维纳智能登上Nature通讯：AI不只会回答问题，开始生成高精度行业数据

发布时间：2026-07-17 09:46:33 来源：安智兰德资讯网 作者：焦点

一家成立不足两年的维纳香港 AI 初创企业，摒弃了传统的登上答问人工标注依赖与“参数堆砌”竞赛，却在《Nature》子刊上刻下中国数据生成领域的通讯题开里程碑。维纳智能（Wiener Intelligence）横跨价值观安全、始生数据金融保险、成高政务及体育等高度异质领域，精度以工业级精度交出了答卷。行业其核心逻辑不在于构建更大的维纳基座模型或向量数据库，而是登上答问通过让大模型自动生成高精度推理数据，利用闭环反馈驱动专业 Agent 实现自主演化。通讯题开

首登 Nature 主要期刊：中国数据生成科创公司的始生数据“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》的成高论文。该研究中，精度维纳智能主导 AI 技术部分，行业中山大学肿瘤医院等机构负责医学临床部分。维纳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。

论文链接：https://www.nature.com/articles/s41467-026-73813-7

据统计，过去三年内，影响因子大于 10 的《Nature》主要期刊共 60 本，累计收录论文 74,145 篇。维纳智能由此成为中国首个、全球第四个登上《Nature》主要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在此类期刊发文。

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”

在复杂肾癌手术决策中，医生常面临两难困境：
* 部分肾切除术 (PN)：最大限度保留肾功能，但手术难度大，术后并发症风险高；
* 患肾全切术 (RN)：操作相对稳妥，但牺牲整个肾脏，术后慢性肾脏病风险显著增加，严重影响患者长期生存质量。

团队提出的解决方案是：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，则倾向 RN；反之，则倾向 PN 以保留更多肾单位。

然而，与大多数 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、信号噪声及时间跨度大等严峻挑战。

为此，作者提出了 RDPM (Rapid GFR Decline Prediction Model)：
1. 目标升级：从“短期术后 eGFR 点估计”提升至“长期肾功能快速衰退风险分层”；
2. 技术融合：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；
3. 精准分割：对侧肾脏的皮质和髓质由 UNest 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，为个体化手术决策提供了稳定且可量化的证据支持。

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，分为三个层级：
* Token 语义层：根据前文预测下一个 Token 的概率分布；
* 回答语义层：根据人类提问预测最优回复序列；
* 提问语义层：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”更具挑战性，因为它要求模型预判人类所想，具备合理性、逻辑性与多样性。

推理数据生成即大模型根据上下文，同时生成提问、回答、思维链及推理过程，输出形式为四元组 cQrA = (context, Question, reasoning, Answer)。

维纳智能专注于此领域。高质量的大模型学习不仅需要“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”匮乏：知识仍困于文档和专家经验中，未转化为可训练的推理数据；
2. 数据质量干扰：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。医疗领域对精度最严苛的要求，正是验证这一技术最佳试炼场。

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 AI 从反向传播、强化学习到 RLHF、Agentic AI 的演进，均印证了这一核心作用。

• 现状：大部分工作仅停留在 数据 → Token阶段，即消耗算力训练模型并输出 Token 用于应用。
• 维纳智能路径：专注另一半 Token → 数据，即利用大模型自动生成专业高精度推理数据，大幅减少对有限人类专家标注的依赖。

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

从技术角度看，搭建此闭环旨在优化以下参数：
* 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。

数据即参数。这些上下文相关的 Few-shot 源自高精度推理数据生成，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 井喷，但也暴露出三大系统级瓶颈：
1. 测不准：传统软件测试对 Agent 失效，提问灵活多样且时效性强，企业缺乏足够的问答数据；
2. 优化难：缺乏动态测试导致系统处于“无反馈”状态，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 架构准确率通常仅 ~70%（难题更差），“不准”导致无法落地，这是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，进而优化系统结构与超参数；
* 因果锚定推理：离线生成海量 cQrA，为在线推理注入逻辑先验（类似考前刷题、面试准备）。

这一演进逻辑与互联网早期惊人相似：1991 年 HTML 催生网页爆发，随后质量评估与排序成为信息检索关键。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 集群建设及中国第三家千亿 MoE 大模型全流程预 & 后训练。在掌握算力与模型后，最后一块拼图——造数据，促成了维纳智能的创立。

定位：高精度推理数据生成，提供工业级 Agentic AI 系统。
底层技术栈：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、多重检验等模块。

过去一年，在极少依赖传统人工标注的前提下，维纳智能凭借核心技术，连续击穿四个对精度高度敏感且截然不同的领域：价值观安全、金融保险、香港政务、体育竞赛，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 2C&2B 创新产品，验证了专业精准度与跨界通用能力：

• 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%（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
• 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“不敢用”、“用不好”的落地难题。
• 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%（Gemini Search 仅 ~59%）。quewi.ai/insurebot
• 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
• 香港大模型写作 & 改错系统：改错准确度 > 90%。quewi.ai/writingbot

财务与增长：
除两年前 5000 万港币种子轮融资（联想创投领投）外，维纳智能迄今未再融资。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。凭借高毛利产品与复制能力，今年业务快速增长，预计营收超 4000 万港币。

上述成果已吸引人民日报、新华社、中央广播电视总台、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”。

核心团队：大模型超算训练的先行者，与世界级 IT 企业高管携手

创始人 柳崎峰教授
* 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（2022 年傅京孙奖得主）。
* 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。
* 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。
* 履历亮点：香港大模型超算与训练最早发起者之一。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 大高校发起建立 HKGAI；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。
* 科研成就：累计管理超 1 亿美元重大科研项目，在清华、港科大、牛津、哥大等建立超 500 万美元联合实验室。近两年发表 Nature 通讯等顶刊论文 2 篇，AI 顶会论文 17 篇。

首席营收官（CRO）& 合伙人 封小韵女士
* 前思科大中华区副总裁，香港、澳门及中国南区总经理。
* 掌舵粤港澳大湾区这一多语、多币、多法律的超级复杂市场，率先洞察中企全球化浪潮，在思科内部首创出海支持战略及服务体系。
* 2024 年出版新浪财经畅销书《出海战略》，荣膺世界互联网大会青年领军者。

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 “Token→数据”。

其核心方案清晰而克制：
1. 用推理数据生成替代人工标注；
2. 用闭环反馈驱动系统持续优化；
3. 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。

相关文章