一、2017 年你所在的领域和行业有哪些重要的新成果、新发现？
转眼间我们已站在2017年的尾巴上，即将迎接2018年的到来。在人工智能、机器学习和大数据等飞速发展的当下，我们来看看2017年这些领域都取得了哪些重大进展，在2018年又会有哪些新趋势。
首先我们从大的方面聊一些数据。
今年11月底，斯坦福大学 AI 百年研究“AI 100”发布了一份“AI指数”报告，列出了 2017 年人工智能在计算机视觉、自然语言理解等方向上的最新进展，从学术论文、岗位需求等多个角度盘点人工智能进度。“AI 指数”是斯坦福大学AI百年研究的一个开放的非营利性项目，旨在追踪人工智能的活动和进展。本报告是“AI 指数”的第一份年度报告，从中我们可以通过多个视角来观察2017年AI的活动和进展。 http://cdn.aiindex.org/2017-report.pdf
学术论文：
关于 AI 的学术论文发表量激增。自从1996年以来，每年发表的 AI 论文数量增加了9倍以上。虽然自 2015 年以来论文发表量增速放缓，但 2017 年依然发表了近 2 万篇 AI 学术论文。
岗位需求：
2017年，AI 领域的人才短缺状况更加凸显，机器学习、深度学习、自然语言处理等方面人才缺口逐渐加大，尤其是机器学习。
开源工具
2017年，人工智能研究领域的开源工具使用状况更加活跃，下图展示了 Github 上 AI 和 ML 程序库的使用程度。
其中以谷歌的 TensorFlow 开源工具使用人数最多，至少8万人在 GitHub 上加了星标。
物体识别
2017年，AI 的物体识别准确率进一步提高，达到了惊人的97.5%，已经超过了人类的水平。
自然语言处理（词语解析）
2017年，AI 系统确定句子句法结构的准确率大幅提高，达到了94%。
自然语言处理（语音识别）
2017年，AI 系统的语音识别准确率达到了95%，已经达到了人类的水平。
报告也列出了 2017 年 AI 发展的一些标志性事件，比如 DeepMind 的 AlphaGo Zero 以 100-0击败了初版 AlphaGo 系统； AI 系统在分类皮肤癌任务上达到与人类皮肤科医生相当的水平；微软和 IBM 都在 Switchboard 语音识别基准测试中实现了“人类同等水平”的语音识别词错率；AI 在德州扑克比赛中击败人类等等。
2017 年人工智能领域的研究“百花齐放”，对于哪些进展最重要，我们围观的吃瓜群众也是各有各的看法，因此我们最好还是听听学界和业界的专家们的见解。
外媒 KDnuggts 今年邀请了一些机器学习、人工智能方面的专家和研究人员谈了谈他们的看法。具体来说，采访主题是：“2017 年中，机器学习和人工智能相关的主要进展有哪些？你觉得 2018 年会有哪些趋势？”参与回答的专家们会给出大约两三百字的总结式回答。
在 2016 年快要结束时，KDnuggts 也做过同样类似的活动，当时嘉宾们对 2016 年的 AI 成果和2017 年新趋势给出的答案主要围绕 AlphaGo 的成功、深度学习的风靡、自动驾驶，以及 TensorFlow 对神经网络相关技术商业化的巨大推进作用等这几个主题。对照 2017 年 AI 的重大事件来看，业界对 2017 年新趋势的判断相当准确。
集智从今年的回答中选取了10个最具代表性的见解，涵盖了 AI 研究者、从业者和创业者，编译如下：
Xavier Amatriain，Curai联合创始人兼CTO、Quora前工程副总裁、NetFlix研究与工程总监。
如果要我选一个今年 AI 发展的最大亮点，我会选择 AlphaGo Zero。不仅仅是因为这项新技术推动了很多富有前景的技术领域的发展（例如深度增强学习），还因为它代表着一种里程碑式的转变：模型的学习可以不再需要数据。最近我们也知道了 AlphaGo Zero 泛化到了其他棋类上比如国际象棋、日本将棋等。我在Quora上曾专门对此做过解答，我认为这是一项影响非常深远的发展。如果我们看看AI在工程方面的进展。2017年年初，Pytorch逐渐受到热捧，开始挑战TensorFlow的地位，特别是在研究领域。TensorFlow也不甘示弱，迅速反应，将动态网络引入TensorFlow Fold中，作为回击。科技巨头之间的“AI争夺战”同样在其它方面爆发，但争夺最激烈的是围绕云服务的竞争。参与这场战争的所有主要玩家都在今年迈出了实打实的步子，增强了在云端对AI的支持。亚马逊在AWS中加入了许多创新功能，如最近发布的Sagemaker可以帮助用户在云端搭建和部署机器学习模型。同样值得一提的是，今年有些规模较小的竞争者也加入进来。比如英伟达近期发布了自家的GPU 云，希望成为另一个训练机器学习模型的有力选择。抛开这些竞争不谈，我很高兴看到业界在必要时能通力合作。神经网络的最新型ONNX标准得到大部分开发工具的支持就是一个例子，它是我们保证工具互用性迈出的重要一步。2017年，社会对AI的争论也愈演愈烈。埃隆·马斯克不断抛出观点，认为我们离能屠杀我们的AI是越来越近了，引起了很多人的恐慌。还有很多关于未来几年AI对人类工作影响方面的讨论。最后，我们也开始更多的关注AI算法的透明度和偏见的问题。
Ajit Jaokar，普林斯顿大学数据科学家、牛津大学物联网数据科学课程创始人。
2017年可以说是AI之年，而2018年会成为AI的成熟之年。我们已经在AI领域逐渐增多的“系统工程和云支持”技术看到这一趋势。AI正变得越来越复杂，但像h2o.ai这样的公司也在努力让部署AI变得越来越简单。我注意到，今年使用AI技术的企业逐渐在竞争中建立了优势，特别是在工业物联网、零售和医疗领域。我也看到各个规模和领域的企业正在迅速部署AI技术。如此一来，我们已经走过了争论Python和R语言哪个好、怎么识别阿猫阿狗这些初级阶段。今年“嵌入式”AI的发展也让人工智能将传统行业企业与更广泛的供应链融合在一起，比如数据科学模型在企业和物联网领域的蔓延。最后，我觉得懂AI和深度学习技术的数据科学家人才会继续短缺，尤其是在急需借助AI转型的传统领域比如银行业。
Pedro Domingos，华盛顿大学计算机科学和工程学院教授。
AI在德州扑克竞技上打败人类，这表明人工智能也将成为不对称信息博弈中的霸主。无人驾驶领域和虚拟助手领域的竞争愈发激烈，而亚马逊的Alexa在虚拟助手市场已经遥遥领先。谷歌、亚马逊、微软和IBM之间在云AI服务上的竞争不断升级。
Hugo Larochelle，谷歌科学家、加拿大高等研究院机器学习与脑计划项目副主任。
今年机器学习出现的一个新趋势让我非常兴奋，那就是元学习（meta-learning），它可以广泛应用在各个方面。不过今年最让我觉得激动的还是少量学习（few-shot learning）方面的研究进展，少量学习研究就是如何找到只需要寥寥几个样本就可以得到很好的泛化效果的算法。Chelsea Finn写过一篇很好的文章，介绍了今年上半年这个领域中的研究进展（http://bair.berkeley.edu/blog/2017/07/18/learning-to-learn/）。值得一提的是，当前机器学习领域出现了很多成绩斐然的在读博士生，Chelsea Finn今年绝对是产出最多、最令人印象深刻的人之一。
今年下半年，更多研究员发表了他们关于小样本学习的元学习的研究成果，有的用深度时间卷积网络（deep temporal convolutional networks） (http://arxiv.org/abs/1707.03141)，有的用图神经网络（graph neural networks） (http://arxiv.org/abs/1711.04043)，等等。我们也看到了用元学习的方法做主动学习 (http://arxiv.org/abs/1708.00088)、冷启动项目推荐 (http://papers.nips.cc/paper/7266-a-meta-learning-perspective-on-cold-start-recommendations-for-items)、小样本分布预测 (http://arxiv.org/abs/1710.10304)、强化学习 (http://arxiv.org/abs/1611.05763)、层次化强化学习 (http://arxiv.org/abs/1710.09767)、模仿学习 (http://arxiv.org/abs/1709.04905) 等等许多研究。
元学习是一个非常有趣的研究领域，在整个 2018 年我一定会密切关注这个领域的发展。
Nikita Johnson，RE.WORK 创始人。
2017 年见证了机器学习和人工智能的巨大发展，特别是最近 DeepMind 的增强学习算法仅仅自学4小时后就打败了世界上最强的国际象棋程序。我预计 2018 年，无人驾驶技术的应有会更加广泛，从传统制造业到零售业到公共事业都会用到。随着数据收集和分析不断增加，企业建立自己的自动化系统战略会变得十分重要。而这也能让企业从长远的角度投资AI研究，优先将 AI 视为保证企业未来发展的途径。同样，自动学习系统也让这项技术更容易被非 AI 研究者所使用，从而让更多企业将机器学习方法应用在工作中。
Charles Martin，数据科学家、机器学习、人工智能顾问。
2017 年，我发现深度学习 AI 平台和应用的井喷式增长。年初Facebook 就发布了 PyTorch，开始挑战TensorFlow。Gluon、Alex、AlphaGo 等等各种新进展不断出现。机器学习在不断发展，从特征工程和逻辑回归发展为阅读论文、应用神经网络、优化训练参数。在我为企业做顾问经历中，客户们开始寻求为企业量身打造的目标识别、高级自然语言处理以及强化学习的解决方案。AI正在悄悄地发生革命，零售业的大衰退表明 AI 会把传统行业搅得天翻地覆。许多公司开始谋求转型，在 AI 方面寻求技术和战略指导的需求水涨船高。2018 年AI发展已经会有突破性的进展，“AI第一”的经济模式将开始普及。欧洲、亚洲、印度甚至沙特的企业纷纷提出需求。随着中国和加拿大不断在 AI 方面做出创新、印度等国从 IT转型为AI，全球公司对借助AI实现变革的需求会越来越多。因此，针对企业的培训会有很大的市场，不管是在美国还是其它国家。AI 会大幅提高生产效率，制造业、医疗、金融等传统行业也会从中受益。AI初创公司将会带来新的 AI 产品。从机器人到无人驾驶汽车的新技术也会不断带来更多震惊世人的进展。
2018年会是充满精彩创新的一年。
Brandon Rohrer， Facebook数据科学家。
2017年值得注意的事情是出现了更多机器打败人类的事件。去年，AlphaGo在人工智能发展之路上达到了一个人们期待已久的里程碑成就：打败了人类最强的围棋选手。而今年的 AlphaGo Zero从零开始自我学习，远远超越了自己的老版本。它不仅仅是打败了一个人类，它打败的是所有人类的围棋经验的总和。还有一件更具现实意义的事，把Switchboard里的电话聊天录音转成文字，机器现在也能做得和人类一样好了 (http://arxiv.org/abs/1708.06073)。不过，人工智能的成就依然非常窄且脆弱，人类只要改变图像中的一个像素就可以骗过当前最好的图像分类器 (http://arxiv.org/pdf/1710.08864.pdf)。我预测2018年中会出现更通用、更强悍的 AI 解决方案。而且，几乎各大科技公司都已开始努力研究通用人工智能。最后，我觉得2018 年的时髦词汇将会是“通用人工智能”（AGI），而不再是 2017 年的“人工智能”（AI）。
Sebastian Raschka，密歇根州立大学应用机器学习&深度学习研究员、计算生物学家、《Python 机器学习》作者。
过去几年中，开源社区里一直在热烈讨论各种新出现的深度学习框架。现在，随着这些工具慢慢变得成熟，我希望，我也期待能看到大家的研究方法会更少地依赖工具，大家可以把更多精力投入摸索和实现新想法，以及深度学习的实际应用。具体来说，我期待看到GANs 和 Hinton新提出的“胶囊网络”可以解决更多有趣的问题，这两件事都是今年的讨论热点。还有，我们最近的一篇半对抗性神经网络（semi-adversarial neural nets）的论文中提到可以从面部图像解读出隐私信息，所以我认为深度学习应用中的用户隐私也是一个非常重大的问题，我希望以及期待这个话题在 018年能获得更多的关注。
Elena Sharova，投资银行数据科学家。
2017 年机器学习和人工智能相关的主要进展有哪些呢？我认为是，越来越多的公司和个人开始把他们的数据和分析转移到基于云的解决方案上，同时人们也纷纷深刻认识到数据安全的重要性。最大、最成功的科技公司们都在进行激烈竞争，想要成为人们的数据存储和分析工具平台。对于数据科学家来说，这意味着他们研发的工具包和解决方案很大程度上取决于这些平台提供了多少功能以及功能表现如何。
2018 年会有哪些趋势？在我看来，确保技术研究遵守全球数据保护协定 (GDPR)，以及继续补上“欠给”机器学习技术债，将会是 2018 年的重点趋势。GDPR 作为欧盟的协定，对全球的商业都有约束能力，所有的数据科学家也都应该了解这将如何影响他们的工作。正如谷歌的NIPS 2016 论文所说，围绕数据构建业务耗资巨大，随着企业创建出越来越复杂的数据驱动模型，它们需要仔细考虑考虑如何解决庞大的成本问题。
Rachel Thomas，Fast.ai创始人、旧金山大学副教授。
我认为，2017年最棒的AI趋势是各种深度学习框架都变得更加简单易用、更具人性化，虽然这些进展没有AlphaGo或者波士顿动力会翻跟头的机器人那么引人注目。Facebook今年发布的 PyTorch 对任何会 Python 语言的人来说，都非常易于上手（主要是由于动态计算和OOP设计）。甚至 TensorFlow 也在向着这个方向发展，把Keras应用进核心代码库内，并且宣布了eager execution（动态执行）。程序员们使用深度学习的门槛正在渐渐降低。我预计 2018 年这个趋势会持续下去，这些深度学习框架和工具会越来越方便易用。第二个趋势是，2018年我们会看到更多关于AI伦理的讨论，而不仅仅是像埃隆·马斯克一样害怕邪恶的超级人工智能即将到来。
看完这些数据和 AI 专家们的解读，相信我们对 2017 年 AI 领域的进展有了更清晰的认识，而这只是AI 发展的起点，明年会有更多的成果等待着我们去盘点。2018，我们不见不散。
快加入学习人工智能的行列里来吧！
从干货到练习题，你想要的人工智能知识资源，都在这里（十一月）
二、新发现特点？
十个项目分别来自8个省和自治区，其中河南有3项入围。那么，这十大考古新发现都呈现哪些特点呢？
遗迹多样，内涵丰富，涉及年代全，覆盖地域广是其总体特征。从地区看，既有深埋黄土地下的中原文明，也有分布江浙沿海的精美遗存；有来自西南地区的考古新探，也有边疆地区的历史回声。从时间看，从史前考古到夏商周考古，再到秦汉之后的考古，跨越时代之久，可以说是“一眼万年”。从遗址类型看，包括人类起源的洞穴遗址、沿海常见的贝丘遗址、体现社会复杂化的原始城址、关乎民生的粮仓聚落、视死如生的墓葬等。
据中国考古学会理事长王巍介绍，此次获选的十大考古新发现中，和统一多民族国家形成有关的项目就占了5项，包括吉林图们磨盘村山城遗址、西藏札达桑达隆果墓地、河南伊川徐阳墓地等，“这体现了中华民族共同体的形成有其历史渊源，十分重要。”此外他指出，从时代先后看，秦汉之后的项目的占比超过一半，可见历史时期（中国秦汉及之后的时段）的考古越来越受关注。
三、2017十大考古新发现有哪些地方入选？
2017年中国考古新发现的6个入选项目，分别为新疆吉木乃县通天洞遗址、济南市章丘区焦家新石器时代遗址、福建明溪县南山遗址、湖北京山县苏家垄周代遗址、河北行唐县南桥镇故郡东周遗址、吉林安图县宝马城金代遗址；公布了6个入围项目，分别为广西隆安县娅怀洞遗址、陕西高陵县杨官寨遗址庙底沟文化墓地、甘肃宁县石家东周墓地、西安市秦汉栎阳城遗址、山东青岛市黄岛区土山屯汉代墓地、四川眉山市彭山区江口沉银遗址；还发布了1项国外考古新发现，即蒙古国后杭爱省和日门塔拉匈奴城址。 跨度很大，不同年代的发现都致力于建立各地文化谱系 每年的六大考古新发现，基本上都致力于建立各地的文化谱系、填补时空上的空白。
不管是远古灰堆、还是农作物遗存，不管是出土的青铜器、还是城市建筑遗迹，都为我们研究历史画卷提供了重要线索。
通天洞遗址位于新疆阿勒泰地区吉木乃县托斯特乡阔依塔斯村东南部萨吾尔山内的一个洞穴中，因为洞穴顶部花岗岩风化塌陷，形成了一个自然天窗，由此得名。
考古队将已发掘部分划分为14个地层单位，经测定，旧石器时代地层的年代距今4.5万年左右。
在其中的旧石器时代文化层中，发现了原位保存的3个灰堆，直径50—70厘米，呈现较规整、边界清晰的圆形。据新疆文物考古研究所研究员于建军介绍，灰烬堆积和数量众多的石制品、动物化石遗存表明，通天洞遗址为当时古人类生活居住之所。而浮选得到炭化的小麦、青稞，距今已有5000—3500年之久。
南山遗址则在山顶发掘区发现了福建省内迄今最早的蓄水池遗址、大量柱洞、灰坑，反映了当时山顶生活的史前人群规模。
社科院考古所副研究员周振宇表示，主要居住区由洞穴向山顶的转变，展现了南山先民独特的山顶、洞穴相结合的空间利用特征。 此外，南山遗址浮选出土了丰富的农作物遗存和相关的农田杂草遗存，出土的水稻是目前武夷山东麓地区发现的最早水稻遗存，出土的粟、黍也是目前整个华南地区，包括岭南和武夷山脉以东地区最早的小米遗存。
这些都为开展史前人类资源利用行为研究，以及植物栽培、演化、传播研究提供了丰富的材料。
而苏家垄周代遗址被确认为包括墓地、建筑基址、冶炼作坊的两周至春秋早中期的曾国大型城邑，首次发现了曾国大规模冶铜遗存。
出土的鬲、簋、壶等多件青铜器有铭文“曾伯桼”，该器群可与传世同人所作“金道锡行”青铜簠对应。
大面积的冶炼遗存、出土铜锭、青铜器，以及“曾伯桼”器群关于“金道锡行”的记载等资料，展现了曾国青铜器从冶炼、生产到流通的诸多环节，对探讨春秋时期诸侯国青铜手工业的生产和管理，探讨汉淮与中原地区之间的金属资源流通有重要意义。 补全缺环，为各个时期的研究提供全新资料 苏家垄周代遗址中的墓地还出土了曾侯仲子斿父九鼎、埋葬七车的车马坑、规模宏大的聚落等，暗示这里存在作为曾国都城的可能性。
湖北省文物考古研究所所长、湖北省博物馆馆长、研究员方勤说，该遗址是与叶家山、郭家庙、文峰塔、擂鼓墩等地点并存的曾国考古发现，这些发现建构了传世文献中并不明确的曾国，并使之成为周代物质文化面貌最为明晰的诸侯国之一。
焦家新石器时代遗址延续时间较长，主要遗存为大汶口文化中晚期。
据山东大学历史文化学院副院长、副教授王芬介绍，通过该遗址取得了一批大汶口文化中晚期的埋葬和祭祀材料，墓葬等级分化明显，大型墓葬都有重椁一棺或一椁一棺，随葬玉器数量最多可达70件，中型墓葬的葬具为一棺，随身佩带小件的玉石、蚌类装饰品，而小型墓葬多无葬具，无随葬品或仅见少量陶器、骨器、蚌器等。此外，南区大墓附近还发现集中分布的十几座祭祀坑，坑内或是堆满打碎的陶器，或是埋葬整狗、鹰等。 同样是殉兽，故郡东周遗址二号车马坑前单独设殉兽坑，坑内分层埋放大量的牛、羊、马头蹄，形制独特，是考古发掘中首次发现，为研究先秦时期丧葬祭祀用牲乃至赗赙助丧制度提供了全新资料。 河北省文物研究所研究馆员张春长表示，初步认定该遗址为春秋晚期至战国前期北方戎、狄族群的贵族墓地和战国前期居住址，墓葬以积石墓为主，5组相对集中，各有3—5座墓葬和1—2座车马坑。部分墓葬壁龛置铜器或殉羊头蹄，个别填土有猪、狗殉牲，腰坑随葬铜器，葬具有一椁一棺、单棺、无葬具的区别。车马坑特点鲜明，一号车马坑一车三马，犬佩铜铃，四至七号车马坑布局相似，车坑内殉车，与分层填埋牛、羊、马头蹄的殉兽坑共用生土隔梁，中有一槽相通。 特色各异，对探索中华文明多样性具有深远意义 故郡东周遗址中出土的墓葬狭深积石、直刃匕首式短剑、金盘丝耳环、别具一格的车马装饰，以及流行殉人、大量殉牲，在同时期的中原各国极为罕见，是北方族群自有特色，同时，车马埋葬制度，青铜器、陶器纹饰、造型、器物组合等又深受中原文化影响。这为研究戎狄族群华夏化于中华民族多元一体格局的形成提供了极为珍贵的资料。 宝马城金代遗址位于吉林省安图县二道白河镇西北4公里处的丘陵南坡上，相传唐代有将军东征高丽时在此获得宝马，故而得名。据吉林大学边疆考古研究中心副教授赵俊杰介绍，考古队已大体完成了对城市内主要建筑遗迹的发掘，整体布局与以中岳庙、西岳庙等为代表的宋金时期皇家山岳祠庙非常相似，凸显其规格之高。金大定十二年（1172年），金世宗效仿中原皇帝封禅五岳之举，封长白山神为兴国灵应王。宝马城选址是经过精心考量的，占据区域内最为高敞的地利，城内建筑轴线的南向延长线正对长白山主峰，天气晴朗时，主峰尽收眼底，体现其超然的地位。该遗址的发掘，不仅是金代历史和考古的重大发现，也是边疆考古和北方民族考古的重大突破，对了解当时社会生活和文化认同，研究金王朝对东北边疆的经略，以及南北方文化的交流互动，探索中华文化多样性、多民族统一国家的形成发展具有深远意义。 除了东北地区，东南地区也有不同文明交流的蛛丝马迹。南山遗址出土人骨的体质人类学特征与泰国、越南等类似遗址出土的人骨特征十分相似。北京大学考古文博学院副院长张弛推测，这也许说明如今属于异国的两地区，当时已有人员往来，自然也会有文明交流。 而在西北地区，通天洞遗址的文明交流意义同样重大。在遗址的旧石器时代文化层中出土遗物包括数以千计的石制品与大量动物骨骼碎片，总体显示出旧大陆西侧旧石器时代中期文化特征，在国内同时期遗址中十分独特，填补了中国缺少典型旧石器时代中期莫斯特文化类型的空白，为进一步探讨亚欧大陆东西两侧史前时期人群迁徙、交流、扩散等问题提供重要线索。
四、新发现5油耗？
路虎的车的油耗比较高的，大概百公里要12升以上
五、考古新发现何为新？
这个问题问的好，现代考古发掘基本上分为信史前后两个阶段。通过考古对有文字记载的历史进行验证，自然不能被称为新，而现代考古发掘中所发现的新石器时代、旧石器时代以及猿人、类人猿能称为新吗？在我看来也已屡见不鲜，什么才是最新的考古发现呢？
我的意见是能填补历史空白的才是最新的，那人类历史的空白是什么呢？
毫无疑问是从旧石器时代走向新石器时代的过渡时期，准确的说是寻找人类筑巢定居之地的时空坐标，筑巢定居之地才是人类文明的摇篮，是目前人类历史上唯一的空白，也只有这一发现才能被称为考古发现的最新。
六、云南新发现的民族？
独龙族
独龙族是云南特有的、人口较少的7个少数民族之一。
也是云南省人口最少的民族，约7000人，使用独龙语，没有本民族文字。
独龙族原有原始群婚的习俗，现已不存在。
男女均散发，少女有纹面的习惯。
独龙族人相信万物有灵，崇拜自然物，相信有鬼。
独龙族主要生活在云南怒族自治县的独龙江河谷及怒江两岸。
七、2021新发现的行星？
今年春天（2021年4月），莱顿大学的天文学家宣称发现了一颗相反类型的地外行星，一个被称为YSES 2b的巨大地外世界，它绕行其恒星的轨道比之前发现的典型地外行星的轨道都要远的多。
八、2017年畜禽养殖场规模标准？
2017年规模标准：生猪年出栏量500头以上，奶牛存栏量100头以上，肉鸡/肉鸭年出栏量50000只以上，蛋鸡/蛋鸭存栏量10000只以上，肉牛年出栏量100头以上，羊年出栏量500只以上，兔存栏量3000只以上。
九、南充新发现的油田？
四川南充桂花油田是中国第一大油田，是世界第二大油田，确认在四川境内，水田占地0.71万公顷，旱地1.38万公顷，油田2021年开始开发，资源充足是世界石油产量最大的油田，关于该油田的储量，截止2022年7月19日，并未对外公布。
十、新发现理念的意义？
深刻揭示了实现更高质量、更有效率、更加公平、更可持续发展的必由之路，是关系我国发展全局的一场深刻变革。新发展理念是针对我国经济发展进入新常态、世界经济复苏低迷形势提出的治本之策。新发展理念是针对当前我国发展面临的突出问题和挑战提出来的战略指引。新发展理念集中反映了我们党对经济社会发展规律认识的深化，是我国发展理论的又一次重大创新。
