作者｜柳崎峰，维纳维纳智能创始人兼CEO、智能中国香港科技大学客座教授

一家成立不足两年的数据生成首登香港AI初创企业，既未依赖海量人工标注，科创也未卷入“堆参数”的公司军备竞赛，却成功在《Nature》期刊上刻下“中国数据生成公司”的期刊首个印记。其业务横跨价值观安全、维纳金融保险、智能中国香港政务、数据生成首登体育竞赛等高异质性领域，科创并交付了工业级精度的公司解决方案。其底层逻辑并非追求更大的期刊基座模型或向量数据库，而是维纳让大模型自动生成高精度推理数据，通过闭环反馈驱动专业 Agent 实现自主演化。智能中国

首登 Nature 期刊：中国数据生成科创公司的数据生成首登破冰时刻

2026年5月28日，《Nature Communications》发表了题为 《Multimodal deep learning model for AI-based functional prognostic risk stratification in patients undergoing radical nephrectomy》的学术论文。维纳智能负责其中的 AI 技术部分，中山大学肿瘤医院等机构负责医学临床部分。王雅田同学为共同第一作者，由维纳智能创始人柳崎峰与港科大罗文寒教授联合指导。

统计数据显示，过去三年内，影响因子大于10的《Nature》系列期刊共计60本，累计收录论文74,145篇。维纳智能成为中国首个、全球第四个登上《Nature》期刊的数据生成科创公司。此前，仅有 DeepSeek 和面壁智能两家通用大模型技术公司曾在该期刊发文。

临床两难，AI 预测：从“单模态短期估算”升级为“多模态长期风险分层”

在复杂的肾癌手术决策中，医生常面临两难困境：

• 部分肾切除术 (PN)：能最大限度保留肾功能，但手术难度极高，术后并发症风险较大；
• 患肾全切术 (RN)：技术操作相对稳妥，但需牺牲整个肾脏，术后慢性肾脏病风险显著增加，可能严重影响患者长期生存质量。

团队的核心思路是：术前利用 AI 预测 RN 术后对侧肾脏的长期功能衰退趋势。若对侧肾脏代偿能力强，则倾向于 RN；反之，则倾向于 PN 以保留更多肾单位。

然而，与绝大多数 AI 预测任务一样，该场景面临多源异构、样本极度稀疏、设备偏差、信号噪声、时间跨度大等严峻挑战。

为此，作者提出了 RDPM (Rapid GFR Decline Prediction Model)。该模型首先将优化目标从“短期术后 eGFR 点估计”提升为“长期肾功能快速衰退风险分层”，并采用多模态多头交叉注意力机制，实现 3D 影像与临床变量的双流异构信息融合。对侧肾脏的皮质和髓质由 U-Net 模型自动分割并经医生审查确认。

该模型在 15 家多中心医疗机构、1621 例患者队列中完成训练与验证。外部多中心测试 AUC 达到 0.788～0.873，为个性化手术决策提供了稳定且可量化的证据。

模型层面优化：从“预测”到“推理数据生成”

预测是大模型训练与推理的底层机制，可分为三个层面：

1. Token 语义层：大模型根据前文，预测下一个 Token 的概率分布；
2. 回答语义层：大模型根据人类提问，预测最优回复序列；
3. 提问语义层：大模型根据上下文，预测人类潜在的真实需求与追问方向。

正如“生成”比“判别”更难，“提问”比“回答”更难，因为预判人类所想与所需，要求具备足够的合理性、逻辑性与多样性。

所谓推理数据生成，即大模型根据上下文，同时生成提问与回答，并给出思维链和推理过程，其输出为四元组 cQrA = (context, Question, reasoning, Answer)。

维纳智能专注于此领域。大模型的高质量学习不能仅靠“教科书”式的结构化知识，更需“习题集”式的问答推理数据。习题集的本质是一种对抗式、强因果的知识组织形式：以问题驱动思考，以答案形成反馈，以推理强化因果。维纳智能的目标是训练大模型不仅会回答，更善于提问，成为具备主动学习能力的智能体。

高质量推理数据生成面临两大瓶颈：
1. 行业“习题集”极度匮乏——知识仍困在文档和专家经验中，未转化为可训练的推理数据；
2. 原始数据多源异构、样本稀疏、噪声大，严重干扰知识重构与因果组织。

医疗领域对精度要求最严苛，正是突破这道瓶颈的最佳试炼场。

系统层面优化：从“推理数据生成”到“数据 → Token → 数据”大闭环

1948年，诺伯特·维纳创立控制论，强调“反馈控制 + 信息度量”是系统优化的关键。

现代人工智能的发展，从反向传播、强化学习，到 RLHF、Agentic AI 等重大进展，无一不印证了这一核心作用。反馈即闭环。

目前主流工作流多为：数据 → Token，即消耗算力用数据训练大模型并输出 Token 用于应用。

而维纳智能专注另一半：Token → 数据，即用大模型自动生成专业高精度推理数据（不依赖有限的人类专家标注）。

维纳智能的使命是实现“数据 → Token → 数据”的大闭环，从而让 Agentic AI 在专业领域实现自主演化。

从技术角度看，搭建此闭环的核心目的是优化以下参数：

• 内参数：模型经预训练与后训练得到的参数；
• 外参数：除提示词外，还包括因果锚定（Causal Anchoring）所需的基于上下文的 Few-shot。目前企业业务应用大模型降本增效不明显，关键在于数据即参数。这些上下文相关的 Few-shot 正来源于高精度推理数据生成，其中包含业务知识及对抗式因果，对最终推理结果影响巨大。

解决 Agent 泛滥之三重困局：测不准、优化难、答不准

Vibe Coding 催生了 Agent 的井喷，但三大系统级瓶颈迅速浮现：

1. 测不准：传统软件测试方法对 Agent 几乎失效。实际场景中提问灵活多样且时效性强，而即便大企业，其问答数据也极度匮乏；
2. 优化难：缺乏有效的动态测试，系统处于“无反馈”状态，导致结构优化与超参数调优无从下手；
3. 答不准：在专业领域，经典 LLM + RAG 架构的准确度通常仅约 70%（难题更差）。不准就不落地，这是当前大模型难以帮助企业降本增效的根本原因。

维纳智能的推理数据生成技术，可自动生成各行业高质量 cQrA 数据集（规模可达几十万条，每小时上千条），直击上述三大痛点：

• 动态多维测试：通过持续生成新 cQrA，既测试时效性，又防止“作弊”；
• 闭环反馈优化：测试提供反馈，进而对整个系统的结构和超参数进行优化；
• 因果锚定推理：离线生成海量 cQrA，为在线推理在锚定范围内注入逻辑先验（类似于考前刷题、面试准备）。

这一演进与互联网早期逻辑惊人相似：1991年 HTML 协议催生网页爆发式增长，随后质量评估和相关性排序成为信息检索效率的关键。如今 Agent 指数级涌现，对 Agent 的评估与排序，正是维纳智能着力构建的下一代基础设施。

排序即效率。

维纳智能 AI 特种兵：不烧钱不堆人，连续击穿“硬核”行业

2024年7月，香港科技大学柳崎峰教授带队完成全球首个千卡 H800 AI 集群建设，并实现中国第三家千亿 MoE 大模型的全流程预训练与后训练。在拥有算力、训练过模型后，大模型三要素中的最后一块拼图——造数据，促使柳崎峰创立维纳智能。

维纳智能定位为：高精度推理数据生成，为企业提供工业级 Agentic AI 系统。底层技术栈为闭环反馈多智能体协同框架，涵盖知识重构、因果推理、任务分解、多重检验等关键模块。

过去一年间，在几乎没有行业专家参与传统数据标注的前提下，维纳智能凭借核心技术，连续击穿四个截然不同且对精度高度敏感的领域：价值观安全、金融保险、香港政务、体育竞赛，且客户均为头部机构。

以推理数据生成为核心，以国产 GPU - 沐曦为底座，构建了系列颇具特色的 2C & 2B 创新产品，验证了专业精准度和跨界通用能力：

• 首发出海价值观大模型系统：具备外交官级政治智慧，出海及“一国两制”价值观一致性 >99%（当今中外主流大模型仅为 9～21%），打破海外闭源模型价值观话语权垄断。（quewi.ai, quewi-demo.surge.sh）
• 首发实时 Agent 测试系统：动态生成问答数据，定期输出评估报告，解决企业对于 Agent “不敢用”、“用不好”的落地难题。
• 首发保险大模型数据生成和问答系统：复杂保险问答生成准确率 >95%（而 Gemini Search 仅约 59%）。（quewi.ai/insurebot）
• 首发赛马大模型系统：统计问答准确度 >94%，分析预测 Top-3 准确度 >59%。（quewi.ai/racebot）
• 首发香港大模型写作&改错系统：改错准确度 >90%。（quewi.ai/writingbot）

此外，融资节奏与收入增长值得关注。除两年前 5000 万港币种子轮融资（联想创投领投）外，迄今未再融资。公司提倡精英特种兵文化，贯彻 Harnessing Engineering，追求单兵作战高效造血。凭借高毛利产品和复制能力，今年业务开始快速增长，预计营收将超 4000 万港币。

上述成果已吸引人民日报、新华社、中央广播电视台、中联办公众号、紫荆期刊、凤凰卫视等权威机构深度报道，被誉为“香港人工智能产业发展好风正起”。

创始人柳崎峰：从大模型超算训练的先行者，到“Token 数据”的布道者

2005年博士毕业于中科院自动化所，师从人工智能泰斗谭铁牛院士（国际模式识别领域最高奖 - 傅京孙奖 2022 年得主）。曾任香港生成式人工智能研发中心（HKGAI）总经理、平安集团加马 AI 研究院院长、Yahoo! Lab 研究科学家、Samsung Lab 首席研究员等职。他还担任中国人工智能学会理事，港科大-沐曦先进 AI 计算联合实验室发起人及学术委员等职。

他是香港大模型超算与训练的最早发起者和建设者之一：
* 2018年与杨强院士联合创立香港人工智能与机器人学会；
* 2021–2022年为港府撰写“香港云脑”与“香港基础模型”建议书；
* 2023年与郭毅可院士联合 6 大知名高校发起建立香港生成式人工智能研发中心；
* 2023年带队建设全球首个千卡 H800 AI 超算系统；
* 2024年带队预训练及后训练中国第三家千亿 MoE 大模型。

他拥有丰富的研发及管理重大科研项目经验（累计超 1 亿美元）。在清华大学、港科大、牛津大学、哥伦比亚大学等建立联合实验室（累计超 500 万美元）。仅近两年，发表《Nature Communications》等顶刊论文 2 篇，AI 顶会论文 17 篇。

结语：闭环反馈是引擎，推理数据是燃料

当业界热捧大模型榜单和 Agent 自动化时，Vibe Coding 发明者 Karpathy 近日给出忠告：别再逼你的 Agent 什么都干，先把底层机制做对。

维纳智能选择的路径，恰是对这句话的工程化回应：让 AI 先学会“问对问题”，再学会“答对问题”，在多步分解与多重校验中，将大模型的推理能力沉淀为工业级数据资产，即实现 “Token → 数据”的转化。

其核心方案清晰而克制：用推理数据生成替代人工标注，用闭环反馈驱动系统持续优化，用因果锚定为在线推理提供稳定逻辑支点。测得准，能优化，答难题，这或许就是企业走出大模型落地困境的关键一跃。