凤凰快3_凤凰快3

访谈｜进博会“五届老友”AGC：将深化植根中国的长期承诺******

　　(第五届进博会)访谈｜进博会“五届老友”AGC：将深化植根中国的长期承诺

　　中新社上海11月4日电 题：访谈｜进博会“五届老友”AGC：将深化植根中国的长期承诺

　　中新社记者 许婧

　　作为进博会的老朋友，日本AGC株式会社执行董事、AGC集团中国总代表上田敏裕在接受中新社记者专访时表示，中国通过进博会释放出“向全世界敞开大门”“中国经济强有力的发展”的信号。

　　自2018年首次参展，AGC持续借力进博会开放、合作、共赢的平台效能，共享中国发展机遇，连续五年亮相进博会。

　　上田敏裕介绍说，今年，AGC将以“碳中和”为主线，围绕“AGC创新材料，守护蓝色星球”的主题，分绿色能源、智能增效、多维创新三大板块，展示近40件全球领先的材料产品和创新成果。“我们希望用材料的力量，在EV电动车以及中国倡导的新基建领域，助力发展。”

　　除了现场展出的产品，AGC还带来新的材料项目的落地。上田敏裕透露，本届进博会期间，他将前往景德镇，与当地政府合作落实数字化精密陶瓷3D打印项目。该项目是使用AGC研发生产的新材料"铂丽砂"，依靠3D数字成型技术，经传统瓷器高温烧制上釉工艺，以浮雕为主要表现形式的瓷器艺术崭新类别。

　　AGC的前身是成立于1907年的旭硝子株式会社，于20世纪70年代进入中国，目前已在华发展40余年，深耕汽车、电视、智能手机等领域多年，实现了从产品制造向“制造加销售”的转变。

　　目前，AGC在苏州落地了全球首条大型复杂形状车载显示器盖板玻璃生产线，在深圳建成了世界上最大尺寸的液晶玻璃基板第11代工厂。相关项目把来自日本、意大利、比利时、德国等国家的350名技术人员带到中国。

　　在上田敏裕看来，对习惯藏身“幕后”的材料企业而言，进博会是一个能全方位展示自己的舞台。首届进博会上，旭硝子株式会社正式宣布从“旭硝子到AGC”的公司名称变更计划，第二届进博会上又推出了最新的中文名字“艾杰旭”。“AGC在进博会上两次推出新名字，让企业形象在中国消费者心目中逐渐清晰；进博会这个舞台，也让AGC和我本人结识了很多商界、政界的合作伙伴，收获远超预期。”

　　上田敏裕也注意到，眼下全球经济增速持续处于低位，全球化进程出现“退潮”，但他近几年仍切身感受到中国营商环境的“进化”，AGC伴随并见证着中国的发展一起成长，尤其是近20年，中国从全世界最大的工厂成为全球最大的市场，AGC中国的业务也在发生变化。

　　“长期来看，中国市场仍具有巨大吸引力。”上田敏裕告诉记者，在华外资企业十分关注中国经济和中国市场以及中国经济接下来的发展动向，如果能克服疫情带来的影响，相信外企投资会很快增加。

　　上田敏裕2017年就任AGC中国总代表，在此之前他对中国并不熟悉。今年6月，他拿到中国绿卡，“一方面证明了自己被中国社会所认可，另一方面让我坚信搭建连接日中两国的‘空中桥梁’是非常正确的事，将来应该做更多推动日中友好的工作”。

　　“双方有互相了解的机会非常重要，我愿意主动制造这种机会，对话和交流非常重要，唯如此才能解决问题。”展望未来，上田敏裕说，AGC将继续以材料产业为基石原点，进一步深化植根中国的长期承诺，为中国经济的发展贡献力量。(完)

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）