах очень высокая, пишут про 0.5 - 1 млн. человек. Поэтому государство специально для ИТ разрабатывает свои меры. И доп.финансирование на расширение бюджетного набора, и центры ИИ и т.д.
Устройство науки в каждой области своё, и для разных областей нужны разные рецепты. В Китае, США и других странах тоже к каждой области подходят по своему. Маленький пример - зарплаты аспирантов существенно отличаются в зависимости от области науки. В CS аспирантам платят стипендии, которые в 2-3 раза могут быть больше, чем в истории. Контингент тоже разных - в CS 70% зарубежных аспирантов (в США), а в гуманитарных и тд в основном свои. И т.д.
Такая ситуация в прикладных областях, или околоприкладных. Фундаментальную науку могут только спонсоры поддерживать грантами и подарками. Бывает и такое, как фонд Базис Дерипаски.
Да начнётся
срачбуря!Аналогичная проблема с многими руководителями. Хотя понятно, что тут не проблема профильности образования, а общая проблема — привычка к линейному предсказанию. Аналогичная проблема — это неумение людей трактовать вероятности.