快三大发-快三大发

观千里“江山”，感知习近平眼中的“人民”******

　　(近观中国)观千里“江山”，感知习近平眼中的“人民”

　　中新社北京9月22日电 题：观千里“江山”，感知习近平眼中的“人民”

　　作者 钟三屏

　　中央党史和文献研究院法文专家戴维力(Jean DELVIGNE)的手机里，存着北宋王希孟所作《千里江山图》的扫描照片，这是他为了翻译“江山就是人民、人民就是江山”特意下载的。

　　如何为中国最高领导人习近平多次谈到的这句话找到最精准的翻译？这位外籍专家观中国山岳河流，品读中华文化，感受到“江山”在中国政治词汇中的独特意涵：“江山”是中国人对国家和政权的形象表达，与人合为一体、不可分离，人民是“江山”的核心。

　　古往今来，跨越语言、肤色和地域，国家与人民的关系始终是一个重要命题。执政者如何认识和感知“人民”，也是一门“世界语”。

　　“江山就是人民、人民就是江山”，习近平道出了当代中国对“人民”的理解。

　　以世界背景为参照，更能感知习近平这句话的“中国味道”。

　　戴维力从西方文化中为它找到了一个对应的表达——拉丁语短语“Vox Populi, Vox Dei”，意思是“人民的声音至高无上”。

　　在戴维力看来，中国政治家所说的“江山”象征一种天然有机的权力，“天人合一”，“江山”和“人民”融为一体，就像人们日常喝水、用水种地一样“无法分开”。而西方人通常认为人和大自然是分开的，西方的政治、制度和哲学都在讲“分离”，这是中西方最根本的不同。

　　“如果我们从政治理论来分析‘江山就是人民、人民就是江山’，这句话就像习近平在说‘我们的政治制度和我们的人民不分离’。”戴维力说。

　　从历史角度看，今日中国执政者对人民的认知，以中华传统文化为“源”，以中国社会土壤为“根”。

　　中国人千年前就提出“民惟邦本，本固邦宁”“天地之间，莫贵于人”，把人摆在社会和价值体系重要位置。在论述关于国家制度和治理的丰富思想时，习近平多次强调民本观念对执政的借鉴意义。

　　在继承爱民利民、富民惠民等理念基础上，中共提出“党在任何时候都把群众利益放在第一位”的人民立场，赋予民本新的时代价值。习近平强调，中国共产党“根基在人民、血脉在人民、力量在人民”。

　　中国共产党探索本国道路的百年史，也是一部“人民观”的践行史。

　　在中国著名的政治地标北京长安街上，中南海新华门内影壁上的“为人民服务”五个大字，就是百年基因最显性的表达。

　　习近平指出，“打江山、守江山，守的是人民的心”。在观察家看来，习近平关于“江山”和“人民”关系的阐述，究其本质强调的是“人心向背”这一根本性问题。

　　放眼世界，“治乱兴衰”的案例屡见不鲜。习近平反复用“塔西佗陷阱”“霸王别姬”“历史周期率”等经验教训告诫全党，“政之所兴在顺民心，政之所废在逆民心”。

　　戴维力还观察到，中共执政者与西方现代国家的一个区别，是不仅代表人民，还带领人民，“通过说服人民，让人民赞同，带领人民去做伟大的事业”。

　　从“人民江山论”视角出发，中共把人民看作江山本身、视为建政执政的价值所在，也为跳出历史周期率提供了启迪。

　　“‘江山就是人民、人民就是江山’，这就像是一句可以雕刻在人民大会堂外观上的话，代表了一个最重要、最基本的原则。”戴维力说。(完)(图片素材来源：新华社、中新社、中新网)

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）