佰家富app官方网站-ios/安卓/手机版app下载

世界需要怎样的人工智能？国际合作全球治理成为共识******

　　中新社北京12月5日电 (记者 孙自法)世界需要怎样的人工智能？12月4日至5日在北京举行的2021人工智能合作与治理国际论坛上，全球人工智能领域的思想领袖和实践者线上线下“云”集一堂，共商人工智能发展大计。论坛开幕式上，国际组织、政府部门和学术界代表就对人工智能的国际合作、全球治理形成共识。

　　联合国助理秘书长、秘书长技术事务特使办公室主管官员玛丽亚·弗朗切斯卡·斯帕托利萨诺表示，人工智能是联合国秘书长发布的《数字合作路线图》中提到的关键数字挑战之一。作为一项能够带来真正变革的技术，人工智能的应用也伴随着严峻挑战。在充分发挥人工智能益处的同时，需要在全球范围内进行更好的引导与合作。

　　她说，联合国秘书长在《我们的共同议程》报告中强调了要加强人工智能领域的全球监管，提议要建立一个由多重利益攸关方参与的全球人工智能合作新机构，特别强调要纳入全球南方国家及其观点的重要性。“我们必须共同努力建立普惠包容、反应迅速、且行之有效的全球合作架构，以此应对人工智能带来的各项挑战”。

　　中国科技部副部长李萌指出，中国秉持科技向善，高度重视人工智能治理。他认为，未来，人工智能治理要倡导敏捷治理理念，实现人工智能发展与安全的平衡；倡导包容共享理念，实现不同群体共享智能红利的平衡；倡导可持续发展理念，实现智能化与绿色化的平衡；倡导人类命运共同体理念，实现差异发展与合作共赢的平衡。

　　在中国工信部副部长徐晓兰看来，在“互联网+人工智能”的驱动下，人类的生活方式发生着深刻变革；在“工业互联网+人工智能”的驱动下，产业的生产方式将发生深刻变革，人工智能还将深刻影响社会治理的现代化进程。她说，中国工信部已组建智能传感器、智能网联汽车等国家制造业创新中心，推动北京等8个人工智能创新应用先导区建设等，未来还将携手相关各方，在共促人工智能持续健康发展、共建包容共享的人工智能治理规则、共创国际合作新局面等方面大力合作，为推动人工智能国际治理体系建设贡献中国智慧。

　　图灵奖得主、清华大学交叉信息研究院院长姚期智指出，随着人工智能与经济社会的相互嵌入，保持科学技术与经济社会发展之间的良性互动与协同越来越重要，这就需要做好人工智能技术开发、应用与治理之间的平衡。然而，人工智能对数字经济时代的隐私保护和数据安全也提出挑战，不断精进的算法、高效的算力和隐私保护是人工智能理论的新方向。他认为，“平衡包容”的人工智能治理体系的建构，将进一步释放人工智能的潜能，更大程度地保证人工智能的安全性。

　　作为本次论坛国际支持机构，联合国开发计划署驻华代表白雅婷表示，人工智能在疫情应对、抗击气候变化中都发挥着重要作用。与此同时，人工智能也存在算法偏见和侵犯个人隐私等风险。随着人工智能应用在世界各地愈加普及，需要就公平道德的人工智能治理体系的构建路径达成共识，国际合作至关重要。因此，要确保围绕人工智能开展的对话真正具有全球性，让每个国家都有机会发声。

　　“人工智能是第四次工业革命的标志性技术，智能时代的‘大门’已经缓缓开启。”论坛主办方、清华大学校长邱勇指出，人工智能治理必须协同多元主体、兼顾多维目标、融合多元价值，加强全球合作与对话，构建平衡包容的人工智能治理体系。大学作为人类科技文明的重要策源地，不仅要在人工智能基础理论与技术前沿努力突破创新，也要践行科技向善的文化理念，塑造良善的人工智能价值与伦理，推动建立科学合理的人工智能国际治理体系。

　　他说，清华大学高度重视人工智能领域的研究和教育，已先后成立人工智能研究院、智能产业研究院、人工智能国际治理研究院、智能社会治理研究院。清华大学将继续发挥多学科优势，努力在人工智能治理领域发挥更大作用。(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）