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%。
在颱风预测上，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：製药实验室。
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。”辛玉良回答得很乾脆：
“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。
这样既保护隱私，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，他最关心的是投入產出。
“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。”辛玉良调出財务数据。
“今年签约18.7亿，实际回款11.2亿。
利润率方面，软体部分毛利率85%，硬体部分30%，整体项目毛利率45%左右。”
“45%......”郑青山推了推眼镜，“比传统企业软体高，但比云服务低。你怎么看未来的利润空间？”
“隨著模型標准化程度提高、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、叠代，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鯤鹏和昇腾。”
说完露出一个懂的都懂的笑。
另一边的郑青山点点头，在笔记本上记录著什么。
“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，“盘古的多模態能力怎么样？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。
“盘古的多模態大模型已经在媒体、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，可以根据课本內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，在多模態的生成能力上，我们和国外顶尖水平还有差距。
但在多模態的理解和分析上，尤其是结合行业知识的深度分析这一块，我们盘古有优势。”
“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%。
在颱风预测上，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：製药实验室。
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。”辛玉良回答得很乾脆：
“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。
这样既保护隱私，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，他最关心的是投入產出。
“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。”辛玉良调出財务数据。
“今年签约18.7亿，实际回款11.2亿。
利润率方面，软体部分毛利率85%，硬体部分30%，整体项目毛利率45%左右。”
“45%......”郑青山推了推眼镜，“比传统企业软体高，但比云服务低。你怎么看未来的利润空间？”
“隨著模型標准化程度提高、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、叠代，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鯤鹏和昇腾。”
说完露出一个懂的都懂的笑。
另一边的郑青山点点头，在笔记本上记录著什么。
“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，“盘古的多模態能力怎么样？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。
“盘古的多模態大模型已经在媒体、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，可以根据课本內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，在多模態的生成能力上，我们和国外顶尖水平还有差距。
但在多模態的理解和分析上，尤其是结合行业知识的深度分析这一块，我们盘古有优势。”