《流浪地球2》路演票被炒至2200元？复苏中的市场更需呵护******

　　《流浪地球2》路演票被炒至2200元？复苏中的市场更需呵护

　　定价该怎么定、限定在什么样的区间里，这些还是应该由影院和片方掌握，不能任由黄牛胡作非为。既然组织了路演，那就应该组织好，绝不可敷衍了事

　　《流浪地球2》无疑是今年春节档最受关注的电影作品之一，不仅在票房和口碑上得到双丰收，也打破了续集电影不如前作的“怪圈”。骄人成绩的获得，当然和主创团队的努力与付出分不开。从正月初五(1月26日)开始，主创团队就辗转于各大城市路演，与粉丝见面交流，准备12天走12座城。

　　然而，很想和该片主要演员及创作者见见面的观众却发现，通过公开渠道很难买到路演的票，而部分城市站的路演票价最高已被黄牛叫到2200元一张，且位置随机分配，甚至还能与《流浪地球2》到场的主创人员合影，有黄牛称与刘德华合影4万元、与吴京合影2万元。这让很多该片的影迷和粉丝难以接受，业内专业人士也指出，炒作路演票，有可能给高质量影片造成负面影响，顺带伤害粉丝。

　　乘兴而来的影迷败兴而归，确实很影响他们的热情。此类事件出现，也给电影本身带来了不太正面的感观。要看到，影迷的热情和路演热度这么高，不仅源于《流浪地球2》自身的艺术质量过硬，也和中国电影市场在春节档的强劲反弹、快速复苏有关。但春节档的强势表现，似乎还不足以宣告中国电影市场已经完全“回血”。

　　单看《流浪地球2》，据悉其初期预计制作成本为6亿元，目前有说法称最终成本为11亿，另有宣发费用2亿，该片的票房需要达到39亿元才能回本。如果此说法为真，那还只是回本，尚不敢谈盈利，这可能也就解释了，明明势头喜人，该片主创为什么还要忙着在各地路演。

　　也因此，对于中国电影的市场行为，不应该随意下结论，也别忙着批判，当下的我们更应该珍惜和呵护。路演的根本目的还是吸引更多观众到影院来观影，试想，如果主创团队和影院大张旗鼓地宣传，而最终无人问津，这样只会给市场带来打击和伤害。客观地说，中国电影还在恢复元气的过程中，而这个过程也是最需要呵护的。

　　关于《流浪地球2》的路演，既然影片每天上座率有保证，而且口碑也得到了影迷的肯定，片方想必不会在路演上剑走偏锋，毕竟比起票房，路演的收入只是杯水车薪。同样，影院一般也不想因为路演的风波而影响到影迷热情，这等于搬石头砸了自己的脚。主要问题恐怕还是出在承办各城市路演的组织人员身上，有人将票放给黄牛想趁此机会捞一笔，而黄牛也借机哄抬市场价格，造成了路演的乱象。

　　说到底，整治这一不良倾向，还是要从规范市场的规则入手。从路演的组织和流程来看，影迷有机会和刘德华、吴京等演员合影、交流，还能在公开场合发言，因此票价相对较高，也不是完全没有道理。只是，定价该怎么定、限定在什么样的区间里，这些还是应该由影院和片方掌握，绝不能任由黄牛胡作非为。一句话，既然组织了路演，那就应该组织好，绝不可敷衍了事。

　　纵观这个春节档，并非每一部电影都能像《流浪地球2》一样取得好成绩，有的影片本身有可圈可点之处，但因为竞争的激烈而遭受了一定挫折。这也提醒我们，中国电影市场的健康发展，不可能单单依靠某一部影片或者某几位演员，最关键的还是要让更多观众心甘情愿地掏钱买票。哪怕只是一场电影的路演活动，也要让影迷感到满意，保护观众的观影热情，呵护复苏中的电影市场。

　　成都商报－红星新闻特约评论员 余晓

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