DeepSeek之后，中国AI「自己出题」杀进Nature通讯！全球仅4家

新智元报道 【新智元导读】 不堆参数、不烧人海标注，一家成立不到两年的香港AI公司靠「让大模型自己造高精度数据」登上Nature通讯，成为继DeepSeek、面壁智能之后，中国首个登上Nature主要期刊顶的跨领域大模型技术 科创公司。 一家成立不到两年的香港 AI 公司，未依赖海量人工标注，也未陷入「堆参数」竞赛，却在Nature 主要期刊 上留下首个「中国数据生成公司」的印迹。 横跨价值观安全、金融 保险 、香港政务、体育竞赛等多个高度异质领域，交出工业级精度答卷。 其底层逻辑并非更大的基座模型或向量数据库，而是 让大模型自动生成高精度推理数据，用闭环反馈驱动专业Agent自主演化 。 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 主要 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 主要期刊 。 此前，另外两个通用大模型技术公司 DeepSeek 和 面壁智能 亦在Nature主要期刊发文。 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。 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 =( c ontext, Q uestion, r easoning, A nswer)。 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：