1分快3计划群-百科百科

【乌镇声音】思科巢巍忠：共享创新技术 助力中国数字化转型******

　　光明网讯（记者 丛芳瑶 梁天天）11月9日至11日，2022年世界互联网大会乌镇峰会在浙江乌镇举行。思科大中华区副总裁巢巍忠就“助力中国数字化转型，与世界分享数字经济的机遇与红利”等问题接受记者采访。

　　记者：参加9届世界互联网大会，您有何感受？

　　巢巍忠：9年来，思科参与世界互联网大会，既是来倾听、学习，也是来分享的。

　　从2014年举办至今，世界互联网大会毫无疑问是中国互联网行业的顶级盛会。我认为这是一个非常好的平台，可以方便国内外互联网大厂相互交流、和政府保持沟通、了解政府政策法规、互联网新技术，有利于让互联网企业建立一个服务各行各业未来发展的目标和共识。

　　记者：您认为目前中国互联网发展状况如何？

　　巢巍忠：中国互联网发展的质量和速度全世界有目共睹。中国许多互联网公司在全球都有巨大的影响力。

　　中国互联网发展多年，在互联网的众多领域为全球贡献了许多创新的技术和思路。中国产业的转型升级和数字经济的蓬勃发展也为互联网和数字技术的进一步发展提供了巨大助推力。共享经济、教育普及、生产力服务等新技术的应用改变着企业、政府和个人的同时，也让他们真正受惠于经济数字化转型所取得的成果。我相信在接下来的发展中，这也是我们整个互联网行业需要去努力的方向。

　　记者：今年大会的主题是“共建网络世界 共创数字未来——携手构建网络空间命运共同体”，您认为互联网企业如何助力中国数字化转型，与世界分享数字经济的机遇与红利？

　　巢巍忠：思科进入中国近30年，见证了中国互联网发展以及数字经济的腾飞。作为互联网企业，思科一直致力于将最先进的技术、产品和理念带入中国，并深耕本地，与思科合作伙伴密切合作，服务中国客户。同时，积极响应国家政策，如“一带一路”倡议、“粤港澳大湾区”规划等。我们还专门组建企业出海团队加强粤港澳团队的协同合作。

　　此外，我们还与教育部开展合作，在2017年至2020年的3年内为中国教育投入价值约5亿元人民币等值的课程、师资培训、教学软件、教学平台和硬件实验室等，培养了约40万人次的数字化创新人才。

　　所以，作为互联网企业，积极为中国引入先进技术、产品和理念，培养人才，深耕本地，都是可以助力中国进行数字化转型的有效措施。

　　记者：在帮助中小企业发展方面，您认为互联网企业应该怎么做？

　　巢巍忠：从思科角度来说，我们认为中小企业是一个潜力无穷的市场，我们也会在这个市场投入更多产品，帮助中小企业找到适合本身发展的解决方案。同时我们还会积极培养人才，帮助中小企业去加快数字化转型，提高数字化能力。这是我们一直在做的事情。

　　记者：您认为这次互联网大会对中国未来互联网发展会带来怎样的影响？对世界又有何意义？

　　巢巍忠：我觉得世界互联网大会的举办对于中国和世界来说都有积极的意义。这次大会的主题是“共建网络世界 共创数字未来——携手构建网络空间命运共同体”，其实已经非常明确阐述了中国在未来数字化建设方面的目标。

　　作为互联网企业，我们非常高兴能够看到国家将数字化建设作为国家层面的战略之一，未来我们也将帮助更多中国企业加速、加快完成数字化转型，引进更先进的技术、培养优秀的人才，共同推动中国企业的数字化进程，助力打造一个更具包容性的未来。

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）