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‘AI fOr IndUStrieS’，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。”

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。”

陈默坐在下面，认真听着。

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。”辛玉良说：

“通过视频分析，系统能实时识别未戴安全帽、违规吸烟、设备异常等二十多种风险行为，预警准确率97.3%。

通过AI调度

本章未完，请点击"下一页"继续阅读！ 第1页 / 共3页