台媒年度“台湾民心大调查”：近六成人预测2024年民进党将下台******
【环球时报特约记者 陈立非】2022年对台湾来说是相当动荡的一年，除了疫情持续肆虐外，佩洛西8月初窜访台湾更是让两岸局势进入深水区，台湾迎来近几年最紧绷、最动荡的时刻。21日，台湾《远见》杂志公布年度“民心动向大调查”，从结果来看，受访台湾民众对2023年的经济形势并不乐观，有43%的受访者认为明年岛内经济发展会变差，56%的人认为2024年台湾地区领导人选举将再度上演政党轮替。
《远见》杂志的最新民调显示，两岸紧张的气氛在一定程度上影响岛内民众登陆意愿，愿意“西进”的民众有10.1%。旅游部分，随着疫情趋缓，各项禁令逐步解封，不少民众已开始安排未来一年的旅游行程。调查结果显示，日本仍是台湾民众出境首选，比例高达41.8%，接着依次为欧洲、大陆和美国。与去年的调查数字相比，前往日本的比例减少8.1个百分点，想去欧洲的比例有明显增加。值得注意的是，即便大多数的人都认为两岸关系变不好，然而台湾民众仍未放弃与对岸交流的机会，高达58.8%的受访民众仍认为，两岸应该增加互动，仅24.2%的民众主张减少。
最近一年，解放军战机频繁在台海实施军演，民进党当局则增加军事采购项目，并传出2023年将把兵役延长到一年，也让台海可能发生冲突的说法甚嚣尘上。《远见》的调查显示，高达53.6%的受访台湾民众不愿意亲自或让家人上战场，其中女性、泛蓝支持者、台湾民众党支持者最不乐见自己或家人上战场。从交叉分析也可以看出，岛内泛蓝、泛绿民众对上战场一事出现巨大分歧，其中泛蓝民众有高达76.7%的人不愿上战场。若以年龄层来看，最愿意上战场的族群为50—59岁，分析可能和这些人已经除役有关，因此上战场事不关己，至于最不愿意上战场的族群为20—29岁，因为一旦台海发生战事，这些人首当其冲。若两岸真的发生战事，有45.7%的受访台湾民众认为最终将走向“协议和谈”，另有13.1%认为“大陆最终获胜”，仅10.3%的人认为“台湾最终获胜”。和去年同期相比，认为“双方协议和谈”的比例增加2.9个百分点，显示岛内民众渴望和谈的信念越来越坚定。
在统“独”方面，整体而言，若将“先维持现状再看”与“永远维持现状”合并为“维持现状”，可发现“维持现状”的比例还是稳定在五成以上。
11月26日的岛内“九合一”选举，民进党创下空前惨败的“成绩”，只获得5席县市长，蔡英文被迫辞去民进党主席职务。对于这次选举结果，46.7%的受访民众表示“满意”，27.8%表示“不满意”。值得一提的是，即使是泛绿支持者，也有近两成受访人士满意这样的结果。《远见》评论称，这显示蔡英文当局的表现不仅受到反对者批评，也有部分支持者无法谅解。
接下来要登场的重头戏，也就是2024年台湾地区领导人选举，岛内民众依旧不看好民进党。调查显示，56%的人认为2022年县市长选举结果可能导致2024年选举再次发生政党轮替，24.1%认为“不可能”。与此同时，“九合一”选举结果也间接影响民众对政党的认同度，本次调查中有24.9%的民众认为自己立场泛蓝，29.3%认为自己政治立场泛绿，支持第三势力台湾民众党的比例为5.7%，自认立场中立的民众高达40.2%。与往年数字相比，泛蓝支持者比例略有增加，泛绿则有下滑迹象，至于中立选民，增加幅度最为显著。
再过几天即将迎来新的一年，但台湾多数民众对于2023年并没有太大期待。调查显示，有43%的人对明年经济发展持悲观态度，认为会变好的则为31%，创下历年来的新低，且年龄越大悲观意识越显著。
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
