3分pk10 - -IOS/安卓通用版/手机app下载v8.8.6

系统布局国际竞争新赛道******

　　作者：朱克力（国研新经济研究院院长）

　　制胜新赛道，需要更为系统的方法论。结合各地已有的创新实践，其基本路径是，在看准方向、锚定价值的基础上提前布局，在推进过程中突出创新驱动，持续激活人和场景的力量。

　　近期召开的中央经济工作会议强调，抓住全球产业结构和布局调整过程中孕育的新机遇，勇于开辟新领域、制胜新赛道。党的二十大报告指出，要开辟发展新领域新赛道，不断塑造发展新动能新优势。可以说，制胜新赛道正成为我国深度参与和引领新一轮产业变革、重塑国际竞争优势的重要战略目标。

　　纵观全球历史，看准方向并领跑新赛道是制胜之道。看企业发展，三星电子因看准方向，大量投入研发存储器和液晶面板，如今全球市场占有率稳居前列，已成为国际电子产业头部企业；诺基亚虽然抓住通信产业发展机遇在上世纪取得巨大成功，却与触屏手机失之交臂。看国家进步，英国曾因蒸汽技术而崛起，美国凭借信息技术而强大，无不是抓住新赛道机遇而成为时代的弄潮儿。

　　当前，大数据、云计算、人工智能等关键技术赋能各个领域，新产业、新业态、新模式加速迭代。新赛道主要以新技术或新模式为核心竞争力，是分工更细、技术更高、迭代更快、更利于形成优势的新兴产业或细分领域，具有引领性发展、颠覆性创新、爆发式成长等特性。如果说科技创新是推进竞争力提升和现代化先行的关键变量，那么制胜新赛道就是产业迭代升级与换道超车的必由之路。

　　放眼国内，各地在竞逐新赛道方面不遗余力。有的推动发展集成电路、人工智能、生物医药、新能源等先导产业，有的前瞻布局工业互联网、卫星互联网、机器人等新兴产业，有的超前谋划区块链、太赫兹、量子通信等未来产业。应当注意的是，制胜新赛道既要抢占新技术前沿，也要努力在不确定性中锚定其中的确定性。比如，数字化和低碳化，是引领未来产业发展、贯穿全球产业链供应链价值链的重要力量，可作为各地培育差异化新赛道的共性基座。

　　制胜新赛道，无疑需要更为系统的方法论。结合各地已有的一些创新实践，基于从科技到产业的转化规律和推进方式，其基本路径是，在看准方向、锚定价值的基础上提前布局，在推进过程中持续激活人和场景的力量。具体而言，可重点从三方面协同发力。

　　突出创新驱动，布局新赛道。注重从新赛道的起点出发，以推动重点产业链与未来产业发展为主攻方向，打造具有国际竞争力的产业集群。运用产业生态圈理念，将创新与产业化紧密结合起来，构建以企业为主体，涵盖基础研究、技术创新、成果产业化、科技金融全链条的创新生态链，吸引各类创新资源要素高效配置和集聚协作。与此同时，应实施一系列创新驱动政策，梳理完善相应法律，营造有利于各种超前的高科技和新应用竞相涌现的良好氛围与法治环境。

　　坚持以人为本，培育新赛手。人才资源是第一资源，制胜新赛道的一个关键在于“赛手”，以及激励其跑出好成绩的新机制。应着眼于新赛手成长，加快培育一批平台型龙头企业、区域性科技服务机构和更多“专精特新”企业，围绕紧缺人才制定针对性政策，根据新赛道产业人力资本需求规模与层次，搭建高素质、高质量人才引育管理体系。既要提高人才自主培养质量和能力，也要加快引进高端人才，为各类人才发展提供更优质保障。

　　深化场景供给，建设新赛场。想要真正跑通新赛道，必须尊重产业规律，遵循需求导向和场景驱动。新赛道依托的新赛场，由大量可验证需求和可落地场景构成。应通过搭建产业新生态载体，优化场景供给流程，形成产品接入、场景实测、推广示范的全流程场景生长链条，加速技术转变为现实生产力。在挖掘国内市场的同时，应着眼全球，在全球范围开掘制胜新赛道的更大需求和更多场景，瞄准世界一流创新资源开展合作，深度融入全球分工体系并增强国际影响力，实现从跟跑、并跑到领跑的跃升。

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）