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
（本章节未完结，点击下一页翻页继续阅读）
正在加载...