彩虹多多返点-360百科

推动“科技—产业—金融”良性循环******

　　【光明论坛】

　　2022年中央经济工作会议提出，要推动“科技—产业—金融”良性循环。这与“十四五”规划强调的“构建实体经济、科技创新、现代金融、人力资源协同发展的现代产业体系”耦合，本质上就是通过加强产学研资的深度结合，让科技成果能够及时产业化，发挥金融对科技创新和产业振兴的支持作用，并为金融发展提供坚实的实体经济支持，避免出现金融泡沫化风险，从而把科技创新、产业振兴和金融发展有机结合起来。

　　推动“科技—产业—金融”良性循环，要加强科技创新原动力。科技创新依赖于科学研究，尤其是基础科学研究。近年来，我国在一些核心技术方面遇到“卡脖子”难题，原因之一是基础性研究投入和研究能力还存在不足。在过去相当长的时间里，我国应用型科技领域成就斐然，形成了产业引导科技发展的方式，但还未大面积形成科技催生新产业的原始动力。中央经济工作会议提出，布局实施一批国家重大科技项目，完善新型举国体制，发挥好政府在关键核心技术攻关中的组织作用，突出企业科技创新主体地位。通过引导企业在基础研究方面投入，消除过于重视短期利益的现象，有利于充分聚焦长期的、底层技术的关键价值，力争取得创新突破，为更好促进产业发展夯实基础。

　　推动“科技—产业—金融”良性循环，要建立现代产业体系。产业化是科技形成生产力的关键环节。只有通过产业化，科技成果才能在国民经济各个领域得到广泛应用、形成一定经济规模的产品，通过科技创造利润，满足科技研究持续投入的资金需要，从而进一步催生新技术、新产业，形成科技与产业之间的良性互动。当前，外部环境动荡不安，给我国经济带来的影响加深，亟须构建关键技术自主创新体系，发展和安全并举推动传统产业改造升级，培育壮大战略性新兴产业。对此，首先要加大保护知识产权的执法力度，健全知识产权保护体系，加快推进知识产权强国建设。其次要充分挖掘国内大市场潜力，以行业、市场需求为导向引导产业形成产业集群，通过规模经济和产品的多样化、差异化以及国际化实现经济效益。还应当依法保护企业家权益，让参与科技创新和产业化的主体享有合法的权益，激发全社会的科技创新和科技成果转化的动力。

　　推动“科技—产业—金融”良性循环，要充分发挥金融对实体经济发展的服务作用、资本作为产学研合作的桥梁作用，通过有效配置资源推动科技与产业发展。现代经济发展历史表明，现代国家的崛起离不开一个强大资本市场的支撑。中国的资本市场已成为世界第二大资本市场，是中国特色社会主义市场经济的重要组成部分。此外，银行等金融机构也需要加大对科技创新类企业的信贷支持力度，助力有技术、有科技含量的企业做大做强。建设和运用好多层次的资本市场，中国资本市场要面向科技前沿的“硬科技”领域，汇聚起一批涉及各产业链环节、多应用场景的创新企业，充分利用好社会储蓄资金，推动中国经济高质量发展。

　　未来，要形成“科技—产业—金融”之间的良性循环，需要进一步强化三者之间相互“看见”“读懂”的纽带。通过建立健全科技创新成果产业化的中介服务体系，确保科技、知识产权等中介服务机构客观、科学评估创新成果产业化的市场价值和发展前景，进而提供更加精准的支持，为建立风险共担的“科技—产业—金融”运行机制提供科学准确的服务，促进科技、金融和实体经济之间的高水平循环。

　　（作者：王晋斌，系中国人民大学经济学院党委常务副书记、国家发展与战略研究院研究员、中国宏观经济论坛主要成员）

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）