第1444章 盘古大模型（1 / 2）

第1444章盘古大模型（第12页）

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‘aif0rstries’，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973。

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。”

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。

（本章未完，请点击下一页继续阅读）第1444章盘古大模型（第22页）

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。