“球星卡”升温，专业从业人员提醒：新手勿跟风******

　　“球星卡”升温，新手勿跟风

　　本报记者 孙奇茹

　　“一张纸片，上面画着人，最贵的那种签名卡竟然能卖好几百万美元！”一位国内著名脱口秀演员在舞台演讲时讲述了自己近期迷上NBA球星卡的故事。近两年来，继潮玩盲盒、球鞋之后，又一个“小众”收藏品开始走向台前——球星卡。

　　“小卡片”成另类投资新宠？

　　一张印有运动明星肖像的卡片，能值多少钱？今年8月，棒球名宿霍纳斯·瓦格纳的一张球星卡拍出了725万美元的惊人价格。

　　球星卡，是以篮球、棒球、足球、网球等多项运动为主的顶尖运动员形象为元素制作的卡片，是一种兼具收藏和投资价值的体育IP衍生品。在诞生之初，球星卡的意义与不少国内消费者儿时从零食包装袋里拆出来的小浣熊卡、水浒传英雄卡并无二致。1880年左右，美国烟草制造商将球员卡作为买香烟的赠品附在香烟盒中，后来球星卡逐渐成为球迷文化的一部分。

　　记者了解到，球星卡的购买、流通方式有两种：一是通过Topps、PANINI、Upper Deck等具有独家发行权的球星卡发行商购买未开箱的“盲盒”，抽中全球限量、概率低的卡则具备一定的收藏价值；二是购买已开盒、卡面内容已经明确的明卡。

　　球星卡的销售状况和价格与赛事进展、运动员的个人动态、球星卡发行的稀缺程度等密切相关。有些球星卡有球星签名，会更受欢迎。“球星卡价格还受球星比赛表现影响。如果球星因伤退出这一赛季，球星卡价格也会回落。”一位资深从业者说道。

　　业内人士透露，球星卡的成熟市场主要在北美，中国市场正处于高速发展中。

　　兴趣变现带热国内市场

　　一些较早开始玩卡的国内资深“卡友”，逐渐将兴趣变成了生意，也将这项略显小众的收藏品类逐渐在国内推广。据了解，北京目前是中国球星卡收藏与交易量最大的城市。

　　张邱昊是北京最大球星卡店的运营副总。从上世纪90年代末在小学门口围观玩具小摊上的球星卡，初中时每天放学逛卡店，到如今运营一家业内知名的球星卡店，他把对球星卡的喜爱玩成了专业。

　　资深球星卡玩家、T8收藏品廊主理人郑嘉琪从学生时代起就与球星卡结下了不解之缘，从2010年开始有规模、成体系地收藏球星卡，喜欢收藏顶级球星亲笔签名的球星卡。今年8月，郑嘉琪辞去工作开设店铺，专注于球星卡销售，开启了球星卡跨境电商之路。近期，他的店铺在eBay平台上线短短6周，累计销售额就突破20万美元。

　　“在我们平台上，每秒钟就有3张新的球星卡卡片上线。”跨境电商平台eBay相关负责人说，中国庞大的收藏爱好者和球迷基数，为市场的进一步发展奠定了坚实基础。

　　不少卡遭遇缩水三分之二

　　需要留意的是，球星卡价值波动剧烈，新手切忌盲目跟风。一位行业资深人士告诉记者，不少NBA明星球员的卡，都遭遇过从高点缩水三分之二的暴跌行情。

　　记者获悉，在“兴趣变现”案例的激发之下，部分新手抱着想“低进高出”赚一把的心态购买球星卡盲盒，希望自己能开出高价值的稀有球星卡。然而，一位北京球星卡店店主透露，整箱球星卡往往价格较高，动辄几万元到十几万元一箱，很少有人能直接买下，因此“众筹开卡”“组队开卡”成了卡友之间的常态。即便如此，卡友们也常常因为不断开盲盒的冲动而付出高昂代价。

　　从事球星卡行业多年的张邱昊提醒：“建议初入门者不要盲目拆盒，可以先从自己喜欢的球星开始买明卡，这才能真正体现体育收藏的价值，盲目追求稀有的球星卡，投入太大，风险也大。”

　　《北京日报》2022年10月14日第15版

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