这个1973年出生县委书记梁展凡非常优秀[good]明确要求每个政协委员至少要装两个人工智能软件，必须的！第一个DeepSeek，你必须要会用；第二是豆包，因为豆包的基础比较好。
睿智中年：广西宾阳县委书记梁展凡：每个人都要学会使用AI！
1️⃣是deep seek
2️⃣是豆包，基础比较好，
近期在县政协会议上明确提出要求，所有参会人员必须掌握人工智能工具的使用，尤其是国产大模型DeepSeek和豆包。
梁展凡的履历与技术倾向：
他是管理学博士和持有注册安全工程师，梁展凡曾主导交通基建与灾害应对！
他的技术背景可能促使他更重视AI在治理中的应用。例如，他曾在2024年5月实地检查高速公路塌方灾情，这种实践经验或强化其对技术辅助决策的认可！
这一要求不仅是地方数字化转型的具体举措，更反映了基层政府应对技术变革的战略考量
县委书记提出“每个人都要学会使用AI”，主要出于以下几方面考虑：
提升工作效率
• 信息处理与分析：AI能快速处理和分析海量数据，如经济数据、人口数据等，为决策提供准确依据，节省人力筛选和分析时间。
• 文案撰写与处理：可以协助撰写公文、报告、方案等，提供创意和思路，还能进行语法检查和格式调整，提高文案工作效率。
• 流程优化：自动化完成一些繁琐、重复的工作流程，如政务审批流程中的部分环节，减少人工操作，提高整体工作效率。
优化公共服务
• 精准化服务：通过分析居民需求和行为数据，AI能帮助政府提供更精准的公共服务，如根据人口分布和需求热点合理规划教育、医疗资源布局。
• 智能化服务：智能客服、智能导办等AI应用可在政务服务大厅、线上平台等为民众提供24小时服务，及时解答问题、办理业务，提升民众办事体验。
推动经济发展
• 产业升级：助力传统产业进行技术改造和创新，如在制造业中实现智能生产、质量检测，在农业中进行精准种植、病虫害监测，提高产业竞争力。
• 招商引资：了解AI产业发展趋势和前沿技术，便于在招商引资中精准对接AI企业和项目，吸引相关产业落地，培育新的经济增长点。
提升干部能力与素质
• 适应时代发展：AI是未来发展趋势，干部学会使用AI，能紧跟时代步伐，提升自身综合素质，更好地履行职责。
• 培养创新思维：接触和使用AI可激发干部的创新思维，促使他们在工作中探索新方法、新模式，提高解决问题的能力。
提升社会治理水平
• 风险预警与防范：利用AI的数据分析和预测能力，对社会稳定、安全生产、环境污染等风险进行实时监测和预警，提前采取措施，防患于未然。
• 辅助决策支持：在制定政策、规划项目时，AI能提供多角度的分析和预测，为县委书记等领导干部提供科学的决策参考，使决策更具科学性、合理性。
澎湃： DeepSeek最新技术论文梁文锋是共创之一 【 杨植麟梁文锋论文撞题 ，“注意力机制”对大模型意味着什么】2月18日，在大洋彼岸的马斯克秀出最新大模型Grok 3当天，国产AI公司深度求索（DeepSeek）最新一篇论文引发关注，创始人梁文锋在署名之列，并2月16日提交到预印本平台arxiv。这篇论文的核心关于NSA(Natively Sparse Attention，原生稀疏注意力)。据DeepSeek，上下文建模对于下一代语言模型至关重要，但标准注意力机制的高计算成本带来了巨大的计算挑战。NSA（稀疏注意力）在提高效率同时，为提高模型能力提供新的方向，实现将算法创新与硬件对齐的优化相结合，进行高效的长上下文建模。
“此次DeepSeek发布的论文，可以称为基石更新。”业内人士向澎湃新闻记者评论，此前的DeepSeek-R1的瓶颈在于输入上下文能力方面相对不足，此次更新正是解决了原先大模型文字处理的问题。从内容来看，NSA主要针对长上下文高速训练，在长上下文情况下，相比原先的结构有更慢的性能衰减，这导致长思维链的 COT 效果会更好，对于复杂数学推导非常有价值。
值得注意的是，此次论文作者中，梁文锋在作者排名中位列倒数第二。而第一作者是袁景阳（Jingyang Yuan）。据公开信息，袁景阳目前是北京大学硕士研究生，研究领域包括LLM和AI for Science，目前是DeepSeek的实习生，据袁景阳个人主页，他在去年参与7篇论文的撰写。
2月18日，就在DeepSeek论文发布当天，月之暗面创始人杨植麟也带领团队发布最新论文《MoBA: MIXTURE OF BLOCK ATTENTION FOR LONG-CONTEXT LLMS（直译为“MoBA：面向长上下文大语言模型的块注意力混合方法”）》，提出了与NSA类似的稀疏注意力框架MoBA，并设计了一套可以自由切换全注意力和稀疏注意力机制的方式，为已有的全注意力模型更多的适配空间。
据介绍，MoBA是“一种将混合专家（MoE）原理应用于注意力机制的创新方法”，旨在提高长文本处理效率。经过Kimi平台验证，MoBA架构能将处理1M长文本的速度提升6.5倍，将处理10M长文本的速度提升16倍。
Kimi团队表示，开展这项研究的原因在于，在传统注意力机制中，计算复杂度随着序列长度的增加而呈平方级增长，阻碍了模型对长序列的高效处理。MoBA架构能够轻松融入现有模型，不需要高昂的训练成本，并实现与全注意力模式的无缝切换。
