第1444章 盘古大模型

第1444章 盘古大模型 (第1/2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‘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。
　　
　　

（本章未完，请点击下一页继续阅读）