盈彩邀请码-互动百科

物联网产业迸发创新活力******

　　【长镜头】

　　中国物联网产业规模接近3万亿元，企业数量超过8000家。其中，产业代表城市江苏省无锡市2022年产业规模预计达4000亿元，规模全省第一、全国领先。13年深耕物联网产业，无锡何以成功？带着疑问，记者来到无锡一探究竟。

　　1月3日，无锡高新区综合保税区的仓库中，无锡佳利达供应链管理有限公司客服人员吴正阳轻点手机屏幕，一家集成电路公司的报关业务流程很快办理好了。随后，他在电脑键盘上敲入代码指令，只见他身后的几台叉车，在无锡海关物联网设备的监控下搬运货物，一辆载重约10吨的无人驾驶智能网联货车装满货物，从企业仓库途径集散中心、码头，实现全程自动装载和卸货。

　　这是无锡物联网在促进集成电路产业上的一个典型应用场景。2022年，无锡集成电路产业产值突破2000亿元大关，约占全国八分之一，建成完整覆盖集成电路各环节的高新技术产业集群。

　　13年来，物联网产业在无锡逐渐发展壮大，其主要经验就是以产业需求和行业应用为导向。2009年，国务院在无锡部署建设国家传感网创新示范区。截至2022年，无锡物联网产业聚集了3000多家骨干企业，诞生了各类涉及物联网产业的已上市企业80多家和14项物联网领域国际标准。

　　无锡物联网产业发展的第二站，是给物联网企业提供后端市场。10多年来，无锡诸多企业承接的物联网工程已遍及全球60多个国家700多座城市。

　　无锡为物联网企业提供了丰富的应用场景。在新吴区旺庄养老院，每一位入住老人胸前都佩戴着一张智能定位卡，它是老人们的“贴身护卫”。无线定位技术可以获取位置信息，同时与移动护理系统、视频监控联动，老人发生突发状况时，可以一键报警。这是落户无锡的一家科技信息公司在智慧养老领域落地的一个应用场景。

　　更多的企业从无锡出发，为全国乃至全球提供物联网解决方案。在位于无锡惠山区的华中科技大学无锡研究院，中科院院士丁汉主导成功研发一款国产CAM软件——Turboworks。航空发动机和燃气轮机（简称“两机”）中包含大量空间曲面，加工过程稍有偏差，就会导致价格数十万元、上百万元的零件整个报废。作为该类零件加工工艺的载体，目前国内应用的CAM软件均被国外公司垄断。研究院服务两机产业，经过多年打磨，研发出这款从底层原始码开始、自主可控的工业设计软件，为大国重器研发生产提供高质量和定制化服务。

　　智能服装厂和传统服装厂有啥区别？走进位于无锡市东港镇的红豆男装5G智能全连接示范工厂，记者看到，衣料沿着天花板吊挂线有序流转，这头主动“找”操作工开缝，那边齐刷刷“等”自动裁剪。“之前，年产80万套西服，需要工人近1000人，现在仅需600人，且个性定制、团购定制与批量生产可混流自由切换。”工厂负责人潘家祥向记者介绍。

　　2022年，无锡市制造业增加值占GDP比重预计为四成。无锡市规划，在几年之内，帮助全市规上工业企业完成数字化诊断，进行智能制造成熟度评估，遴选一批标杆企业，进行示范推广。

　　物联网被认为是无锡的“产业名片”。“下一阶段，无锡将以‘人工智能+物联网’融合创新为主线，以智能传感、车联网、工业互联网‘一感两网’为主攻方向，着力补强卓越产业链，更高水平建设国家传感网创新示范区，加快将无锡物联网打造成世界级先进制造业集群。”无锡市委书记杜小刚信心满满地说。

　　（本报记者 苏 雁）

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）