特写：“跳水皇后”郭晶晶的三次转折与四个建议******

　　中新社香港11月22日电 题：特写：“跳水皇后”郭晶晶的三次转折与四个建议

　　中新社记者 韩星童

　　11月22日，香港理工大学(理大)赛马会综艺馆内，掌声雷动，一袭黑裙衬粉色衬衫的郭晶晶，在众人簇拥下入场，随即向台下师生挥手致意，笑眼弯弯。

　　这是理大85周年校庆系列活动之一，邀请郭晶晶以“拨水见光·追逐梦想”为主题举行讲座。

　　演讲由一张郭晶晶运动员时期的出水照开启，那是她前半生的缩影。长达22年的职业生涯，带来荣耀，挫折与痛苦亦如影随形。“成功就是强迫自己坚持下去，因为有的时候不是看到希望才坚持，而是坚持下去才看到希望。”

　　学习跳水，对郭晶晶而言实属误打误撞。年幼的她为了克服对水的恐惧，在教练来学校挑选跳水队员时，她举起了手，“那时候我听到水，就以为是学游泳。”结果第一天走入跳水训练场地，年幼的郭晶晶吓坏了，拉着母亲的手掉头就走，被门口的教练拦住，教练说，既然来了，就试试。

　　这一试，就整整22年，试出了一位“跳水皇后”。

　　郭晶晶的人生也从这里开始转向，与跳水结下不解之缘。所以郭晶晶给予现场同学们的第一个建议，就是培养对专业的兴趣爱好，“干一行不如爱一行。”

　　2000年失落的悉尼奥运会，则是郭晶晶的第二个转折。那年她二度出征奥运，迫切地渴望金牌，导致身心状态差过预期，最终仅收获两枚银牌。“大家都在庆祝夺冠的时候，只有我万念俱灰，对不起自己这么多年的努力，也对不起教练。”

　　有同学举手提问：“当你没能达到目标，怎样与自己和解？因为我们做实验也常常失败。”引得台下一阵会心的笑声。

　　郭晶晶坦言，低潮期给予她思考的空间，促使她的心态发生转变。“我开始从自身出发，明白战胜自我是走向成功的关键，过程比结果更重要。”这令她成功卸下过重的得失心，转而享受训练。于是我们在奥运赛场上总能看到郭晶晶镇定自若地走上跳板，完成一次次堪称完美的翻转与入水。

　　“但其实我每次踏上跳板都很紧张，感到自己心脏扑通扑通跳。”郭晶晶笑道，奥运舞台永远没有板上钉钉的事情，每场比赛都是从零开始。也正是这种不确定性，当2008年北京奥运会舆论理所当然认定她必将卫冕，无形之间向她施加了压力。

　　她主动提起这段往事，是为以自身经验回应一位同学的提问：如何面对亲友的期待？她说不要太过受外界目光影响，脚踏实地做自己应该做、能做的事，自然会有好的结果。

　　而29岁选择退役，随丈夫霍启刚移居香港，又是第三次转折。“香港对我来说很陌生，当时确实很担心。”但随着时间一天天过去，她逐渐尝试融入这个拥有独特历史文化的国际都会，也能在记者的要求下相对流利地用粤语作自我介绍。

　　所以郭晶晶勉励青年人不要害怕为梦想闯荡，亦不用畏惧人生分岔路口的迷茫。勇敢追梦，必定拥有充满无限可能的未来。

　　讲座在阵阵欢呼和掌声中结束，理大学生金岳告诉记者，自己从小就是郭晶晶的粉丝，“那时候看奥运会，我都会搬起小板凳坐到电视机前看郭晶晶跳水，甚至在她入水的那一刻会激动得跳起来。”今天终于圆梦听偶像分享经验，她最大的收获就是做一件事一定要坚持，不要拘泥于中间的坎坷。

　　理大学生臧婉滢则从郭晶晶同样由内地移居香港的经验获得共鸣，“她提到刚来香港时面临朋友少、语言不通的问题，也分享了如何克服这些困难的经验，受益匪浅。”(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