盈彩网APP-盈彩网返点

发挥数据的创新引擎作用******

　　作者：孙辰朔（清华大学习近平新时代中国特色社会主义思想研究院特约研究员）

　　随着数字技术创新和迭代速度加快，数据作为关键生产要素，已快速融入生产、分配、流通、消费和社会服务管理等各个环节，成为驱动经济社会发展的重要力量。习近平总书记指出，“发挥数据的基础资源作用和创新引擎作用，加快形成以创新为主要引领和支撑的数字经济”。中共中央、国务院前不久发布的《关于构建数据基础制度更好发挥数据要素作用的意见》对激活数据要素潜能、做强做优做大数字经济、构筑国家竞争新优势作出了一系列部署。切实用好数据要素，更好发挥数据的数字化、网络化、智能化基础作用，协同推进技术、模式、业态和制度创新，对于深化创新驱动、推动高质量发展具有重要意义。

　　数据要素是数字经济深化发展的核心引擎。充分发挥数据资源优势、挖掘数据价值潜力，需要不断完善数据要素培育和发展相关体制机制，加快构建数据基础制度，让数据要素更好为创新赋能，为推动高质量发展注入强大动能。

　　第一，数据要素能够推动知识技术创新。数据要素是指能够参与社会生产经营活动、可为使用者或所有者带来经济效益、以电子方式记录的数据。释放数据要素价值的关键在于数据开发利用。政府、企业、科研院所等在参与数据要素加工使用的过程中，通过结合人工智能算法、经济数学模型和领域专业知识，对研发、设计、生产、营销与决策各环节进行数据清洗、分析、建模，可以发现新的规律，研究出新的理论，创造新的知识或技术，带来更多经济效益和更大社会价值。

　　第二，数据要素能够优化科技创新要素配置。实现科技创新的要素包括劳动、资本、土地、技术、数据、企业创新精神等实体要素和虚拟要素。传统要素市场中存在信息不对称、要素流通不畅等，容易产生创新要素供需错配等问题，使创新资源的利用偏离最优配置。通过对数据要素的挖掘分析和利用，可以降低信息交互偏差和要素交易成本，推动创新要素流向高生产效率、高边际产出的企业和行业，打通“信息孤岛”和“数据壁垒”，从而实现要素高效配置。

　　第三，数据要素能够提升产业创新发展能力。一方面，作为数字化、网络化、智能化的基础，数据要素能够参与技术、产品、市场、组织、管理等创新过程，依靠信息技术创新驱动，推动数字产业化，不断催生新产业新业态新模式，培育壮大一批具有增长潜力的新兴产业，创造更多新需求和新就业岗位，挖掘新的经济增长点。另一方面，促进数据高效流通，推动产业数字化转型，实现数字经济与实体经济深度融合，将极大提升传统产业跨区域、跨场景、跨行业的协同创新水平，提升产业发展的质量和效益。

　　更好发挥数据要素对创新的推动作用，可重点从以下四个方面发力。

　　一是构建彰显创新引领的数据基础制度，鼓励数据要素投入创新。数据基础制度体系是数据要素赋能创新的制度保障。要建立数据产权制度，推动数据产权结构性分置和有序流通，强化高质量数据要素供给，推进数据分类分级确权授权使用和市场化流通交易。要建立合规高效的数据要素流通和交易制度，让数据要素更加顺畅地流通、更有效率地交易。要建立体现效率、促进公平的数据要素收益分配制度，激发数据要素赋能创新、协同创新的活力和潜能。还要加强政策支持和引导，激励创新创业创造，让更多数据要素参与创新过程。

　　二是推动数字与产业融合发展，深化产业链创新链融合。数据要素驱动创新的重要路径在于促进数字经济与实体经济深入融合，促进实体经济中的创新要素高效配置。要面向各市场主体、行业和区域需求，统筹推进数字化转型。数据要素驱动创新的关键抓手在于推动创新链产业链深度融合，要加强数据要素与其他生产要素的组合迭代、交叉融合，推动生产要素多领域、多维度、系统性突破，围绕产业链部署创新链、围绕创新链布局产业链，深入实施工业互联网创新发展战略，发挥数据的创新引擎作用。

　　三是致力打造数字人才高地，强化关键核心技术攻关。充分发挥数据要素作用，关键在于扩大高水平数字创新人才供给。要创新科技人才培养体系，将数字人才培养作为学科建设的重要内容，提升全民数字素养与技能，培养造就一大批既懂专业领域又懂数字技术的高水平复合型人才。还要提升关键软硬件技术创新和供给能力，加强数字科技基础理论研究和数字基础设施建设。

　　四是构建多方协同治理模式，筑牢数字经济创新发展安全屏障。发挥数据要素驱动创新的作用离不开强有力的安全治理，要充分发挥政府有序引导和规范发展的作用，构建政府、企业、社会多方协同治理模式。要压实企业的数据治理责任，增强企业社会责任，促进公平竞争。还要增强数据安全保障、网络安全防护等各方面能力，把安全要求贯穿数据要素赋能创新全过程。

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）