第1444章 盘古大模型（1/2）

他顿了顿，看向在座的董事们：

“我知道，在座有些同事最初对盘古的定位有疑虑。

为什么不做一个像gpt那样的通用对话大模型？

为什么不追求千亿参数？

今天，我想用事实回答这个问题。”

屏幕切换，是一张对比图。

盘古 vs. 通用大模型：定位差异

目標用户：行业专家 vs. 普通消费者

核心能力：预测、分析、决策 vs. 生成、对话、创作

评估指標：业务指標提升率 vs. 对话流畅度

商业化路径：解决方案销售 vs. 会员订阅

“盘古从诞生第一天起，定位就是『ai for industries』，为產业服务，解决实际问题。”

辛玉良的声音很坚定，“我们不做聊天机器人，我们做的是能让煤矿工人穿西装打领带上班的工具，是能提前三天预测颱风路径的系统，是能发现新药物分子的实验室助手。”

他切到下一张ppt，是盘古的“5+n+x”三层架构图。

“这是我们设计的架构：

l0是五大基础模型（nlp、cv、多模態、预测、科学计算）；

l1是n个行业大模型；

l2是x个场景化应用。”

辛玉良详细解释：

“这个架构的优势在於：

第一，基础能力可復用，研发效率高；

第二，行业模型可定製，贴合业务深；

第三，场景应用可快速生成，响应市场快。”

陈默坐在下面，认真听著。

这套架构，是他去年和辛玉良、汪剑锋反覆討论后確定的。

现在看来，方向走对了。

“我来举几个具体例子。”辛玉良切换画面。

第一张图：煤矿井下场景。

帮忙的视频画面里，矿工戴著智能头盔，远处是自动运行的採煤机。

画面一角有ai识別的数据框：人员定位、设备状態、瓦斯浓度、危险行为预警......

“盘古矿山大模型，已经在山西、陕西、內蒙古的十二个大型煤矿部署。”辛玉良说：

“通过视频分析，系统能实时识別未戴安全帽、违规吸菸、设备异常等二十多种风险行为，预警准確率97.3%。

通过ai调度，採煤机自动割煤，效率提升18%，人工干预减少70%。

有个矿长跟我说：『以前下井是拿命换煤，现在是穿著西装在指挥中心看屏幕。』”

会议室里响起一阵轻微的议论声。

几位董事点头表示认可。

第二张图：气象云图。

动態画面显示颱风“圆规”的路径预测，盘古的预测轨跡与实际轨跡几乎重合，而传统模型的预测偏差明显更大。

“盘古气象大模型，与国家气象局合作研发。”辛玉良继续说道：

“在今年汛期，我们提前72小时准確预测了七次强降雨过程，平均误差比传统模型降低35%。