开心彩票|开心彩票

莫让过度炒作耽误新技术******

　　莫让过度炒作耽误新技术

　　李华林

　　横空出世的AIGC，看似拥有广阔前景和多种可能，但目前该概念尚是一个新兴事物。从实验室到大规模商用落地，还有不短距离，市场各方有必要冷静再三，莫让炒作耽误了好技术的好前程。

　　兔年首个交易周，A股市场交投活跃，不少板块收获“涨声一片”。其中，AIGC概念板块指数前4个交易日一度上涨逾7%，引得一众投资者蜂拥至互动平台，追问多家上市公司：是否涉足AIGC？

　　蹿红的AIGC到底是什么？AIGC即AI Generated Content，也就是利用人工智能技术自动生产内容，包括文字、图片、音频、视频、代码等。以最近爆火的聊天机器人ChatGPT为例，这款由美国某实验室推出的机器人既会写论文，也能创作小说，还可编代码，上线仅2个月，月活用户达1亿。因为出乎意料的“聪明”，AIGC被认为是“科技行业的下一个颠覆者”“内容生产力的一次重大革命”。

　　AIGC的横空出世，与此前红极一时的元宇宙、Web3等一脉相承，背后都有着相应技术支撑，承载着人们对未来生活的美好期待。近年来，随着5G通讯、自然语言生成等底层技术日渐成熟，人工智能突飞猛进，用AI绘画、让聊天机器人写代码……现实场景的成功应用，让人们切实触摸到了AIGC带来的改变。

　　我国对数字经济的支持，也给AIGC加了一把火。党的二十大报告提出“加快发展数字经济”，数字经济日益成为高质量发展的新引擎，是新一轮国际竞争的重点领域。某种程度上，把握住数字经济发展先机，就能抢占未来发展制高点。代表数字技术方向之一的AIGC，被视作新赛道。

　　风口之上，谁都想趁机起飞。反映到资本市场，已有不少上市公司积极表态，将在AIGC领域加大投入布局。各路资金也闻风而动，推动相关概念板块一路上涨，多只股票更是接连涨停。

　　不过，尽管AIGC火爆一时，看似拥有广阔前景和多种可能，但目前该概念尚是一个新兴事物，还存在关键核心技术不成熟、商业应用场景较少、技术伦理挑战突出等问题。从理想到现实，从实验室到大规模商用落地，还有不短距离，市场各方有必要冷静再三，莫让炒作耽误了好技术的好前程。

　　从过去经验看，利用人们对未来技术的着迷，以及部分投资者幻想一夜暴富的心理动机，过度宣传、借机炒作的事例不胜枚举。这其中，有些是市场资金有意捧之，相关股票被动身价上涨；有些则是上市公司主动“炒概念”“蹭热点”。但无一例外的是，概念炒作越烈，市场泡沫越大，与国家着力发展实体经济的政策基调相去愈远，对相关行业发展的干扰愈甚，到头来难免落得一地鸡毛。

　　还要注意，随意炒作概念涉嫌市场操纵，一直被监管部门明令禁止。不久前，证监会表示，规范和引导资本市场健康发展，加强对“蹭热点”“炒概念”及上市公司相关方操纵行为的监控处置和打击力度。随着全面注册制正式启动，对相关乱象的整治将只严不松，倘若仍一意炒作，必将被监管部门所不容。

　　对一项新兴技术，投资者抱有热情的同时，也要保有一份审慎。正如多家上市公司坦言，目前AIGC对业务营收影响不大，仍有待进一步推广应用。AIGC概念股能否受益于技术的发展尚未明朗，投资者需把握好投资尺度，切勿跟风炒作，以防追高被套。

　　事实上，再神奇的技术也需经过市场反复检验，任何创新产品的价值实现，都应建立在理性的交易秩序之中。投资者多一份价值投资的理智，上市公司多一份久久为功的定力，市场多一份行稳致远的从容，才有助于一个新兴行业的健康长远发展，让梦想更好地照进实现。

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）