一分快3app下载-在线登录平台网址入口下载 - 官网网站首页

通讯：2023美国消费电子展上多国企业家热议“中国创新”******

　　新华社美国拉斯维加斯1月8日电通讯：2023美国消费电子展上多国企业家热议“中国创新”

　　新华社记者黄恒 谭晶晶 兴越

　　“我们说中国市场最重要，不仅因为这是规模最大的市场，也在于其技术发展和创新能力在全球独一无二。”德国宝马集团负责研发的董事弗兰克·韦伯日前在此间举行的2023年美国拉斯维加斯消费电子展上告诉记者。

　　近年来，“中国”一直是这一全球最大电子消费品展会的热门话题之一。今年最明显的变化之一，便是主题由此前的“中国制造”“中国产业链”变成了“中国创新”。包括宝马在内，许多参展企业都在中国设立了研发部门。他们告诉记者，中国的政策支持、研发能力和市场特质，让这种选择成为一种必然，因为如果不这样做，就可能会在全球竞争中落败。

　　美国高通公司产品管理主任、全球车联网生态系统负责人吉姆·米塞纳接受记者采访时说，目前中国在车联网方面走在世界前列，政府引导功不可没。“我们在与美国相关产业决策者沟通时，经常提到中国经验。”

　　他说，中国政府积极推动蜂窝车联网技术（C-V2X）基础设施建设，加快C-V2X标准制定和技术升级，出台一系列规划和政策推动车联网产业发展。中国凭借创新能力、市场以及强有力的政策支持，正引领全球电动车技术和应用的创新发展。

　　据韦伯介绍，宝马已经在中国建立了德国之外最大的研发和创新体系，涉及研发、数字化、电动化等领域。“中国市场对于宝马集团的意义已经不仅仅是创新驱动力这么简单。中国团队是整个团队成功的关键，中国研发团队是全球研发非常重要的有机组成部分。很多中国供应商已经成为行业标杆，不仅是传统汽车零部件，还包括电池、电芯等领域”。

　　来自泰国的D+国际贸易公司在今年展会上有一个18平方米的展位，主推产品是新型手机膜。该公司海外市场负责人游婷婷告诉记者，公司将专门的技术研发部门设在中国东莞的工厂而不是泰国总部，目前有数十名研发人员。

　　游婷婷说，虽然手机膜看起来并非什么高科技产品，但如何做到更不易损、更容易贴和更有利于保护用户视力，这需要集合多学科人才的创新研究和技术攻关。在中国不仅可以找到这样的研究人员，而且中国市场竞争激烈，会推动研发人员不断推陈出新。

　　专注于研发全自主送货机器人的美国科技初创企业Ottonomy公司首席执行官里图卡尔·维贾伊表示，该公司密切关注中国智能机器人企业的创新解决方案，因为中国机器人市场很大，而且竞争激烈，中国公司在解决“最后一公里”配送方案上有很多开创性成果。

　　韦伯特别谈到中国消费者对产品创新的推动力。“现在如果有了一个新想法，从把它画到图纸上变成概念车开始，多长时间就可以量产呢？答案是两年之后。动力从哪里来？就是从中国消费者这样善于且乐于接受新事物的消费群体中来。”

　　中国机电产品进出口商会副会长石永红在接受记者采访时表示，中国将继续支持外资企业在华投资开展研发和创新，促进共创共赢。

　　他说：“近来中国出台了利好外资外贸的一系列政策，包括扩大鼓励外商投资范围，推进重大外资项目建设，增设试验区、示范区，加快出台海外仓支持政策等。相信未来在华外资企业研发和营商环境将更加优越，内外资企业竞争会更加公平，投资收益也将进一步扩大。”

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）