请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
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『aifordtries』，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
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%。