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？
為什麼不追求千億引數？
今天，我想用事實回答這個問題。”
螢幕切換，是一張對比圖。
盤古 vs. 通用大模型：定位差異
目標使用者：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，基礎能力可複用，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。
。機煤採的行執自是遠，盔頭慧智著戴工礦，裡面畫片影的忙幫
......警預為行險危、度濃斯瓦、態狀置裝、位定員人：框料資的別識IA有角一面畫
：說良玉辛”。署部礦煤型大個二十的古蒙、西陝、西山在經已，型模大山礦古盤“
。%3.79率確準警預，為行險風種多十二等常異置裝、菸吸規違、帽全安戴未別識時即能統系，析分片影過“
。%07減預干工人，%81升提率效，煤割自機煤採，程排IA過
”’。幕螢看心中揮指在裝西著穿是在現，煤換命拿是井下前以‘：說我跟長礦個有
。聲論議的微輕陣一起響裡室議會
。可認示表頭點事董位幾
。圖雲象氣：圖張二第
。大更顯明差偏測預的型模統傳而，合重乎幾跡軌際實與跡軌測預的古盤，測預徑路的”規圓“風颱示顯面畫態
：道說續繼良玉辛”。發研作合局象氣家國與，型模大象氣古盤“
。%53低降型模統傳比差誤均平，程過雨降強次七了測預確準時小27前提們我，期汛年今在“
