彩云网论坛_百科百科

我国数字经济发展进入数据驱动新阶段******

　　1月4日，中国信息通信研究院在“第五届数据资产管理大会”发布的《大数据白皮书》(以下简称《白皮书》)显示，我国大数据技术产业整体水平大幅提升，已形成数据存储与计算、数据管理、数据流通、数据应用、数据安全五大核心领域。

　　从《白皮书》披露的数据看，我国大数据发展环境持续向好，创新能力不断增强，生态体系持续优化，市场前景广受认可。

　　从创新能力看，2021年我国发表大数据领域论文量占全球31%，大数据相关专利受理总数占全球超50%，均位居第一；从生态体系看，2021年我国大数据市场主体总量超18万家，形成了大企业引领、中小企业协同、创新企业不断涌现的发展格局；从市场前景看，2021年我国大数据相关企业获投总金额超过800亿元，创历史新高。

　　“2022年，我国在政策、人才、资金等方面持续加码，为大数据后续发展注入强劲动力。”中国信息通信研究院院长余晓晖特别指出，《关于构建数据基础制度更好发挥数据要素作用的意见》(以下简称《数据二十条》)的印发，是我国探索数据要素价值释放、做强做优做大数字经济迈出重要一步。

　　尽管我国数据生产要素制度建设再获关键政策支撑，但未来发展，还要看大数据技术产业，即五大核心领域如何应对挑战。

　　针对《白皮书》罗列的各项挑战，中国信息通信研究院云计算与大数据研究所所长何宝宏以数据流通领域为例指出，数据流通技术提供了“数据可用不可见”“数据可控可计量”的数据服务新范式，数据流通市场逐渐从“以数据产品为主”向市场驱动的“以数据需求为主”转变，挑战也越发凸显，比如，数据权属界定的场景与问题复杂，对参与数据流通的主体权利关系，理论、制度和产业实践层面均尚未形成共识；数据的估值定价尚缺乏科学、标准的评价方法；数据流通的准入、竞争等行为约束没有清晰的法律界定，配套规则不完善；隐私计算等数据流通关键技术应用不成熟。

　　谈及被列为首位挑战的数据权属界定，北京大成律师事务所合伙人张建民说：“从土地到石油，生产要素的产权界定是牵一发而动全身的大事，数据确权也是数据基础制度体系最为核心的问题，是数据要素市场化的逻辑起点和法律前提。《数据二十条》将弥合此前关于数据确权的各种分歧，引导各方将力量集中到更为细致的制度研究和设计上。”

　　数据流通的重要前提是数据开放，它所带来的安全挑战来自何处首先需要廓清，《白皮书》给予明确：数据安全责任体系构建尚不成熟，数据安全的主体责任边界模糊；具体业务场景下的技术落地仍然缺乏实践指引，数据安全管理与技术易脱钩；传统网络安全防护思路与措施无法满足当下的数据安全防护需求。

　　“对数据开放中的安全性、合规性、权益分配等方面的考量，在一定程度上阻碍了数据的互联互通与价值实现，市场因而呈现‘数据需要开放，却又难以开放’的困境。”中国电子数据治理工程指挥部技术部主任国丽认为，解决这一矛盾需要扎实的安全技术支撑，需建立覆盖产权、流通、分配、治理的一体化的数据安全与数据要素化工程体系。

　　以《数据二十条》出台为标志，我国数字经济发展从技术引领进入到数据驱动的新阶段，中国电子信息行业联合会秘书长高素梅强调，目前我国数据管理的水平仍然处于初步发展阶段，数据管理的科学性、规范性、实用性仍然影响数据要素市场的进一步培育与开拓。（刘艳）

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）