努力做“把命令下达清楚”的基层指挥员******

　　下达命令，务必清楚明确

　　■杨元超

　　不久前，我作为基地前进指挥组成员，随某旅夜间火力突击演练分队跟训。部队出发前，发射连连长在班排骨干会上提了不少要求。我旁听了一会儿，觉得他说的有些空泛、不够具体。比如，要求遭“敌”精准打击时各车灵活处置，却没说何时进行伪装、能否脱离梯队自行疏散隐蔽；安排兼职卫生员在出现人员“伤亡”时迅速处置，却对兼职和本职工作冲突时哪个优先没有明确；强调严格按规程操作，却对紧急情况下容易变形走样的环节没有强调提醒……而这些，恰恰是班排骨干最关心的点，也是他们在会后最需要给所属战士明确的。再一看听了连长讲话的骨干们，很多也是一脸茫然的样子。

　　回想起自己担任指导员的经历，“把命令下达清楚”，也是战士们给我上的第一课。记得上任不久，我连就参加了一次阵地外围警戒任务，事先我只给各警戒小组大体划分了范围，对一条平时很少有人车经过的“断头路”却没指定责任人，只说“有情况各小组兼顾一下就行”，结果当晚的导调课目恰恰是小股“敌特”从这条路上潜入。由于相邻两个小组在警戒巡逻时都对这条路“一带而过”，导致“敌人”差点渗透到装备附近，要不是操作号手及时发现，整个发射行动就失败了。

　　任务结束，我把责任归咎于警戒人员主动作为意识不强、不知及时补位，还当众批评了这两个小组。但我从战士们的眼神中感到，他们感到很委屈，甚至有些不服气。事后，副连长找到我开诚布公地说：“这次真不能怪战士们，怪就怪你没有把命令下达清楚。”

　　一语点醒梦中人。循着副连长的话反思，我发现自己除了这次任务外，在日常工作中也有不少命令下达不清的情况。开连务会部署工作，有的骨干几乎不动笔记录；晚点名讲评工作，队列里明显有人心不在焉……细细回想，出现这些现象的原因就是当时自己讲了不少正确的废话和“两头堵”的车轱辘话，而对官兵迫切想知道的“我该干什么、怎么干、达到什么标准”等，却囫囵吞枣、语焉不详。

　　认识到自己的问题后，再下达命令、布置任务时，我努力做到把方向目标指清楚、把标准要求尽可能量化到“米秒环”、把责任压实到具体人。如此一来，开会的时间变短了，任务却安排得明明白白。后来，有不少骨干反映，指导员讲话终于能说到点子上了。

　　战士们的鼓励，引发我更深的思考。作为一线带兵人和基层指挥员，“把命令下达清楚”很难吗？想想其实并不难，关键在于下达命令前一定把情况弄清、把任务想透，下达的命令一定要简明扼要、易于理解、具体可行，同时明确重点难点堵点，并给出相应的解决方法。战场上、工作中，固然需要官兵们发挥主观能动性，但绝不能因此而在安排任务时含含糊糊、大而化之，更不能故作高明地卖个关子，让部属去揣摩和猜测。因为，只有上级把话说清楚，下级才能把事干明白。

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