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
目标用户：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
评估指标：业务指标提升率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‘aifordtries’，为产业服务，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，是能提前三天预测台风路径的系统，是能发现新药物分子的实验室助手。”
“这是我们设计的架构：
l0是五大基础模型（nlp、cv、多模态、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：
“这个架构的优势在于：
第一，基础能力可复用，研发效率高；
第二，行业模型可定制，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
这套架构，是他去年和辛玉良、汪剑锋反复讨论后确定的。
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，矿工戴着智能头盔，远处是自动运行的采煤机。
画面一角有ai识别的数据框：人员定位、设备状态、瓦斯浓度、危险行为预警
“盘古矿山大模型，已经在山西、陕西、内蒙古的十二个大型煤矿部署。”。
通过ai调度，采煤机自动割煤，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，现在是穿着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。
动态画面显示台风“圆规”的路径预测，盘古的预测轨迹与实际轨迹几乎重合，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小时准确预测了七次强降雨过程，平均误差比传统模型降低35。
这个模型已经接入应急管理部系统，为防汛救灾提供决策支持。”
第三张图：制药实验室。
科研人员正在操作仪器，屏幕上显示分子结构图和ai生成的新化合物建议。
“盘古医药大模型，与魔都药物所合作。”辛玉良说：
“在抗肿瘤药物研发中，ai筛选出的三个新分子结构，经过体外实验验证，活性比现有药物高2-3个数量级。
传统筛选需要几个月的工作，ai只用了一周。
目前我们正在申请专利。”
三个例子讲完，会议室里的气氛明显活跃起来。
“玉良，”徐平开口问道，“盘古现在的主要瓶颈是什么？”
“两个。”辛玉良回答得很干脆：
“第一，算力。大模型训练需要海量算力，我们现在主要依赖昇腾集群，但规模还不够。
第二，数据。行业数据往往分散、封闭、质量参差不齐，获取和清洗成本高。”