亿丰彩票|亿丰彩票

汽车产业变革下半场，智能汽车如何开新局******

　　“智能汽车是汽车产业的变革性技术，已引起世界各国的激烈角逐，中国发展智能汽车也已形成共识。我们的顶层规划以及产业政策日趋完善，技术研发逐渐进入商业化创新阶段。”在近日举行的全球智能汽车产业峰会（GIV2022）上，中国工程院院士、清华大学教授、汽车安全与节能国家重点实验室主任李克强的演讲直奔主题。

　　如果说新能源汽车是汽车产业变革的上半场，那么下半场就是智能汽车。本次会议围绕“全球视角下的智能汽车发展之路”，相关院士专家、企业代表聚焦操作系统、顶层设计等话题展开了观点交锋。

　　迈过芯片这道坎是必答题

　　“汽车智能化是一项十分复杂的系统工程，需要智能汽车、智能交通、智慧城市的协同创新。”中国电动汽车百人会理事长陈清泰说，智能汽车的价值链、供应链正在加速重构，未来汽车对传统汽车的颠覆性，使传统零部件体系的50%以上都面临重构。

　　有机构预测，到2030年，芯片将占高端汽车物料成本的20%以上，软件成本占整车成本的比例，则将从目前的15%跃升至60%。

　　近年来，在“缺芯”倒逼下，我国汽车芯片设计有了快速进步。不过，中国电动汽车百人会副理事长兼秘书长张永伟坦言，如何迈过芯片这道坎，仍然是必须要解决的问题。

　　“我们必须看到我们所面临的一系列严峻挑战。”张永伟举例说，比如进口依赖、产业链技术短板、严格的检测认证以及人才短缺等问题。基于此，他提出应提升全产业链技术，建立汽车芯片标准、检测认证体系，加快国产芯片“上车”应用，加大政策支持等。

　　打造国产主流CPU架构

　　有报道称，美国太空探索技术公司创始人马斯克将推出汽车芯片，使汽车成为“四个轮子上的移动巨型计算机”。中央处理器（CPU）是汽车产业发展的关键技术之一，CPU架构也是芯片产业链的龙头，其不仅决定了CPU本身的性能，也在很大程度上引领整个芯片产业发展和生态建设。

　　“这几年国产CPU发展得很快，现在国内市场上已有六七种CPU架构并存，但这并非长久之计。”中国工程院院士、中国科学院计算技术研究所研究员倪光南直言，多种国产CPU架构并存，未来可能会造成资源分散、低水平重复等问题。

　　“这种状况如果不加以改进，若干年后，我国将缺乏能在全球市场上与X86、RAM两家竞争的自主CPU架构，从而在主流CPU方面仍将受制于人。”在倪光南看来，面向未来主流CPU市场，要聚焦开源绿色架构，发展中国芯片产业。尤其是在智能网联汽车等新兴领域，可通过充分发挥我国举国体制、超大规模市场优势和人才优势，共建绿色产业生态，增强绿色产业链、供应链自主控制能力。此外，还要通过加大对开源数据的贡献，增大国际话语权和主导权。

　　探寻智能网联汽车“中国方案”

　　在探讨中国智能汽车发展的具体问题时，针对如何加强顶层设计，陈清泰坦言，要动员多方力量，共同做好智能网联汽车的顶层布局，例如如何按照车路协同的思路对道路基础设施进行智能化改造，如何建立面向智能汽车的数据监管系统，怎样打破部门分割、形成高效协同的推进体制，都是当前非常迫切需要推进的任务。

　　“未来中国要发展智能汽车，就应该从一体化的架构体系构建和关键技术突破方面作出积极探索。”李克强剖析，考虑到智能网联汽车的技术特征及社会属性，我们难以采用国际上的单车智能发展路径，需要探索“中国方案”，要充分融合智能化和网联化的技术路线，探索适合我国智能汽车的发展方案。

　　智能网联汽车如何迈向高质量发展？李克强认为，要加强顶层设计谋划，抢抓智能网联汽车网联化、智能化的窗口期，加强产业顶层战略布局，并积极践行“中国方案”，成为全球技术趋势的引领者。

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）