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‘aiforindustries’，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，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%。


    在台风预测上，路径误差减少28%，强度误差减少41%。


    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。”


    “算力问题，冯总待会儿会说。”左梦安接话，“数据问题呢？有什么解决方案？”


    “我们在推‘数据不出域’的学习方案。”辛玉良说：


    “客户的数据可以留在本地，我们只传输模型参数。


    这样既保护隐私，又能利用分散数据训练模型。


    另外，我们也和政府、行业协会合作，建设行业数据开放平台。”


    “商业化进展如何？”郑青山问。


    作为cfo，他最关心的是投入产出。


    “目前主要是项目制，每个行业解决方案的客单价在300万到2000万不等。”辛玉良调出财务数据。


    “今年签约18.7亿，实际回款11.2亿。


    利润率方面，软件部分毛利率85%，硬件部分30%，整体项目毛利率45%左右。”


    “45%......”郑青山推了推眼镜，“比传统企业软件高，但比云服务低。你怎么看未来的利润空间？”


    “随着模型标准化程度提高、实施成本下降，利润率会持续提升。”辛玉良很有信心。


    “更重要的是，盘古不是一次性项目，是持续服务。


    模型需要不断训练、迭代，客户需要持续购买算力和服务，这是一个长期生意。


    当然还有一点，盘古大模型可以帮我们卖更多的鲲鹏和昇腾。”


    说完露出一个懂的都懂的笑。


    另一边的郑青山点点头，在笔记本上记录着什么。


    “玉良，我问个技术问题。”汪剑锋开口。


    这位2012实验室总裁，平时话不多，但每次提问都很关键，“盘古的多模态能力怎么样？现在业界都在谈‘图文音视频’一体化，我们的进展如何？”


    “汪总问得好。”辛玉良切到新页面。


    “盘古的多模态大模型已经在媒体、教育、安防等领域试点。


    比如在媒体行业，可以实现新闻稿自动生成配图；


    在教育行业，可以根据课本内容自动生成教学视频；


    在安防行业，可以同时分析监控视频、音频和文本报告，做综合研判。”


    他顿了顿：


    “不过坦率说，在多模态的生成能力上，我们和国外顶尖水平还有差距。


    但在多模态的理解和分析上，尤其是结合行业知识的深度分析这一块，我们盘古有优势。”