作者｜柳崎峰，維納智能創始人兼CEO、香港科技大學客座教授

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”競賽，卻在Nature 期刊上留下首個“中國數據生成公司”的印跡，并橫跨價值觀安全、金融保險、香港政務、體育競賽等多個高度異質領域，交出工業級精度答卷。其底層邏輯并非更大的基座模型或向量數據庫，而是讓大模型自動生成高精度推理數據，用閉環反饋驅動專業Agent自主演化。

首登Nature期刊：中國數據生成科創公司的破冰時刻

2026年5月28日，Nature通訊發表了題為 《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，中山大學腫瘤醫院等機構負責醫學方面工作。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合指導。

統計顯示，過去三年內，影響因子大于10的Nature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、全球第四個數據生成科創公司登上Nature期刊。此前，另外兩個通用大模型技術公司DeepSeek和面壁智能亦在Nature期刊發文。

臨床兩難，AI預測：從“單模態短期估算”，升級為“多模態長期風險分層”

在復雜腎癌手術中，醫生常面臨兩難選擇：

• 部分腎切除術PN可最大限度保留腎功能，但手術難度高、術后并發癥風險大；
• 患腎全切術RN技術操作更穩妥，但犧牲整個腎臟，術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量。

團隊的思路是：術前利用AI預測RN術后對側腎臟的長期功能衰退趨勢。若對側腎代償能力強，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預測任務一樣，訓練數據面臨多源異構、樣本極度稀疏、設備偏差、信號噪聲、時間跨度大等挑戰。

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

該模型在15家多中心醫療機構、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，為個體化手術決策，提供較穩定可量化證據。

模型層面優化：從預測推理數據生成

預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：大模型根據前文，預測下一個Token的概率分布；
• 回答語義層：大模型根據人類提問，預測最優回復序列；
• 提問語義層：大模型根據上下文，預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。

所謂推理數據生成，即大模型根據上下文，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據生成。大模型的高質量學習，不能只有“教科書”式的結構化知識，還必須有“習題集”式的問答推理數據。習題集的本質，是一種對抗式、強因果的知識組織形式：以問題驅動思考，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。

高質量推理數據生成面臨兩道坎：一是行業"習題集"極度匱乏——知識尚困在文檔和專家經驗中，未變成可訓練的推理數據；二是原始數據多源異構、樣本稀疏、噪聲大，嚴重干擾知識重構與因果組織。醫療對精度要求最嚴苛，正是這道坎的最佳試煉場。

系統層面優化：從“推理數據生成”，到“數據→Token→數據”大閉環

1948年，“諾伯特-維納“創立控制論，強調“反饋控制+信息度量”是系統優化之關鍵。

現代人工智能的發展，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。

目前大部分工作是：數據->Token，即消耗算力用數據訓練出大模型并輸出Token做應用。

而維納智能卻專注另一半：Token→數據，即用大模型自動生成專業高精度推理數據（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“數據→Token→數據”的大閉環，從而讓Agentic AI在專業領域自主演化。

從技術上看，搭建這個大閉環的核心目的，是優化以下參數：

• 內參數，即模型經預&后訓練得到的參數；
• 外參數，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，但是企業業務應用大模型的降本增效并不明顯。

數據即參數。這些上下文相關的Few-shot，正來自于高精度推理數據生成，其包含了業務知識和對抗式因果，對最終推理結果影響很大。

解決Agent泛濫之三重困局：測不準、優化難、答不準

Vibe Coding催生Agent井噴，但三大系統級瓶頸迅速浮現：

• 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，其問答數據也極度缺乏；
• 優化難：缺乏有效的動態測試，系統便處于“無反饋”狀態，結構優化與超參數調優無從下手；
• 答不準：在專業領域，經典LLM+RAG架構通常只有～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降本增效的根本原因。

維納智能的推理數據生成技術，可以自動生成各行業高質量cQrA數據集（規模可達幾十萬條，每小時上千條），直擊三大痛點：

• 動態多維測試：通過持續生成新cQrA，既測時效性，又防“作弊”；
• 閉環反饋優化：測試提供反饋，進而對整個系統的結構和超參數優化；
• 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）。

這一演進與互聯網早期邏輯驚人相似：1991年HTML協議催生網頁爆發式增長，隨后質量評估和相關性排序，成為信息檢索效率的關鍵。如今Agent指數級涌現，對Agent的評估與排序，正是維納智能著力構建的下一代基礎設施。

排序即效率。

維納智能AI特種兵：不燒錢不堆人，連續擊穿硬核行業

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、中國第三家千億MoE大模型全流程預&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：造數據，于是創立維納智能。

維納智能定位為：高精度推理數據生成，為企業提供工業級Agentic AI系統。底層技術棧為：閉環反饋多智能體協同框架，涵蓋知識重構、因果推理、任務分解、多重檢驗等關鍵模塊。

過去一年間，在幾乎沒有行業專家參與傳統數據標注的前提下，維納智能憑借上述核心技術，連續擊穿四個截然不同且對精度高度敏感的領域：價值觀安全、金融保險、香港政務、體育競賽，且客戶均為頭部機構。

以推理數據生成為核心，以國產GPU-沐曦為底座，構建了系列頗具特色的2C&2B創新產品，驗證了專業精準度和跨界通用能力：

• 首發出海價值觀大模型系統（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壟斷，quewi.ai, quewi-demo.surge.sh）
• 首發實時Agent測試系統（動態生成問答數據，定期出評估報告，解決企業對于agent “不敢用”、“用不好”的落地難題）
• 首發保險大模型數據生成和問答系統（復雜保險問答生成準確率>95%，而Gemini Search只有～59%，quewi.ai/insurebot）
• 首發賽馬大模型系統（統計問答準確度>94%，分析預測Top-3準確度>59%，quewi.ai/racebot）
• 首發香港大模型寫作&改錯系統（改錯準確度>90%，quewi.ai/writingbot）

此外，值得關注的是融資節奏與收入增長。除2年前5千萬港幣種子輪融資外（聯想創投領投），迄今未再融資。提倡精英特種兵文化，貫徹Harnessing Engineering，追求單兵作戰高效造血。憑高毛利產品和復制能力，今年開始業務快速增長，營收預計超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、中聯辦公眾號、紫荊期刊、鳳凰衛視等權威機構深度報道，被譽為“香港人工智能產業發展好風正起”。

創始人柳崎峰：從大模型超算訓練的先行者，到“Token數據”的布道者

2005年博士畢業于中科院自動化所，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中心（HKGAI）總經理、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計算聯合實驗室發起人及學術委員等職。

他是香港大模型超算與訓練的最早發起者和建設者之一。2018年與楊強院士聯合創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“香港基礎模型”建議書。2023年與郭毅可院士聯合6大知名高校發起建立香港生成式人工智能研發中心；2023年帶隊建設全球首個千卡H800 AI超算系統；2024年帶隊預&后訓練中國第三家千億MoE大模型。

他擁有豐富的研發及管理重大科研項目經驗（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合實驗室（累計超5百萬美元）。僅近兩年，發表Nature通訊等頂刊論文2篇，AI頂會論文17篇。

結語：閉環反饋是引擎，推理數據是燃料

當業界在熱捧大模型榜單和Agent自動化時，Vibe Coding的發明者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：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級數據資產，即“Token→數據”。

其核心方案清晰而克制：用推理數據生成替代人工標注，用閉環反饋驅動系統持續優化，用因果錨定為在線推理提供穩定邏輯支點。測得準，能優化，答難題，這或許就是企業走出大模型落地困境的關鍵一躍。