第1444章 盘古大模型 (第2/2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：
　　
　　“在抗肿瘤药物研发中，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。
　　
　　另外，我们也和政府、行业协会合作，建设行业数据开放平台。”
　　
　　“商业化进展如何？”郑青山问。
　　
　　作为CFO，他最关心的是投入产出。
　　
　　“目前主要是项目制，每个行业解决方案的客单价在300万到2000万不等。”辛玉良调出财务数据。
　　
　　“今年签约18.7亿，实际回款11.2亿。
　　
　　利润率方面，软件部分毛利率85%，硬件部分30%，整体项目毛利率45%左右。”
　　
　　“45%......”郑青山推了推眼镜，“比传统企业软件高，但比云服务低。你怎么看未来的利润空间？”
　　
　　“随着模型标准化程度提高、实施成本下降，利润率会持续提升。”辛玉良很有信心。
　　
　　“更重要的是，盘古不是一次性项目，是持续服务。
　　
　　模型需要不断训练、迭代，客户需要持续购买算力和服务，这是一个长期生意。
　　
　　当然还有一点，盘古大模型可以帮我们卖更多的鲲鹏和昇腾。”
　　
　　说完露出一个懂的都懂的笑。
　　
　　另一边的郑青山点点头，在笔记本上记录着什么。
　　
　　“玉良，我问个技术问题。”汪剑锋开口。
　　
　　这位2012实验室总裁，平时话不多，但每次提问都很关键，“盘古的多模态能力怎么样？现在业界都在谈‘图文音视频’一体化，我们的进展如何？”
　　
　　“汪总问得好。”辛玉良切到新页面。
　　
　　“盘古的多模态大模型已经在媒体、教育、安防等领域试点。
　　
　　比如在媒体行业，可以实现新闻稿自动生成配图；
　　
　　在教育行业，可以根据课本内容自动生成教学视频；
　　
　　在安防行业，可以同时分析监控视频、音频和文本报告，做综合研判。”
　　
　　他顿了顿：
　　
　　“不过坦率说，在多模态的生成能力上，我们和国外顶尖水平还有差距。
　　
　　但在多模态的理解和分析上，尤其是结合行业知识的深度分析这一块，我们盘古有优势。”