​​Обзор технологических стартапов в образовании от 11.10.2026
_Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю_

Modern Classrooms Project (Проект «Современные классы») собрал 12 миллионов долларов на создание бесплатной учебной программы по математике, основанной на когнитивной науке
Читать 3мин https://vk.ru/wall-87570467\_6394

Платформа для обучения на практике для соискателей ИТ-карьеры byteXL привлекла 9 миллионов долларов
Читать 1мин https://vk.ru/wall-87570467\_6392

Платформа на основе искусственного интеллекта, которая связывает студентов, школы и колледжи, Kollegio, основанная студентами колледжа Эйтчисон, привлекла более 5,3 млн долларов в рамках раунда финансирования перед серией А
Читать 2мин https://vk.ru/wall-87570467\_6408

20-летний казахстанец привлек $3 млн в свой AI-стартап Riasm, который создает модели для проверки и анализа научных знаний
Читать 2мин https://vk.ru/wall-87570467\_6396

YouTube и Google.org выделяют 2,5 миллиона долларов на расширение бесплатной учебной программы Class CrunchLabs
Читать 2мин https://vk.ru/wall-87570467\_6402

ChipMango привлекла 1,9 миллиона долларов для масштабирования полупроводниковой инженерии и инноваций в области периферийного ИИ и подготовки инженерных кадров
Читать 4мин https://vk.ru/wall-87570467\_6410

Посевной раунд финансирования Cone ai (970 тыс. долларов), который предоставляет инструменты обучения на основе ИИ, помогающие авторам превращать идеи в практические материалы
Читать 1мин https://vk.ru/wall-87570467\_6390

Финансово-образовательный стартап Okulyo привлек 700 000 долларов в раунде финансирования, возглавляемом основателем ebebek Халилом Эрдогмушем
Читать 1мин https://vk.ru/wall-87570467\_6406

Чилийская платформа для поиска работы для студентов Tasky завершила инвестиционный раунд с ECR Group и достигла оценки в 5 миллионов долларов
Читать 3мин https://vk.ru/wall-87570467\_6404

Компания MOT, управляющая карьерой манга-художников и управляющая онлайн-школой манги «Какикоми», привлекла финансирование — инвестиции от DBJ Capital и Shochiku Ventures
Читать 2мин https://vk.ru/wall-87570467\_6400

Победители Astana Hub Battle 2026 получили по 25 000 долларов каждый, среди которых экосистема проектного и соревновательного обучения для будущих ученых и инженеров CYBERPACK.AI.
Читать 1мин https://vk.ru/wall-87570467_6398

​​Сопротивление ИИ не бесполезно. Оно полезно.
_Автор Марк Маккормак | Обзор EDUCAUSE_
Марк Маккормак утверждает, что повсеместное распространение ИИ не означает его автоматической полезности для высшего образования. Внедрять ИИ ради самого внедрения — значит рисковать качеством обучения, конфиденциальностью данных и фундаментальными ценностями образования.
Хотя 94% опрошенных специалистов высшего образования использовали ИИ в работе за последние полгода, сохраняются опасения по поводу дезинформации, использования данных без согласия, плагиата и возможного снижения эффективности обучения.
Главный тезис автора: сопротивление ИИ — не отрицание прогресса, а необходимый механизм критической оценки технологий. Оно помогает университетам осознанно определять, где ИИ действительно приносит пользу, а где может навредить.
Автор предлагает:
требовать доказательств образовательной и практической ценности ИИ-инструментов;
усиливать управление данными и кибербезопасность;
открыто обсуждать преимущества, ограничения и риски ИИ;
устанавливать понятные правила его использования преподавателями, студентами и сотрудниками;
согласовывать внедрение ИИ с миссией университета и конкретными целями обучения.
Университетам необходимо не безусловно принимать ИИ и не отвергать его, а сохранять право выбора. Критическое сопротивление становится инструментом ответственных инноваций, позволяя ставить образовательные цели и человеческие ценности выше технологической моды.

Читать 6мин https://dzen.ru/a/as5V-hjfDzxb0R43

​​В мире LLM описание — это гиперссылка.
«Memex» прибыл, для всех, у кого хватит ума его увидеть.
Автор Майк Колфилд


показывает, как ИИ может выявлять неожиданные смысловые связи между произведениями, идеями и объектами на основе их содержательных описаний.
На примере фильмов «Брат с другой планеты» и «Бездельник» Колфилд демонстрирует, что фильмы с разными сюжетами и художественными целями могут иметь общие характеристики: свободное повествование, наблюдение за повседневной жизнью и монологи персонажей. ИИ помогает обнаружить это сходство, которое неочевидно при обычном поиске и стандартных рекомендациях.
Для этого автор разработал систему, которая формирует описания фильмов на основе сети из сотен тегов, а затем использует эти описания для поиска других произведений со схожими характеристиками.
Главная идея: в эпоху больших языковых моделей описание становится не просто характеристикой объекта, а инструментом обнаружения связей между ним и другими объектами. Чем точнее описание и удачнее выбран уровень обобщения, тем больше вероятность найти неожиданные аналогии и расширить собственный кругозор.
Автор связывает эту идею с концепцией Memex Ванневара Буша — гипотетической системы, позволяющей связывать знания и идеи, — и видит в ИИ возможность приблизиться к реализации этой концепции.
Ценность ИИ заключается не только в поиске известной информации или выдаче готовых ответов, но и в создании новых интеллектуальных связей. При этом обнаруженные аналогии требуют осмысленной оценки человеком: именно его знания и способность интерпретировать сходства позволяют превратить найденную связь в новое понимание.
Читать 8мин https://dzen.ru/a/as8eOigBShaVzeWN

​​Философия упустила свой шанс
Автор: Джонатан Вейсберг
Большие языковые модели (LLM) дают академической философии возможность освободиться от неэффективной системы научных публикаций. ИИ уже способен быстро создавать статьи, соответствующие значительной части существующих академических стандартов, обнажая проблему ориентации науки на количество публикаций, а не на глубину понимания.
Вейсберг критикует журнальную систему за многолетние задержки, трудоёмкое рецензирование и необходимость искусственно представлять небольшие результаты как значительный научный вклад ради карьерного продвижения. По его мнению, вместо защиты этой системы академическому сообществу следует воспользоваться кризисом для её радикального пересмотра.
Главный тезис: если ИИ разрушит традиционную систему научных журналов, философия не исчезнет. Учёные смогут публиковать работы в интернете, обсуждать идеи и развивать исследования без издательских барьеров и обязательного традиционного рецензирования.
Автор призывает отказаться от гонки публикаций и метрик академической успешности в пользу главных задач учёного — мышления, познания, обмена идеями и преподавания. ИИ, таким образом, рассматривается не столько как угроза философии, сколько как шанс освободить её от бюрократических ограничений.
Читать 2мин https://dzen.ru/a/as8tEt7AE3uVwex3

​​Книга рядом с книгой: использование случайных открытий в педагогике
Автор: Дейв Вебстер
подчёркивает, что настоящее обучение часто происходит не по заранее спланированной траектории, а благодаря серендипии — неожиданным открытиям, которые возникают в процессе поиска, любопытства и случайных встреч с новыми идеями. Например, книга, случайно найденная рядом с той, которую студент искал, может изменить его понимание изучаемой темы.
Вебстер критикует стремление сделать образовательный процесс полностью систематизированным, предсказуемым и измеримым. Цифровые библиотеки, системы управления обучением и ИИ эффективно находят нужную информацию, но могут ограничивать неожиданные интеллектуальные открытия, поскольку ориентируются на уже сформулированные запросы и интересы пользователя.
Автор предлагает оставлять в образовательных программах пространство для незапланированного исследования: просматривать материалы без конкретного вопроса, знакомиться с неожиданными источниками, приносить на занятия найденные вне учебного процесса идеи и самостоятельно устанавливать связи между ними и изучаемой темой.
Задача педагога — не столько искусственно организовывать случайные открытия, сколько создавать условия, в которых они могут происходить. Даже хорошо спроектированная образовательная система должна оставлять место для неопределённости, интеллектуальных блужданий и неожиданных связей.
Читать 5мин https://dzen.ru/a/as8yCdgCpHkQJyjz

​​Сделать сдвиг
Автор Одри Уоттерс
критикует превращение Кремниевой долины из центра технологических инноваций в индустрию, которая продаёт прежде всего обещания будущего. Венчурный капитал стимулирует не столько создание полезных и устойчивых продуктов, сколько бесконечный рост, масштабирование и веру в неизбежность технологических перемен.
Автор переносит эту критику на образовательные технологии. Символом такого подхода становится презентация Shift Happens (2006), убеждавшая педагогов в необходимости адаптировать школы к стремительно меняющемуся миру. Её аргументация основывалась преимущественно на статистике роста и технологического ускорения, но почти не объясняла, как технологии действительно улучшат преподавание и обучение.
По мнению Уоттерс, за риторикой подготовки к профессиям будущего скрывались экономические интересы технологических компаний и подмена образовательных целей. Школы всё больше ориентировались на требования рынка труда, забывая о своей гражданской и гуманистической миссии — готовить людей не только к будущей работе, но и к полноценной жизни в настоящем.
Особую тревогу автора вызывает современный технооптимизм, в том числе вера в превосходство искусственного интеллекта над человеческим мышлением. Подобные нарративы заставляют педагогов воспринимать технологические изменения как неизбежность, а не как предмет критического обсуждения и общественного выбора.
По мнению Уоттерс, разговоры о неизбежном технологическом будущем — не нейтральные прогнозы, а инструмент влияния на настоящее. Образованию важно не подстраиваться автоматически под видение будущего, предлагаемое технологическими корпорациями, а самостоятельно определять цели развития, сохраняя в центре внимания человека, его мышление и благополучие.
Читать 5 мин https://dzen.ru/a/atMzmnbGGgLj-UwW

​​Когда работа перестает формировать работника
Автор: Карло Иаконо
ИИ автоматизирует не только интеллектуальный труд, но и саму работу, через которую люди приобретают экспертные знания. Возникает парадокс: машины всё лучше выполняют задачи специалистов, однако без выполнения этих задач людьми становится сложнее подготовить новое поколение экспертов, способных контролировать результаты ИИ.
Автор приводит пример физика Эмре Онура Кахьи, который потратил год на сложные расчёты для докторской диссертации. Современная ИИ-модель повторила их примерно за десять часов, обнаружив ошибки в опубликованных работах. Аналогичные результаты демонстрируются в математике и теоретической физике: ИИ успешно решает задачи, которые традиционно служили тренировкой для начинающих исследователей.
Проблема выходит за рамки сокращения рабочих мест. Начинающие специалисты теряют возможность осваивать профессию через практику, поскольку их типовые задачи переходят к ИИ. Это уже отражается на найме: например, в Anthropic доля младших специалистов среди принятых на технические должности сократилась с 27% до 9%. Работодателям нужны люди, умеющие принимать решения и проверять результаты ИИ, но привычные механизмы формирования таких компетенций постепенно исчезают.
Автор выделяет и другие риски: ослабление человеческого научного сообщества, рост зависимости исследований от финансовых ресурсов и утрату доступности научной работы для тех, кто не располагает значительными бюджетами.
Труд в условиях ИИ должен оцениваться не только по результату, но и по тому, каких специалистов он формирует. Если университеты и работодатели будут оплачивать исключительно дешёвые результаты, полученные ИИ, может исчезнуть сама система подготовки людей, способных оценивать достоверность этих результатов. Поэтому необходимо сохранять возможности для самостоятельных расчётов, экспериментов и решения задач — даже когда машина справляется с ними быстрее и дешевле.
ИИ способен заменить учебные и профессиональные задачи, но это не означает, что он автоматически заменяет процесс формирования экспертизы. Образовательным организациям придётся специально инвестировать в практику, которая развивает у человека способность понимать, проверять и обоснованно оценивать работу ИИ.
Читать 13мин https://dzen.ru/a/ateUm0a88m9QqkrN

​​Механистические индикаторы понимания в крупных языковых моделях
Авторы: Пьер Бекманн и Матье Келоз
Крупные языковые модели (LLM) не сводятся к простому воспроизведению статистических закономерностей текста. Исследования механистической интерпретируемости показывают, что внутри них формируются структуры, функционально аналогичные некоторым аспектам человеческого понимания. Однако эти структуры сосуществуют с запоминанием и поверхностными эвристиками, что ограничивает надёжность результатов.
Авторы предлагают иерархическую модель понимания, основанную на способности устанавливать связи между информационными элементами.
1. Концептуальное понимание. Модель формирует внутренние представления, объединяющие различные проявления одного объекта или свойства в общую концепцию.
2. Понимание состояния мира. Модель устанавливает связи между понятиями и использует их для представления фактов. Например, связывает Майкла Джордана с баскетболом не только через статистические ассоциации, но и посредством внутренних репрезентаций.
3. Принципиальное понимание. Модель выявляет общие правила и закономерности, объясняющие множество отдельных фактов. Вместо запоминания примеров она может формировать компактные схемы, обеспечивающие обобщение на новые ситуации.
Основные результаты исследований
- Механизмы ИИ сложнее простого запоминания. Механистическая интерпретируемость позволяет выявлять внутренние структуры, участвующие в распознавании понятий, моделировании состояний мира и применении общих принципов.
- Обобщение может возникать внезапно. Феномен гроккинга демонстрирует, как после длительного запоминания обучающих примеров модель может перейти к обобщению, сопровождающемуся формированием более компактных внутренних представлений.
- Модели используют множество механизмов одновременно. При решении одной задачи могут параллельно работать различные эвристики, концептуальные представления и более общие вычислительные схемы. Они способны усиливать или подавлять друг друга.
- Понимание сосуществует с поверхностными стратегиями. Даже если модель располагает механизмом корректного логического рассуждения, содержательные ассоциации могут привести её к неправильному ответу.
Авторы описывают LLM как своеобразный «комитет» разнородных механизмов, а не как единый, целостный разум. Одни механизмы основаны на запоминании, другие — на поверхностных корреляциях, третьи способны выявлять общие принципы.
Поэтому успешный ответ сам по себе не позволяет установить, каким способом модель его получила. Даже наличие механизма, обеспечивающего правильное рассуждение, не гарантирует, что именно он определит итоговый результат.
Авторы также отмечают отличие от человеческого познания: люди способны критически оценивать собственные эвристики и стремиться к лаконичным объяснениям, объединяющим множество явлений небольшим числом принципов. У LLM подобная систематичность не является гарантированным свойством.
Вывод
Исследование предлагает отказаться от упрощённого вопроса «понимает ли ИИ?» в пользу более содержательного: какие именно виды понимания реализованы в модели, какими механизмами они обеспечиваются и в каких условиях дают сбой?
Механистическая интерпретируемость открывает возможность изучать эти вопросы эмпирически, связывая философские теории понимания с анализом внутреннего устройства моделей.
Результаты предостерегают от отождествления правильных ответов ИИ с полноценным пониманием. При использовании LLM в обучении важно оценивать не только итоговый результат, но и устойчивость рассуждений, способность переносить знания на новые ситуации и выявлять общие принципы. При этом сама публикация не доказывает, что наличие подобных механизмов автоматически обеспечивает человеческий уровень понимания или педагогически надёжное поведение.
Читать отрывок из статьи 15мин https://dzen.ru/a/ate74UC5AAzZOZu0 

​​Конец ISTE (в некотором роде)
Автор: Тим Стамер
Публикация рассматривает кризис модели EdTech: переименование ISTE (буква T теперь означает Transformation, а не Technology) символизирует, что технологии перестают быть целью и становятся лишь инструментом. Это признание того, что многолетняя цифровизация не привела к системным изменениям, так как инфраструктура изменилась, а педагогическая архитектура осталась прежней.
Причины кризиса EdTech
- Технологический оптимизм исчерпан: новизна инструментов больше не обосновывает инвестиции.
- Кризис рынка: усталость от продуктов без доказанной педагогической эффективности.
- Сопротивление школы: массовый характер и стандартизация мешают институциональным изменениям, адаптируя технологии под старые формы.
Вызов генеративного ИИ
ИИ способен поддерживать персонализацию и проектное обучение, но рискует лишь автоматизировать традиционную рутину (тесты, презентации). Передача алгоритмам анализа и поиска информации ставит вопрос, какие компетенции формируются у самого учащегося. Без переосмысления обучения ИИ лишь усугубит ограничения классической школы.
Эволюция отрасли
EdTech-сообщество вынуждено смещать фокус:
1. От демонстрации к доказательствам: главными становятся измеримые результаты учащихся.
2. От продуктов к системам: важна интеграция инструментов в сценарии, оценивание и процессы.
3. От ярмарок технологий к площадкам трансформации: технологии остаются средством, а не единственной темой.
Главный вывод
Происходит переход от цифровизации к подлинной трансформации. Будущее EdTech зависит не от возможностей машин, а от способности переосмыслить, чему и как должен учиться человек.


Читать 2мин https://dzen.ru/a/atjXcLUon16Yu63V

​​Зубрежка возвращается. Или, по крайней мере, что-то очень похожее на него.
Автор Мелисса Хейли
В современном образовании нарастает тренд на жесткую стандартизацию и регламентацию уроков (современную форму «зубрежки»). Этот подход сводит преподавание к следованию предписанным сценариям, что негативно сказывается как на учащихся, так и на учителях.
- Суть нового подхода: Уроки организуются по заранее прописанным сценариям с фиксированным темпом и жестким оцениванием. Обучение фокусируется на воспроизведении правильных ответов, а не на исследовании, критическом мышлении или адаптации под потребности учеников.
- Влияние на учеников: Ограничиваются возможности для развития творчества, глубокого мышления и самостоятельности (что противоречит официальным образовательным целям Австралии). У детей снижается вовлеченность и растет разочарование, а учеба начинает восприниматься как подчинение и выполнение правил.
- Противоречие в подготовке учителей: В вузах будущих педагогов учат проявлять гибкость, развивать учебные программы и учитывать индивидуальные потребности школьников. Однако на практике они сталкиваются с жестким контролем, где от них требуют лишь исполнять чужие инструкции.
- Угроза для профессии: Люди идут в преподавание из альтруистических и творческих побуждений. Чрезмерный контроль снижает автономию и удовлетворенность работой, ведет к выгоранию и оттоку кадров.
- Парадокс реформ: Хотя стандартизация вводится с благими намерениями (снизить нагрузку на учителей и бороться с неравенством), в реальности она превращает преподавание из профессионального призвания в механический процесс передачи информации.
Автор предостерегает, что если преподавание окончательно сведется к «работе по сценарию», система потеряет творческих и неравнодушных педагогов, а само образование станет поверхностным и пассивным.


Читать 6мин https://dzen.ru/a/atjqve3q8R0f-kW7

​​Динамика работы в команде ослабевает, когда сотрудники обращаются к ИИ вместо коллег
Авторы Кейт Нидерхоффер, Кристина Рапуано, Алекс Либшер, Алекси Робишо и Джеффри Т. Хэнкок
Чрезмерное использование ИИ вместо общения с коллегами может повышать индивидуальную производительность, но одновременно ослаблять доверие, координацию и сплочённость команды.
Авторы исследования, опросившие 1033 офисных работников в США, выявили парадокс: использование ИИ усиливает ощущение специализации и уникальности знаний членов команды, но затрудняет понимание того, кто действительно какими знаниями обладает. Когда сотрудники обращаются к ИИ вместо коллег, командная координация снижается на 22,3%, а доверие — на 21,9%.
Основные причины этого эффекта:
- Потеря общего понимания экспертизы: коллеги реже обмениваются знаниями, поэтому сложнее определить, кто в чём разбирается.
- Ослабление доверия и социальных связей: исчезают повседневные взаимодействия, которые помогают выстраивать отношения и совместно находить решения.
- Организационная культура: давление на индивидуальную производительность и недостаток психологической безопасности побуждают сотрудников обращаться к ИИ, опасаясь осуждения или нежелания беспокоить коллег.
- Особенности ИИ: его постоянная доступность и склонность соглашаться с пользователем делают взаимодействие психологически проще, чем общение с людьми.
Авторы подчёркивают, что проблема не в самом ИИ, а в том, заменяет ли он человеческое взаимодействие или дополняет его. Для снижения рисков они рекомендуют развивать асинхронную коммуникацию, создавать безопасную атмосферу для вопросов, поощрять командные результаты и использовать ИИ для подготовки к сложным разговорам, а не вместо них.
Эффективность команды определяется не только индивидуальными возможностями её участников и качеством используемого ИИ, но и сохранением общего знания, доверия и способности к совместной работе. Организациям следует оценивать не только продуктивность отдельных сотрудников с ИИ, но и влияние его применения на командную динамику.


Читать 19мин https://dzen.ru/a/atmcgL78l0bmQmP0