第1444章 盤古大模型
他頓了頓，看向在座的董事們：
「我知道，在座有些同事最初對盤古的定位有疑慮。
為什麼不做一個像GPT那樣的通用對話大模型？
為什麼不追求千億參數？
今天，我想用事實回答這個問題。」
屏幕切換，是一張對比圖。
盤古 vs. 通用大模型：定位差異
目標用戶：行業專家 vs. 普通消費者
核心能力：預測、分析、決策 vs. 生成、對話、創作
評估指標：業務指標提升率 vs. 對話流暢度
商業化路徑：解決方案銷售 vs. 會員訂閱
「盤古從誕生第一天起，定位就是『AI for Industries』，為產業服務，解決實際問題。」
辛玉良的聲音很堅定，「我們不做聊天機器人，我們做的是能讓煤礦工人穿西裝打領帶上班的工具，是能提前三天預測颱風路徑的系統，是能發現新藥物分子的實驗室助手。」
他切到下一張PPT，是盤古的「5+N+X」三層架構圖。
「這是我們設計的架構：
L0是五大基礎模型（NLP、CV、多模態、預測、科學計算）；
L1是N個行業大模型；
L2是X個場景化應用。」
辛玉良詳細解釋：
「這個架構的優勢在於：
第一，基礎能力可復用，研發效率高；
第二，行業模型可定製，貼合業務深；
第三，場景應用可快速生成，響應市場快。」
陳默坐在下面，認真聽著。
這套架構，是他去年和辛玉良、汪劍鋒反覆討論後確定的。
現在看來，方向走對了。
「我來舉幾個具體例子。」辛玉良切換畫面。
第一張圖：煤礦井下場景。
幫忙的視頻畫面里，礦工戴著智能頭盔，遠處是自動運行的採煤機。
畫面一角有AI識別的數據框：人員定位、設備狀態、瓦斯濃度、危險行為預警......
「盤古礦山大模型，已經在山西、陝西、內蒙古的十二個大型煤礦部署。」辛玉良說：
「通過視頻分析，系統能實時識別未戴安全帽、違規吸菸、設備異常等二十多種風險行為，預警準確率97.3%。
通過AI調度，採煤機自動割煤，效率提升18%，人工干預減少70%。
有個礦長跟我說：『以前下井是拿命換煤，現在是穿著西裝在指揮中心看屏幕。』」
會議室里響起一陣輕微的議論聲。
幾位董事點頭表示認可。
第二張圖：氣象雲圖。
動態畫面顯示颱風「圓規」的路徑預測，盤古的預測軌跡與實際軌跡幾乎重合，而傳統模型的預測偏差明顯更大。
「盤古氣象大模型，與國家氣象局合作研發。」辛玉良繼續說道：
「在今年汛期，我們提前72小時準確預測了七次強降雨過程，平均誤差比傳統模型降低35%。
在颱風預測上，路徑誤差減少28%，強度誤差減少41%。
這個模型已經接入應急管理部系統，為防汛救災提供決策支持。」
第三張圖：製藥實驗室。
科研人員正在操作儀器，屏幕上顯示分子結構圖和AI生成的新化合物建議。
「盤古醫藥大模型，與魔都藥物所合作。」辛玉良說：
「在抗腫瘤藥物研發中，AI篩選出的三個新分子結構，經過體外實驗驗證，活性比現有藥物高2-3個數量級。
傳統篩選需要幾個月的工作，AI只用了一周。
目前我們正在申請專利。」
三個例子講完，會議室里的氣氛明顯活躍起來。
「玉良，」徐平開口問道，「盤古現在的主要瓶頸是什麼？」
「兩個。」辛玉良回答得很乾脆：
「第一，算力。大模型訓練需要海量算力，我們現在主要依賴昇騰集群，但規模還不夠。
第二，數據。行業數據往往分散、封閉、質量參差不齊，獲取和清洗成本高。」
「算力問題，馮總待會兒會說。」左夢安接話，「數據問題呢？有什麼解決方案？」
「我們在推『數據不出域』的學習方案。」辛玉良說：
「客戶的數據可以留在本地，我們只傳輸模型參數。
這樣既保護隱私，又能利用分散數據訓練模型。
另外，我們也和政府、行業協會合作，建設行業數據開放平台。」
「商業化進展如何？」鄭青山問。
作為CFO，他最關心的是投入產出。
「目前主要是項目制，每個行業解決方案的客單價在300萬到2000萬不等。」辛玉良調出財務數據。
「今年簽約18.7億，實際回款11.2億。
利潤率方面，軟體部分毛利率85%，硬體部分30%，整體項目毛利率45%左右。」
「45%......」鄭青山推了推眼鏡，「比傳統企業軟體高，但比雲服務低。你怎麼看未來的利潤空間？」
「隨著模型標準化程度提高、實施成本下降，利潤率會持續提升。」辛玉良很有信心。
「更重要的是，盤古不是一次性項目，是持續服務。
模型需要不斷訓練、疊代，客戶需要持續購買算力和服務，這是一個長期生意。
當然還有一點，盤古大模型可以幫我們賣更多的鯤鵬和昇騰。」
說完露出一個懂的都懂的笑。
另一邊的鄭青山點點頭，在筆記本上記錄著什麼。
「玉良，我問個技術問題。」汪劍鋒開口。
這位2012實驗室總裁，平時話不多，但每次提問都很關鍵，「盤古的多模態能力怎麼樣？現在業界都在談『圖文音視頻』一體化，我們的進展如何？」
「汪總問得好。」辛玉良切到新頁面。
「盤古的多模態大模型已經在媒體、教育、安防等領域試點。
比如在媒體行業，可以實現新聞稿自動生成配圖；
在教育行業，可以根據課本內容自動生成教學視頻；
在安防行業，可以同時分析監控視頻、音頻和文本報告，做綜合研判。」
他頓了頓：
「不過坦率說，在多模態的生成能力上，我們和國外頂尖水平還有差距。
但在多模態的理解和分析上，尤其是結合行業知識的深度分析這一塊，我們盤古有優勢。」
「我知道，在座有些同事最初對盤古的定位有疑慮。
為什麼不做一個像GPT那樣的通用對話大模型？
為什麼不追求千億參數？
今天，我想用事實回答這個問題。」
屏幕切換，是一張對比圖。
盤古 vs. 通用大模型：定位差異
目標用戶：行業專家 vs. 普通消費者
核心能力：預測、分析、決策 vs. 生成、對話、創作
評估指標：業務指標提升率 vs. 對話流暢度
商業化路徑：解決方案銷售 vs. 會員訂閱
「盤古從誕生第一天起，定位就是『AI for Industries』，為產業服務，解決實際問題。」
辛玉良的聲音很堅定，「我們不做聊天機器人，我們做的是能讓煤礦工人穿西裝打領帶上班的工具，是能提前三天預測颱風路徑的系統，是能發現新藥物分子的實驗室助手。」
他切到下一張PPT，是盤古的「5+N+X」三層架構圖。
「這是我們設計的架構：
L0是五大基礎模型（NLP、CV、多模態、預測、科學計算）；
L1是N個行業大模型；
L2是X個場景化應用。」
辛玉良詳細解釋：
「這個架構的優勢在於：
第一，基礎能力可復用，研發效率高；
第二，行業模型可定製，貼合業務深；
第三，場景應用可快速生成，響應市場快。」
陳默坐在下面，認真聽著。
這套架構，是他去年和辛玉良、汪劍鋒反覆討論後確定的。
現在看來，方向走對了。
「我來舉幾個具體例子。」辛玉良切換畫面。
第一張圖：煤礦井下場景。
幫忙的視頻畫面里，礦工戴著智能頭盔，遠處是自動運行的採煤機。
畫面一角有AI識別的數據框：人員定位、設備狀態、瓦斯濃度、危險行為預警......
「盤古礦山大模型，已經在山西、陝西、內蒙古的十二個大型煤礦部署。」辛玉良說：
「通過視頻分析，系統能實時識別未戴安全帽、違規吸菸、設備異常等二十多種風險行為，預警準確率97.3%。
通過AI調度，採煤機自動割煤，效率提升18%，人工干預減少70%。
有個礦長跟我說：『以前下井是拿命換煤，現在是穿著西裝在指揮中心看屏幕。』」
會議室里響起一陣輕微的議論聲。
幾位董事點頭表示認可。
第二張圖：氣象雲圖。
動態畫面顯示颱風「圓規」的路徑預測，盤古的預測軌跡與實際軌跡幾乎重合，而傳統模型的預測偏差明顯更大。
「盤古氣象大模型，與國家氣象局合作研發。」辛玉良繼續說道：
「在今年汛期，我們提前72小時準確預測了七次強降雨過程，平均誤差比傳統模型降低35%。
在颱風預測上，路徑誤差減少28%，強度誤差減少41%。
這個模型已經接入應急管理部系統，為防汛救災提供決策支持。」
第三張圖：製藥實驗室。
科研人員正在操作儀器，屏幕上顯示分子結構圖和AI生成的新化合物建議。
「盤古醫藥大模型，與魔都藥物所合作。」辛玉良說：
「在抗腫瘤藥物研發中，AI篩選出的三個新分子結構，經過體外實驗驗證，活性比現有藥物高2-3個數量級。
傳統篩選需要幾個月的工作，AI只用了一周。
目前我們正在申請專利。」
三個例子講完，會議室里的氣氛明顯活躍起來。
「玉良，」徐平開口問道，「盤古現在的主要瓶頸是什麼？」
「兩個。」辛玉良回答得很乾脆：
「第一，算力。大模型訓練需要海量算力，我們現在主要依賴昇騰集群，但規模還不夠。
第二，數據。行業數據往往分散、封閉、質量參差不齊，獲取和清洗成本高。」
「算力問題，馮總待會兒會說。」左夢安接話，「數據問題呢？有什麼解決方案？」
「我們在推『數據不出域』的學習方案。」辛玉良說：
「客戶的數據可以留在本地，我們只傳輸模型參數。
這樣既保護隱私，又能利用分散數據訓練模型。
另外，我們也和政府、行業協會合作，建設行業數據開放平台。」
「商業化進展如何？」鄭青山問。
作為CFO，他最關心的是投入產出。
「目前主要是項目制，每個行業解決方案的客單價在300萬到2000萬不等。」辛玉良調出財務數據。
「今年簽約18.7億，實際回款11.2億。
利潤率方面，軟體部分毛利率85%，硬體部分30%，整體項目毛利率45%左右。」
「45%......」鄭青山推了推眼鏡，「比傳統企業軟體高，但比雲服務低。你怎麼看未來的利潤空間？」
「隨著模型標準化程度提高、實施成本下降，利潤率會持續提升。」辛玉良很有信心。
「更重要的是，盤古不是一次性項目，是持續服務。
模型需要不斷訓練、疊代，客戶需要持續購買算力和服務，這是一個長期生意。
當然還有一點，盤古大模型可以幫我們賣更多的鯤鵬和昇騰。」
說完露出一個懂的都懂的笑。
另一邊的鄭青山點點頭，在筆記本上記錄著什麼。
「玉良，我問個技術問題。」汪劍鋒開口。
這位2012實驗室總裁，平時話不多，但每次提問都很關鍵，「盤古的多模態能力怎麼樣？現在業界都在談『圖文音視頻』一體化，我們的進展如何？」
「汪總問得好。」辛玉良切到新頁面。
「盤古的多模態大模型已經在媒體、教育、安防等領域試點。
比如在媒體行業，可以實現新聞稿自動生成配圖；
在教育行業，可以根據課本內容自動生成教學視頻；
在安防行業，可以同時分析監控視頻、音頻和文本報告，做綜合研判。」
他頓了頓：
「不過坦率說，在多模態的生成能力上，我們和國外頂尖水平還有差距。
但在多模態的理解和分析上，尤其是結合行業知識的深度分析這一塊，我們盤古有優勢。」