首登Nature期刊：中国数据生成科创公司的"破冰"时刻
2026 年 5 月 28 日，Nature 通讯发表了题为 《Multimodal deep learning model for AI-based functional prognostic risk stratification in patients undergoing radical nephrectomy》 的论文。维纳智能负责AI方面工作，中山大学肿瘤医院等机构负责医学方面工作。王雅田同学为共同第一作者，由维纳智能柳崎峰与港科大罗文寒联合指导。
统计显示，过去三年内，影响因子大于 10 的 Nature 期刊共计 60 本，累计收录 74,145 篇论文。维纳智能成为中国首个、全球第四个数据生成科创公司登上Nature期刊。此前，另外两个通用大模型技术公司DeepSeek和面壁智能亦在 Nature 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 "
在复杂肾癌手术中，医生常面临两难选择：
部分肾切除术 PN 可最大限度保留肾功能，但手术难度高、术后并发症风险大；
患肾全切术 RN 技术操作更稳妥，但牺牲整个肾脏，术后慢性肾脏病风险大幅增加，可能严重影响患者长期生存质量。
团队的思路是：术前利用 AI 预测 RN 术后对侧肾脏的长期功能衰退趋势。若对侧肾代偿能力强，则可倾向于 RN；反之，倾向于 PN 以保留更多肾单位。
然而，和绝大部分 AI 预测任务一样，训练数据面临多源异构、样本极度稀疏、设备偏差、信号噪声、时间跨度大等挑战。
为此，作者提出了 RDPM（Rapid GFR Decline Prediction Model），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 "，然后采用多模态多头交叉注意力机制，实现 3D 影像和临床变量的双流异构信息融合。对侧肾脏的皮质和髓质由 UNest 模型自动分割加医生审查而获取。
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 为 0.788～0.873，为个体化手术决策，提供较稳定可量化证据。
预测是大模型训练与推理的底层机制，分为三个层面：
Token语义层：大模型根据前文，预测下一个 Token 的概率分布；
回答语义层：大模型根据人类提问，预测最优回复序列；
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。
类似于 " 生成 " 比 " 判别 " 更难，" 提问 " 比 " 回答 " 更难，因为要预判人类所想和所需，要具备足够的合理性、逻辑性、多样性。
所谓推理数据生成，即大模型根据上下文，既生成提问又生成回答，同时给出思维链和推理过程，其输出为四元组cQrA= ( context, Question, reasoning, Answer ) 。
维纳智能专注于推理数据生成。大模型的高质量学习，不能只有 " 教科书 " 式的结构化知识，还必须有 " 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道坎：一是行业 " 习题集 " 极度匮乏——知识尚困在文档和专家经验中，未变成可训练的推理数据；二是原始数据多源异构、样本稀疏、噪声大，严重干扰知识重构与因果组织。医疗对精度要求最严苛，正是这道坎的最佳试炼场。
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 " 是系统优化之关键。
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 " 反馈控制 + 信息度量 " 的核心作用。
反馈即闭环。
目前大部分工作是：数据 ->Token，即消耗算力用数据训练出大模型并输出 Token 做应用。
而维纳智能却专注另一半：Token→数据，即用大模型自动生成专业高精度推理数据（不依靠非常有限的人类专家标注）。
维纳智能的使命，就是实现 " 数据→Token→数据 " 的大闭环，从而让 Agentic AI 在专业领域自主演化。
从技术上看，搭建这个大闭环的核心目的，是优化以下参数：
内参数，即模型经预 & 后训练得到的参数；
外参数，除了提示词，还有因果锚定（Causal Anchoring）所需要的基于上下文的 Few-shot，但是企业业务应用大模型的降本增效并不明显。
数据即参数。这些上下文相关的 Few-shot，正来自于高精度推理数据生成，其包含了业务知识和对抗式因果，对最终推理结果影响很大。
解决 Agent泛滥之三重困局：测不准、优化难、答不准
Vibe Coding 催生 Agent 井喷，但三大系统级瓶颈迅速浮现：
测不准：软件测试方法对 Agent 几乎失效，实际中提问灵活多样且时效性强，而即使是大企业，其问答数据也极度缺乏；
优化难：缺乏有效的动态测试，系统便处于 " 无反馈 " 状态，结构优化与超参数调优无从下手；
答不准：在专业领域，经典 LLM+RAG 架构通常只有～70% 准确度（对于难题更差），不准就不落地，这就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，可以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），直击三大痛点：
动态多维测试：通过持续生成新 cQrA，既测时效性，又防 " 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（类似于考试前要刷题，面试前要准备）。
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、中国第三家千亿 MoE 大模型全流程预 & 后训练。建过算力，训过模型，大模型三要素中，最后一块拼图便是：造数据，于是创立维纳智能。
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，维纳智能凭借上述核心技术，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 & 一国两制价值观一致性 >99%，当今中外主流大模型仅 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 只有～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，值得关注的是融资节奏与收入增长。除 2 年前 5 千万港币种子轮融资外（联想创投领投），迄今未再融资。提倡精英特种兵文化，贯彻 Harnessing Engineering，追求单兵作战高效造血。凭高毛利产品和复制能力，今年开始业务快速增长，营收预计超 4 千万港币。
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 先任研究员等职。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 & 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 5 百万美元）。仅近两年，发表Nature通讯等顶刊论文 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
当业界在热捧大模型榜单和 Agent 自动化时，Vibe Coding 的发明者 Karpathy 近日给出了一句忠告：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 "Token →数据"。
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。
( 本文首发钛媒体 APP，作者 | 柳崎峰）
