“无偿军援”泡汤，岛内舆论质问：美国的承诺可靠吗？******
【环球时报特约记者 程东】继参众两院分别表决通过总额高达8579亿美元的“2023财政年度国防授权法案”后，拜登签署了法案。民进党当局最期待的“无偿军援”泡汤，美国改为5年提供台湾100亿美元军援，舆论纷纷质问美国的承诺可靠吗？
美国“2023财政年度国防授权法案”涉台部分超过50页，是有史以来最长篇幅。内容涉及军事援助、对台军售、反制大陆以及美台交流等一系列议题。台湾《联合报》25日称，最受关注的是对台军援，法案授权2023—2027年通过美国国务院“军事融资”计划，提供台湾100亿美元无偿军援，每年最多20亿美元。不过根据美国立法规则，授权法案仅制定开支项目，只有拨款法案有权决定财政资金如何支配。而“2023财年综合拨款法案”并未拨款提供台湾无偿军援，仅提供最多20亿美元的贷款。美国《华尔街日报》称，台湾当局希望获得美国的无偿军援，而非贷款。但美国参议院拨款小组副主席、曾赴台强力推销波音客机的共和党参议员格雷厄姆称，对台贷款比赠款更合理，因为台湾很富裕。
其他方面，“国防授权法案”授权美方为台湾打造包括弹药及其他“适宜防卫武器”的“区域应变军备库”，并赋予台湾与北约组织南翼与东南翼地区、特定主要非北约盟友及菲律宾同样待遇，能优先取得美国“超额防卫物资”，同时煽动邀请台湾参加环太军演。此外，“拨款法案”在美国在台协会(AIT)预算下编列所谓“台湾学人计划”，提供包括美联邦政府官员等符合资格的美国公民赴台交流两年。
大陆国台办发言人朱凤莲24日回应说，这进一步表明美国内有一股势力挺台遏华贼心不死，企图在军事上武装支持“台独”分裂势力，为其递刀子、送枪炮，鼓动两岸对抗，在台海拱火，把台海推向战争边缘。她抨击民进党当局出于“台独”政治目的，顽固“倚美抗陆”“倚美谋独”，但“台独”没有出路，“倚美谋独”是绝路，任何人都不要低估中国人民捍卫国家主权和领土完整的坚强决心、坚定意志、强大能力。
台“国防部”和“外交部”24日称，法案“展现对台美关系及强化台湾安全的高度重视，敬表诚挚感谢”。《联合报》25日直言，简单来说，这是卖武器又顺便贷款给台湾，台湾“千万别高兴太早”。资深媒体人黄智贤称，美国光是用AIT在台湾指挥，已经不够用了，现在公然直接派公务员到台湾公务部门上班，“谁敢公开宣示，说上台绝对坚决抗拒美国？绝对不会对美国腿软下跪？”她说，不敢抗拒美国对台湾的控制，还说什么台湾人的尊严？
据《中国时报》25日报道，一项由美国杜克大学教授针对台湾安全进行的最新民调显示，当被问到“如果因为台湾宣布独立，大陆攻打台湾，美国政府会采取何种对策”时，选择“只提供武器”的人最多，占44.4%，然后依次为“出兵援助”(19.3%)、“只提供军事以外的援助”(13%)以及“什么都不做”(12.9%)。当被问到“台湾应加强军力还是采用比较温和的政策，以避免制造两岸紧张关系？”时，选择“采用温和政策”的人达到63.6%。调查团队成员表示，台湾民众实际上是看到美国如何援助乌克兰的情形后，“有了这种领悟”。
台湾中国文化大学政治研究所教授杨泰顺25日称，台湾未能争取到无偿军援，与美国预算拨款制度有一定关系，但“换个角度看，也只有美国这个制度，可以把台湾这个棋子玩得淋漓尽致”。《联合报》25日称，台湾如何不成为美国“抗中”的马前卒，进一步化解美国的压力，需要当局有智慧处理以及多数民众的认识与觉醒。
(环球时报)
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
