維納智能登上Nature通訊：AI不只會回答問題，開始生成高精度行業(yè)數(shù)據(jù)

一家成立不到兩年的香港 AI 公司，未依賴海量人工標注，也未陷入「堆參數(shù)」競賽，卻在 Nature 主要期刊上留下首個「中國數(shù)據(jù)生成公司」的印跡，并橫跨價值觀安全、金融保險、香港政務(wù)、體育競賽等多個高度異質(zhì)領(lǐng)域，交出工業(yè)級精度答卷。其底層邏輯并非更大的基座模型或向量數(shù)據(jù)庫，而是讓大模型自動生成高精度推理數(shù)據(jù)，用閉環(huán)反饋驅(qū)動專業(yè) Agent 自主演化。

首登 Nature 主要期刊：中國數(shù)據(jù)生成科創(chuàng)公司的「破冰」時刻

2026 年 5 月 28 日，Nature 通訊發(fā)表了題為 《Multimodal deep learning model for AI-based functional prognostic risk stratification in patients undergoing radical nephrectomy》 的論文。維納智能負責 AI 方面工作，中山大學腫瘤醫(yī)院等機構(gòu)負責醫(yī)學方面工作。王雅田同學為共同第一作者，由維納智能柳崎峰與港科大羅文寒聯(lián)合指導(dǎo)。

• 論文鏈接：https://www.nature.com/articles/s41467-026-73813-7

統(tǒng)計顯示，過去三年內(nèi)，影響因子大于 10 的 Nature 主要期刊共計 60 本，累計收錄 74,145 篇論文。維納智能成為中國首個、全球第四個數(shù)據(jù)生成科創(chuàng)公司登上 Nature 主要期刊。此前，另外兩個通用大模型技術(shù)公司DeepSeek面壁智能亦在 Nature 期刊發(fā)文。

臨床兩難，AI 預(yù)測：從「單模態(tài)短期估算」，升級為「多模態(tài)長期風險分層」

在復(fù)雜腎癌手術(shù)中，醫(yī)生常面臨兩難選擇：

• 部分腎切除術(shù) PN 可最大限度保留腎功能，但手術(shù)難度高、術(shù)后并發(fā)癥風險大；
• 患腎全切術(shù) RN 技術(shù)操作更穩(wěn)妥，但犧牲整個腎臟，術(shù)后慢性腎臟病風險大幅增加，可能嚴重影響患者長期生存質(zhì)量。

團隊的思路是：術(shù)前利用 AI 預(yù)測 RN 術(shù)后對側(cè)腎臟的長期功能衰退趨勢。若對側(cè)腎代償能力強，則可傾向于 RN；反之，傾向于 PN 以保留更多腎單位。

然而，和絕大部分 AI 預(yù)測任務(wù)一樣，訓練數(shù)據(jù)面臨多源異構(gòu)、樣本極度稀疏、設(shè)備偏差、信號噪聲、時間跨度大等挑戰(zhàn)。

為此，作者提出了RDPM（Rapid GFR Decline Prediction Model），首先將優(yōu)化目標從「短期術(shù)后 eGFR 點估計」提升為「長期腎功能快速衰退風險分層」，然后采用多模態(tài)多頭交叉注意力機制，實現(xiàn) 3D 影像和臨床變量的雙流異構(gòu)信息融合。對側(cè)腎臟的皮質(zhì)和髓質(zhì)由 UNest 模型自動分割加醫(yī)生審查而獲取。

該模型在15 家多中心醫(yī)療機構(gòu)、1621 例患者隊列中完成訓練與驗證。外部多中心測試 AUC 為 0.788～0.873，為個體化手術(shù)決策，提供較穩(wěn)定可量化證據(jù)。

模型層面優(yōu)化：從「預(yù)測」，到「推理數(shù)據(jù)生成」

預(yù)測是大模型訓練與推理的底層機制，分為三個層面：

• Token 語義層：大模型根據(jù)前文，預(yù)測下一個 Token 的概率分布；
• 回答語義層：大模型根據(jù)人類提問，預(yù)測最優(yōu)回復(fù)序列；
• 提問語義層：大模型根據(jù)上下文，預(yù)測人類潛在的真實需求與追問方向。

類似于「生成」比「判別」更難，「提問」比「回答」更難，因為要預(yù)判人類所想和所需，要具備足夠的合理性、邏輯性、多樣性。

所謂推理數(shù)據(jù)生成，即大模型根據(jù)上下文，既生成提問又生成回答，同時給出思維鏈和推理過程，其輸出為四元組cQrA=(context, Question, reasoning, Answer)。

維納智能專注于推理數(shù)據(jù)生成。大模型的高質(zhì)量學習，不能只有「教科書」式的結(jié)構(gòu)化知識，還必須有「習題集」式的問答推理數(shù)據(jù)。習題集的本質(zhì)，是一種對抗式、強因果的知識組織形式：以問題驅(qū)動思考，以答案形成反饋，以推理強化因果。維納智能目標是：訓練大模型不僅會回答，更善于提問，成為具備主動學習能力的智能體。

高質(zhì)量推理數(shù)據(jù)生成面臨兩道坎：

• 一是行業(yè)「習題集」極度匱乏 ——知識尚困在文檔和專家經(jīng)驗中，未變成可訓練的推理數(shù)據(jù)；
• 二是原始數(shù)據(jù)多源異構(gòu)、樣本稀疏、噪聲大，嚴重干擾知識重構(gòu)與因果組織。醫(yī)療對精度要求最嚴苛，正是這道坎的最佳試煉場。

系統(tǒng)層面優(yōu)化：從「推理數(shù)據(jù)生成」，到「數(shù)據(jù)→Token→數(shù)據(jù)」大閉環(huán)

1948 年，「諾伯特 - 維納」創(chuàng)立控制論，強調(diào)「反饋控制 + 信息度量」是系統(tǒng)優(yōu)化之關(guān)鍵。

現(xiàn)代人工智能的發(fā)展，從反向傳播、強化學習，到 RLHF、Agentic AI 等重大進展，無一不印證了「反饋控制 + 信息度量」的核心作用。

反饋即閉環(huán)。

目前大部分工作是：數(shù)據(jù) ->Token，即消耗算力用數(shù)據(jù)訓練出大模型并輸出 Token 做應(yīng)用。

維納智能卻專注另一半：Token→數(shù)據(jù)，即用大模型自動生成專業(yè)高精度推理數(shù)據(jù)（不依靠非常有限的人類專家標注）。

維納智能的使命，就是實現(xiàn)「數(shù)據(jù)→Token→數(shù)據(jù)」的大閉環(huán)，從而讓 Agentic AI 在專業(yè)領(lǐng)域自主演化。

從技術(shù)上看，搭建這個大閉環(huán)的核心目的，是優(yōu)化以下參數(shù)：

• 內(nèi)參數(shù)，即模型經(jīng)預(yù) & 后訓練得到的參數(shù)；
• 外參數(shù)，除了提示詞，還有因果錨定（Causal Anchoring）所需要的基于上下文的 Few-shot，但是企業(yè)業(yè)務(wù)應(yīng)用大模型的降本增效并不明顯。

數(shù)據(jù)即參數(shù)。這些上下文相關(guān)的 Few-shot，正來自于高精度推理數(shù)據(jù)生成，其包含了業(yè)務(wù)知識和對抗式因果，對最終推理結(jié)果影響很大。

解決 Agent 泛濫之三重困局：測不準、優(yōu)化難、答不準

Vibe Coding 催生 Agent 井噴，但三大系統(tǒng)級瓶頸迅速浮現(xiàn)：

• 測不準：軟件測試方法對 Agent 幾乎失效，實際中提問靈活多樣且時效性強，而即使是大企業(yè)，其問答數(shù)據(jù)也極度缺乏；
• 優(yōu)化難：缺乏有效的動態(tài)測試，系統(tǒng)便處于「無反饋」狀態(tài)，結(jié)構(gòu)優(yōu)化與超參數(shù)調(diào)優(yōu)無從下手；
• 答不準：在專業(yè)領(lǐng)域，經(jīng)典 LLM+RAG 架構(gòu)通常只有～70% 準確度（對于難題更差），不準就不落地，這就是當前大模型難以幫助企業(yè)降本增效的根本原因。

維納智能的推理數(shù)據(jù)生成技術(shù)，可以自動生成各行業(yè)高質(zhì)量 cQrA 數(shù)據(jù)集（規(guī)?？蛇_幾十萬條，每小時上千條），直擊三大痛點：

• 動態(tài)多維測試：通過持續(xù)生成新 cQrA，既測時效性，又防「作弊」；
• 閉環(huán)反饋優(yōu)化：測試提供反饋，進而對整個系統(tǒng)的結(jié)構(gòu)和超參數(shù)優(yōu)化；
• 因果錨定推理：離線生成海量 cQrA，為在線推理在錨定范圍內(nèi)注入邏輯先驗（類似于考試前要刷題，面試前要準備）。

這一演進與互聯(lián)網(wǎng)早期邏輯驚人相似：1991 年 HTML 協(xié)議催生網(wǎng)頁爆發(fā)式增長，隨后質(zhì)量評估和相關(guān)性排序，成為信息檢索效率的關(guān)鍵。如今 Agent 指數(shù)級涌現(xiàn)，對 Agent 的評估與排序，正是維納智能著力構(gòu)建的下一代基礎(chǔ)設(shè)施。

排序即效率。

維納智能 AI 特種兵：不燒錢不堆人，連續(xù)擊穿「硬核」行業(yè)

2024 年 7 月，香港科技大學柳崎峰教授帶隊完成全球首個千卡 H800 AI 集群建設(shè)、中國第三家千億 MoE 大模型全流程預(yù) & 后訓練。建過算力，訓過模型，大模型三要素中，最后一塊拼圖便是：造數(shù)據(jù)，于是創(chuàng)立維納智能。

維納智能定位為：高精度推理數(shù)據(jù)生成，為企業(yè)提供工業(yè)級 Agentic AI 系統(tǒng)。底層技術(shù)棧為：閉環(huán)反饋多智能體協(xié)同框架，涵蓋知識重構(gòu)、因果推理、任務(wù)分解、多重檢驗等關(guān)鍵模塊。

過去一年間，在幾乎沒有行業(yè)專家參與傳統(tǒng)數(shù)據(jù)標注的前提下，維納智能憑借上述核心技術(shù)，連續(xù)擊穿四個截然不同且對精度高度敏感的領(lǐng)域：價值觀安全、金融保險、香港政務(wù)、體育競賽，且客戶均為頭部機構(gòu)。

以推理數(shù)據(jù)生成為核心，以國產(chǎn) GPU - 沐曦為底座，構(gòu)建了系列頗具特色的 2C&2B 創(chuàng)新產(chǎn)品，驗證了專業(yè)精準度和跨界通用能力：

• 首發(fā)出海價值觀大模型系統(tǒng)（具備外交官級政治智慧，出海 & 一國兩制價值觀一致性 > 99%，當今中外主流大模型僅 9～21%，打破海外閉源模型價值觀話語權(quán)壟斷，quewi.ai, quewi-demo.surge.sh）
• 首發(fā)實時 Agent 測試系統(tǒng)（動態(tài)生成問答數(shù)據(jù)，定期出評估報告，解決企業(yè)對于 agent「不敢用」「用不好」的落地難題）
• 首發(fā)保險大模型數(shù)據(jù)生成和問答系統(tǒng)（復(fù)雜保險問答生成準確率 > 95%，而 Gemini Search 只有～59%，quewi.ai/insurebot）
• 首發(fā)賽馬大模型系統(tǒng)（統(tǒng)計問答準確度 > 94%，分析預(yù)測 Top-3 準確度 > 59%，quewi.ai/racebot）
• 首發(fā)香港大模型寫作 & 改錯系統(tǒng)（改錯準確度 > 90%，quewi.ai/writingbot）

此外，值得關(guān)注的是融資節(jié)奏與收入增長。除 2 年前 5 千萬港幣種子輪融資外（聯(lián)想創(chuàng)投領(lǐng)投），迄今未再融資。提倡精英特種兵文化，貫徹 Harnessing Engineering，追求單兵作戰(zhàn)高效造血。憑高毛利產(chǎn)品和復(fù)制能力，今年開始業(yè)務(wù)快速增長，營收預(yù)計超 4 千萬港幣。

上述成果已吸引人民日報、新華社、中央廣播電視臺、中聯(lián)辦公眾號、紫荊期刊、鳳凰衛(wèi)視等權(quán)威機構(gòu)深度報道，被譽為「香港人工智能產(chǎn)業(yè)發(fā)展好風正起」。

核心團隊：大模型超算訓練的先行者，與世界級 IT 企業(yè)高管攜手

創(chuàng)始人柳崎峰教授，2005 年博士畢業(yè)于中科院自動化所，師從人工智能泰斗譚鐵牛院士（國際模式識別領(lǐng)域最高獎 - 傅京孫獎 2022 年得主）。曾任香港生成式人工智能研發(fā)中心（HKGAI）總經(jīng)理、平安集團加馬 AI 研究院院長、Yahoo! Lab 研究科學家、Samsung Lab 先任研究員等職。他還擔任中國人工智能學會理事，港科大 - 沐曦先進 AI 計算聯(lián)合實驗室發(fā)起人及學術(shù)委員等職。

他是香港大模型超算與訓練的最早發(fā)起者和建設(shè)者之一。2018 年與楊強院士聯(lián)合創(chuàng)立香港人工智能與機器人學會。2021–2022 年為港府撰寫「香港云腦」與「香港基礎(chǔ)模型」建議書。2023 年與郭毅可院士聯(lián)合 6 大知名高校發(fā)起建立香港生成式人工智能研發(fā)中心；2023 年帶隊建設(shè)全球首個千卡 H800 AI 超算系統(tǒng)；2024 年帶隊預(yù) & 后訓練中國第三家千億 MoE 大模型。

他擁有豐富的研發(fā)及管理重大科研項目經(jīng)驗（累計超 1 億美元）。在清華大學、港科大、牛津大學、哥倫比亞大學等建立聯(lián)合實驗室（累計超 5 百萬美元）。僅近兩年，發(fā)表 Nature 通訊等頂刊論文 2 篇，AI 頂會論文 17 篇。

首席營收官（CRO）& 合伙人封小韻女士，前思科大中華區(qū)副總裁，香港、澳門及中國南區(qū)總經(jīng)理，掌舵粵港澳大灣區(qū)這一多語多幣與多法律的超級復(fù)雜市場，率先洞察中企全球化浪潮，在思科內(nèi)部首創(chuàng)出海支持戰(zhàn)略及服務(wù)體系，并統(tǒng)領(lǐng)大中華區(qū)海外業(yè)務(wù)。2024 年出版新浪財經(jīng)暢銷書《出海戰(zhàn)略》，亦榮膺世界互聯(lián)網(wǎng)大會青年領(lǐng)軍者。

結(jié)語：閉環(huán)反饋是引擎，推理數(shù)據(jù)是燃料

當業(yè)界在熱捧大模型榜單和 Agent 自動化時，Vibe Coding 的發(fā)明者 Karpathy 近日給出了一句忠告：別再逼你的 Agent 什么都干，先把底層機制做對。

維納智能選擇的路徑，恰是對這句話的工程化回應(yīng)：讓 AI 先學會「問對問題」，再學會「答對問題」，在多步分解與多重校驗中，將大模型的推理能力沉淀為工業(yè)級數(shù)據(jù)資產(chǎn)，即「Token→數(shù)據(jù)」。

其核心方案清晰而克制：用推理數(shù)據(jù)生成替代人工標注，用閉環(huán)反饋驅(qū)動系統(tǒng)持續(xù)優(yōu)化，用因果錨定為在線推理提供穩(wěn)定邏輯支點。測得準，能優(yōu)化，答難題，這或許就是企業(yè)走出大模型落地困境的關(guān)鍵一躍。