2021年12月8日,德国新任总理朔尔茨及新政府内阁全体成员在柏林的德国联邦议院宣誓就职。图为朔尔茨宣誓就职。中新社记者 彭大伟 摄
彭大伟:德国和欧洲始终与中国保持对话,这一点为何如此重要?
弗里德里希:首先,我相信,在一个全球化的世界,当涉及到全人类共同面临的挑战,要使得我们的星球免于“过载”,例如在环保、气候、卫生等议题上,所有国家就都必须共同承担责任、携手合作。
我们正处在新冠大流行当中,对此有切身感受。此外消除饥饿也是重要的议题。在上述议题上,全球各国政府必须进行合作,欧洲和中国当然在这其中也承担特殊的责任。
我们都生活在同一片广袤的欧亚大陆上,我相信中国到欧洲构成一条发展之轴和稳定之轴。这条轴具有关键意义,因此德国和中国之间需要紧密地并肩前行。
彭大伟:德国新一届联邦政府希望改善德国在应对气候变化和数字化等方面的表现。这会否开启新的对华合作空间?
弗里德里希:数字化和应对气候变化不仅是政界面临的两项突出挑战,也是经济界和全体企业面临的一项重大的转型进程,这一进程必须在未来10到30年内完成。因此,数字化和应对气候变化是所有人的日程表上最优先的议题。
德国和中国刚好在上述领域拥有非常多的合作可能性。对两国企业而言,上述领域也是举足轻重的,氢能的利用便是其中一个例子,在其它很多具体领域我们两国未来也肯定会有合作。
当地时间2021年10月26日,德国总统施泰因迈尔在政府卸任仪式上将任期结束通知,正式交给担任了德国总理16年之久的默克尔。彭大伟:默克尔在卸任总理前接受的最后一次专访中表示,“德国和欧盟应该延续同中国的合作,并且双方都能够从对方身上学到东西”。您认为双方分别可以从对方身上学到什么?
弗里德里希:总体而言,我认为我们可以从中国、从中国人身上学到如何更加乐观地去看待技术领域取得的进步。德国在很多领域对革新、对新技术发展都过度谨慎,而中国人则首先看到其中的机遇,其次才去关注风险——德国的态度刚好相反。
我想德国人可以向中国人学习的是,如果能够勇于开启新的项目,并在一些地方不尽如人意、甚至暂时遭遇失败时坦然面对,同时专注于机遇,这将是很好的事情。这是我们必须向中国学习的、十分重要的一点。至于中国人能够向我们学习什么,这得由您来解答。
彭大伟:我能想到的是氢能等绿色清洁能源和技术,以及其它更多的领域——可能用“合作”比“学习”更贴切。
彭大伟:您对欧盟提出的对华关系“三分法”(“伙伴、竞争者和制度对手”)有何看法?这种“三分法”是否会导致不同体制之间的对抗甚至摊牌?
弗里德里希:德国新一届联邦政府的联合执政协议中就能找到您所提到的“三分法”。但当人们仔细看这些概念时会发现,“伙伴”是明确无误的,我刚刚已经提到了,全球各国政府采取合作才能使我们成功战胜全人类共同面临的重大挑战。在“竞争”这一层面,“竞争”与其说是指中国与欧盟、中国与德国国家之间的竞争,不如说更多地是指企业间的竞争——德国企业、荷兰企业、法国企业、捷克企业、中国企业……企业之间存在竞争。
至于“制度对手”这一提法,我必须坦诚地说,我不太清楚这到底想要表达什么,因为经过仔细思考后,我并不觉得欧盟有意愿改变其自身的政治制度,我同样也不认为中国有改变其自身政治制度的意愿。
在这一意义上,“制度对手”的问题实际上仅涉及不同权力体系之间的竞争,尤其是美国和中国之间。作为欧洲人,我们有很强的动力去确保美中对抗不走向升级,确保我们能够在一个和平的世界里携手合作。
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) [责编:天天中] 阅读剩余全文() |