中国数据生成团队，首次登上Nature期刊

吖亮V

推理交互数据生成决定了大模型能力上限。
作者/王露
报道/投资界PEdaily
一个香港创业团队意外进入我们的视野。
1 V6 `9 H/ n. ]7 X前不久，一篇关于AI辅助肾癌手术决策的论文登上Nature通讯（https://www.nature.com/articles/s41467-026-73813-7）。凭借这篇论文，维纳智能成为中国首个、世界第四个登上Nature主要期刊（近三年IF>10）的数据生成科创公司——之前发文的中国大模型公司，是DeepSeek与面壁智能。
5 ~& e; W7 D1 x( Y8 l" X身后创始人柳崎峰教授，曾在香港科技大学建起全球首个千卡H800 SuperPod集群，预训练出中国第三家千亿参数大模型，管理项目研发资金超1亿美金。此后他盯上了如何提高AI的“提问”能力，来生成高质量推理问答数据，而这是即将爆发的AI自主学习的关键之一，于是在香港创办了维纳智能。
1 p$ f, n( F7 m* K$ e9 P
带着好奇，投资界与柳崎峰深谈近三个小时。话题从这篇论文说起，一路聊到大模型与具身智能，以及他对AI下一程的理解。
从一篇Nature通讯论文说起

别人是“从论文中来，到论文中去”，柳崎峰却是“从问题中来，到问题中去”。
2025年初，柳崎峰的亲属身患肾癌，主治医生是中山大学肿瘤医院张志凌主任。和其他所有肾癌手术一样，医生一直面临一个临床难题——部分肾切除和根治性肾切除之间，能否有更量化更智能的判断依据？
这个难题的本质是：AI能否预测真实世界里的复杂选择。
于是就在医院病房里，一场跨越医学与AI的合作就此展开：张志凌负责医学工作并联合多家医院完成数据收集，维纳智能负责AI和数据处理工作。论文共同第一作者王雅田，是港科大博士生、维纳智能实习生，由柳崎峰与罗文寒教授联合指导。
# ?5 X% `5 T, b; z* \5 u针对多源异构稀疏数据挑战，团队提出RDPM模型，将3D影像和临床变量/指标放进同一个预测框架，在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到0.873。论文预测了患者远期肾衰退风险，为高度依赖经验的手术决策提供了可量化支撑。
维纳智能在医疗这样最难容错的场景中，完成了一次AI预测的公开检验。这也指向了柳崎峰接下来要讲的AI预测的另一面——预测其实是大模型的底层机制，用预测下一个Token的方式生成答案，天生“善答”。而维纳智能的聚焦点，是更进一步——让AI不仅善答，更要“善问”。要让AI有“学问”，既要“学”得进去，更要“问”得出来。
港科大教授创业
* X, N* N2 n9 x  |* U: Z# S% t联想创投领投第一轮
. T9 P, K" q) [8 O3 Q  R
“别人是火什么，做什么。而他是做什么，火什么。”身边的朋友聊起对柳崎峰的过往印象。
这句话并非夸张。早在2001年，柳崎峰进入中国科学院自动化所模式识别国家重点实验室，师从谭铁牛院士——国际模式识别领域最高奖-傅京孙奖2022年得主。此后他先后任Samsung Lab研究员、Yahoo! Lab数据科学家、平安集团Gamma AI Lab主任、中国科学院香港创新研究院AI总监等职。2018年，他与杨强院士联合发起香港人工智能与机器人学会，2021年，他便极具前瞻性地为港府撰写了“香港云脑”和“香港基础大模型”建议书，成为香港AI超算建设与大模型训练的早期推动者。
看似分散的经历，都指向同一件事：让机器从复杂信息中找到模式并形成判断。
- S3 d" E8 L" m5 L. z真正的转折发生在ChatGPT开始火爆的2023年。彼时柳崎峰在特区政府和学校领导的大力支持下，在香港科技大学联合6大高校，与郭毅可院士联合发起香港生成式人工智能研发中心，带队建成世界首个千卡H800 SuperPod AI超算集群，2024年，完成中国第三家千亿MoE大模型预/后训练。对于香港AI发展来说，这是一个关键节点。
" y9 M, Y/ @) c, \6 h; F0 I# R也正是这段经历，他看见了下一道缺口：大模型越往深处走，越依赖高质量数据，永远是“数据为王”，尤其是千行百业的推理问答数据，于是让大模型能够高质量地“提问”，就成了首要关键。
4 u- G  `4 j  |5 x8 j1 U柳崎峰把大模型发展拆成三个阶段：先是“从数据到模型”，用互联网大数据做预训练；再是“从模型到Token”，大模型开始输出Token生成内容或执行任务；接下来，是从“Token到数据”——让大模型系统主动提问、分步思考、校对回答，即推理问答数据生成。如此形成“数据→模型→Token→数据”的反馈大闭环，从而使AI具备自主学习能力。
AI自主学习的目的是获取“学问”，而“学问”就是“学”习训练 + 提“问”回答。清代学者刘开在《问说》中写道：“君子之学必好问。问与学，相辅而行者也。非学无以致疑，非问无以广识。”
2024年7月，香港维纳智能正式成立。公司名取自诺伯特·维纳——控制论的创始人。柳崎峰看重的，正是控制论里的反馈闭环。维纳智能的使命，就是让AI“问”得准、“答”得对，进而实现“数据→模型→Token→数据”的大闭环，从而让Agentic AI在专业领域自主演化。
  g2 c$ ], }3 r# `1 f, C9 u& q维纳智能的任务，是要解决一个反直觉的问题，即一方面大模型发展一日千里，另一方面，大模型在企业落地依然非常难。原因很简单，就是准确度低。用学生备考来类比——光有教科书（专业文档），缺少习题集（推理问答数据），考试成绩不可能高（系统准确度低）。因为背教科书获取的是死的知识，而做习题集练的是活的解题能力。维纳智能在做的事，就是帮千行百业补上这本“习题集”，让AI不仅“学教材”，而且“做习题”，从而解决当下Agent泛滥所面临的测不准、优化难、答不准的瓶颈问题。
当下有一种流行说法：大模型问答已过时，执行任务才是关键。这未免流于表面。执行能力取决于两大支柱：单智能体在专业领域的准确度，与多智能体间的协同能力。可现实是，当前执行能力远未可靠。症结之一便在于单体问答准确率往往不足70%——连“可信”的门槛都迈不过，更遑论“协作”。
“习题”的具体定义是cQrA：context、Question、reasoning、Answer。context是任务现场，Question是生成的问题，reasoning是推理过程，Answer是校验后答案。换言之，维纳智能要让模型在一个具体行业语境里，同时生成问题、答案和推理过程。
这也拉开了与传统数据标注的距离。传统数据标注严重依赖人工甚至专家，成本高、难规模化，只给答案，缺少推理，专家经验被重复劳动消耗。维纳智能则让Agentic AI化身不知疲倦的智能专家团队，自动生成带完整思维链的cQrA数据，彻底突破人力瓶颈。比省钱更关键的是，闭环机制使每一轮生成的数据反哺生成和评价模型，驱动下一轮迭代在精度与逻辑上持续跃升——由此实现从“手工作坊”到“自我进化知识工厂”的质变。
! ]+ o. W% J% o) [& i, A                                                                                                                                
                                                                                                                                   徕芬京东自营旗舰店                                    徕芬Swift4，速干修护养发一体机，打造瀑布水光发，一吹即顺
                                
. v2 j  e3 o/ L+ u4 @: j7 R# C                           
                            查看详情
                        
4 S- }7 h0 N% O  z4 n. p3 P                    
; N' S5 N) ]: Q. d                                       
+ h+ C7 R. H7 R# [% a! U
! Y8 c* r! ]; ?" T! g- V7 N2 L/ A维纳智能很快进入产业界和投资人视野。公司刚成立不久，便完成5000万港元种子轮融资，由联想创投领投。联想创投一直沿AI三要素赛道下注：算力投了沐曦、寒武纪等，模型投了智谱、阶跃星辰等，数据这一环，落到了维纳智能。同时，沐曦和维纳智能深度合作，在即将到来的“数据→模型→Token→数据”的大闭环时代，一个提前为未来范式设计了算力平台，一个提前为未来范式定义了工作负载。
/ g2 d1 \3 q! W& n5 a+ J3 @2 J( \AI下一程
“让我们生成这个世界”
/ y2 u$ h  G4 f$ v7 b9 T4 q
3 J4 @! r- x5 _$ [' [
; y" t% a6 t( d, D, l% i商业化验证，先从两个灵魂拷问开始。
拷问一：在没有大规模专家标注的情况下，生成的数据是否有专业机构买单？
0 M2 `7 O7 B7 o- L8 v7 i拷问二：是否可以做到跨行业、可复制？
为此，维纳智能顶住压力，打破了传统2B科创公司“深度优先”原则，即一定先要“击穿某个行业”，而是采用了“广度优先”，故意选了四个看似毫不相干、但准确度要求很高的行业：价值观安全、政务、保险、赛马，且每个行业都落地了头部客户。
“我们证明了可以用小团队、无行业专家、低成本实现跨行业复制。”柳崎峰表示，如今实现了“0到4”的验证，下一步就是“1到M x N”的推广（M个行业，每个行业N个头部客户）。
- D! G& \. e; Z7 h0 S这背后，是对数据价值的长期判断。
! t5 g7 |/ G5 w! j9 m在柳崎峰看来，中美AI的差距，很大程度上源于对数据的认知差异——数据长期被视为“脏活累活”，数据工程师的薪酬普遍低于算法与模型工程师。
) I6 Q% j+ U5 \. h但格局正在扭转。随着数据生产从人工标注走向推理、交互与闭环反馈，大模型公司在数据侧的投入持续加码，推理交互数据生成决定了大模型能力上限，已是业内共识。
/ Q" O* M7 I" h2 u而未来最核心的，不是模型，甚至不是数据本身，而是那个“大闭环”。正如进化的关键既非男人也非女人，而是交配与自然选择——染色体复制、交叉、变异和适者生存的机制。数据蒸馏只是借力外部的一种路径，真正的护城河，是建立起模型训练与数据生成相互驱动的自主学习闭环，用模型协同与反馈机制持续生成高质量数据。
这个判断也延伸到当下最热的具身智能。
传统方式训练具身智能，基于对人类的模仿。而真正智能应像婴儿学步“摸爬滚打”：在持续跌倒与尝试中自主生成动作数据，再通过闭环反馈迭代优化决策模型。
0 G  ]# _9 Z  @& ?3 e, o6 E5 h柳崎峰说，数字世界的闭环训练逻辑，已经延伸至物理世界。无论是Agent进入行业，还是机器人走向现场，都离不开提前自主生成的海量高质量推理交互数据。相应地，cQrA演进为cTrA——场景（context）、任务（Task）、推理（reasoning）、执行（Action），这既是训练的新燃料，也是评测的新标尺。
& M3 r* ]2 [  H路刚刚开始，柳崎峰给出的答案，指向那个不远的未来：“让我们生成这个世界！”