Un equipo emprendedor de Hong Kong ha captado nuestra atención de forma inesperada.
Hace poco, un artículo sobre la toma de decisiones quirúrgicas en cáncer de riñón asistida por IA fue publicado en Nature Communications (https://www.nature.com/articles/s41467-026-73813-7). Con este artículo, Verna AI se convirtió en la primera empresa china de tecnología e innovación en generación de datos, y la cuarta a nivel mundial, en publicar en una revista principal de Nature (IF>10 en los últimos tres años). Las empresas chinas de grandes modelos de lenguaje que habían publicado previamente eran DeepSeek y Facewall AI.
Detrás está el profesor fundador Liu Qifeng, quien anteriormente estableció el primer clúster global de SuperPod con mil tarjetas H800 en la Universidad de Ciencia y Tecnología de Hong Kong (HKUST), entrenó el tercer modelo de lenguaje de parámetros billonarios de China y gestionó fondos de I+D de proyectos por más de 100 millones de dólares estadounidenses. Posteriormente, centró su atención en cómo mejorar la capacidad de "preguntar" de la IA para generar datos de preguntas y respuestas de razonamiento de alta calidad, lo que es clave para el próximo auge del aprendizaje autónomo de la IA. Por ello, fundó Verna AI en Hong Kong.
Con curiosidad, el equipo de inversión mantuvo una conversación de casi tres horas con Liu Qifeng. El diálogo comenzó con este artículo y se extendió a los grandes modelos de lenguaje y la inteligencia encarnada, así como a su comprensión de la próxima etapa de la IA.
Comenzando con un artículo en Nature Communications
Mientras otros van "del artículo al artículo", Liu Qifeng va "del problema al problema".
A principios de 2025, un familiar de Liu Qifeng padeció cáncer de riñón, siendo su médico tratante el director Zhang Zhiling del Hospital Oncológico de la Universidad Sun Yat-sen. Al igual que en todas las cirugías de cáncer de riñón, el médico se enfrentaba a un desafío clínico persistente: ¿podría haber una base de decisión más cuantitativa e inteligente entre la nefrectomía parcial y la nefrectomía radical?
La esencia de este problema es: ¿puede la IA predecir elecciones complejas en el mundo real?
Así, en la sala del hospital, comenzó una colaboración que trascendía la medicina y la IA: Zhang Zhiling se encargó del trabajo médico y coordinó la recopilación de datos con múltiples hospitales, mientras que Verna AI se encargó del trabajo de IA y procesamiento de datos. La coautora principal del artículo, Wang Yatian, es estudiante de doctorado en HKUST y pasante en Verna AI, supervisada conjuntamente por Liu Qifeng y el profesor Luo Wenhan.
Para abordar el desafío de los datos dispersos y heterogéneos de múltiples fuentes, el equipo propuso el modelo RDPM, integrando imágenes 3D y variables/indicadores clínicos en un mismo marco predictivo. El modelo fue entrenado y validado en una cohorte de 1621 pacientes, logrando un AUC de 0.788 a 0.873 en pruebas multicéntricas externas. El artículo predice el riesgo de deterioro renal a largo plazo de los pacientes, proporcionando un soporte cuantificable para decisiones quirúrgicas que dependen en gran medida de la experiencia. Esto apunta hacia el otro lado de la predicción de la IA que Liu Qifeng explicará a continuación: la predicción es, de hecho, el mecanismo subyacente de los grandes modelos de lenguaje, que generan respuestas prediciendo el siguiente token, siendo inherentemente "buenos respondiendo". El enfoque de Verna AI va un paso más allá: hacer que la IA no solo sea buena respondiendo, sino también "buena preguntando". Para que la IA tenga "conocimiento", debe poder "aprender" y, aún más importante, "preguntar" efectivamente.
Emprendimiento de un profesor de HKUST
Primera ronda liderada por Lenovo Capital
"Mientras otros hacen lo que está de moda, él hace lo que luego se pone de moda", comentan amigos cercanos sobre su impresión de Liu Qifeng.
Esto no es una exageración. Ya en 2001, Liu Qifeng ingresó al Laboratorio Clave Estatal de Reconocimiento de Patrones del Instituto de Automatización de la Academia China de Ciencias, siendo alumno del académico Tan Tieniu, ganador en 2022 del Premio Fu Jing-Sun, el más alto galardón en el campo internacional del reconocimiento de patrones. Posteriormente, ocupó cargos como investigador en Samsung Lab, científico de datos en Yahoo! Lab, director del Gamma AI Lab del Grupo Ping An y director de IA del Instituto de Innovación de Hong Kong de la Academia China de Ciencias. En 2018, cofundó con el académico Yang Qiang la Sociedad de Inteligencia Artificial y Robótica de Hong Kong. En 2021, mostrando una gran visión de futuro, redactó una propuesta para el gobierno de Hong Kong sobre el "Cerebro en la Nube de Hong Kong" y el "Modelo Base de Lenguaje Grande de Hong Kong", convirtiéndose en uno de los impulsores tempranos de la construcción de supercomputadoras para IA y el entrenamiento de grandes modelos en Hong Kong.
Experiencias aparentemente dispersas apuntan a lo mismo: hacer que las máquinas encuentren patrones en información compleja y formen juicios.
El verdadero punto de inflexión ocurrió en 2023, con el auge de ChatGPT. En ese momento, con el fuerte apoyo de las autoridades del gobierno especial y los líderes universitarios, Liu Qifeng, junto con seis importantes universidades en HKUST y en colaboración con el académico Guo Yike, inició el Centro de Investigación y Desarrollo de IA Generativa de Hong Kong. Lideró la construcción del primer clúster de supercomputadora IA SuperPod con mil tarjetas H800 del mundo. En 2024, completó el entrenamiento previo y posterior del tercer modelo MoE (Mixture of Experts) billonario de China. Este fue un punto crucial para el desarrollo de la IA en Hong Kong.
Fue precisamente esta experiencia la que le permitió ver la siguiente brecha: a mayor profundidad de los grandes modelos, mayor dependencia de datos de alta calidad, donde siempre impera "los datos son el rey", especialmente los datos de preguntas y respuestas de razonamiento para miles de industrias. Por lo tanto, hacer que los grandes modelos puedan "preguntar" de alta calidad se convirtió en la clave primordial.
Liu Qifeng divide el desarrollo de los grandes modelos en tres etapas: primero, "de los datos al modelo", utilizando grandes volúmenes de datos de internet para el entrenamiento previo; luego, "del modelo al token", donde los modelos comienzan a generar contenido o ejecutar tareas; y a continuación, "del token a los datos" —hacer que el sistema del modelo grande active preguntas, piense paso a paso y verifique respuestas, es decir, la generación de datos de preguntas y respuestas de razonamiento. Así se forma un gran ciclo de retroalimentación "datos → modelo → token → datos", permitiendo que la IA tenga capacidad de aprendizaje autónomo.
El propósito del aprendizaje autónomo de la IA es adquirir "conocimiento", y el "conocimiento" es "aprender" a entrenar + "preguntar" y responder. El erudito de la dinastía Qing, Liu Kai, escribió en "Wen Shuo": "El aprendizaje del hombre superior debe ser inquisitivo. Preguntar y aprender se complementan mutuamente. Sin aprendizaje no se puede dudar, sin preguntar no se puede ampliar el conocimiento".
En julio de 2024, se fundó oficialmente Verna AI en Hong Kong. El nombre de la compañía proviene de Norbert Wiener, fundador de la cibernética. Lo que Liu Qifeng valora es precisamente el ciclo de retroalimentación de la cibernética. La misión de Verna AI es hacer que la IA "pregunte" con precisión y "responda" correctamente, logrando así el gran ciclo "datos → modelo → token → datos", permitiendo que la IA Agéntica evolucione autónomamente en campos especializados.
La tarea de Verna AI es resolver un problema contrario a la intuición: por un lado, el desarrollo de los grandes modelos avanza a pasos agigantados; por otro, su implementación empresarial sigue siendo muy difícil. La razón es simple: baja precisión. Usando una analogía con estudiantes preparándose para exámenes: solo tener libros de texto (documentos especializados) sin libros de ejercicios (datos de preguntas y respuestas de razonamiento) no puede dar buenos resultados (baja precisión del sistema). Porque memorizar el libro de texto adquiere conocimiento estático, mientras que hacer ejercicios practica la capacidad de resolver problemas de forma dinámica. Lo que Verna AI hace es ayudar a miles de industrias a completar este "libro de ejercicios", haciendo que la IA no solo "estudie el material", sino también "resuelva ejercicios", abordando así los cuellos de botella actuales de los agentes de IA: medición imprecisa, optimización difícil y respuestas inexactas.
Actualmente, hay una creencia popular: las preguntas y respuestas de los grandes modelos están pasadas de moda, la ejecución de tareas es la clave. Esto es superficial. La capacidad de ejecución depende de dos pilares: la precisión del agente individual en campos especializados y la capacidad de colaboración entre múltiples agentes. La realidad es que la capacidad de ejecución actual dista de ser confiable. Uno de los problemas principales es que la tasa de precisión de preguntas y respuestas de un solo agente a menudo es inferior al 70% —ni siquiera alcanza el umbral de "confiable", y mucho menos de "colaboración".
La definición específica de "ejercicio" es cQrA: contexto (context), Pregunta (Question), razonamiento (reasoning), Respuesta (Answer). El contexto es la escena de la tarea, la Pregunta es la generada, el razonamiento es el proceso de inferencia y la Respuesta es la verificada. En otras palabras, Verna AI hace que el modelo, en un contexto industrial específico, genere simultáneamente preguntas, respuestas y procesos de razonamiento.
Esto también marca una distancia con la anotación de datos tradicional. La anotación tradicional depende en gran medida de mano de obra humana e incluso de expertos, es costosa, difícil de escalar, solo proporciona respuestas sin razonamiento, y consume la experiencia experta en trabajo repetitivo. Verna AI, en cambio, hace que la IA Agéntica se convierta en un equipo de expertos inteligentes incansables, generando automáticamente datos cQrA con cadenas completas de pensamiento, superando por completo el cuello de botella humano. Más importante que ahorrar dinero, el mecanismo de ciclo cerrado permite que los datos generados en cada ronda alimenten los modelos de generación y evaluación, impulsando que la siguiente iteración mejore continuamente en precisión y lógica —logrando así un cambio cualitativo de "taller manual" a "fábrica de conocimiento de autoevolución".
Verna AI pronto captó la atención de la industria y los inversores. Poco después de su fundación, la compañía completó una ronda de financiación semilla de 50 millones de dólares de Hong Kong, liderada por Lenovo Capital. Lenovo Capital ha estado invirtiendo en la pista de los tres elementos de la IA: en potencia de cálculo, invirtió en empresas como MetaX y Cambricon; en modelos, en empresas como Zhipu AI y StepFun; y en el eslabón de datos, la apuesta cayó en Verna AI. Simultáneamente, MetaX y Verna AI colaboran profundamente. En la próxima era del gran ciclo "datos → modelo → token → datos", una diseñó con anticipación la plataforma de computación para el paradigma futuro, y la otra definió con anticipación la carga de trabajo para el paradigma futuro.
La próxima etapa de la IA
"Generemos este mundo"
La validación comercial comenzó con dos preguntas cruciales.
Pregunta uno: ¿Los datos generados, sin anotación experta a gran escala, serán adquiridos por instituciones especializadas?
Pregunta dos: ¿Se puede lograr replicabilidad entre industrias?
Para ello, Verna AI resistió la presión y rompió con el principio tradicional de las empresas de tecnología 2B de "profundidad primero" —es decir, primero "perforar una industria específica"— y adoptó un enfoque de "amplitud primero". Seleccionaron deliberadamente cuatro industrias aparentemente no relacionadas pero con altos requisitos de precisión: seguridad de valores, gobierno, seguros y carreras de caballos, y lograron implementar clientes líderes en cada una.
"Demostramos que podemos usar un equipo pequeño, sin expertos de la industria y a bajo costo para lograr replicabilidad entre industrias", dijo Liu Qifeng, indicando que ahora han logrado la validación de "0 a 4", y el siguiente paso es la expansión de "1 a M x N" (M industrias, cada una con N clientes líderes).
Detrás de esto hay un juicio a largo plazo sobre el valor de los datos.
Según Liu Qifeng, la brecha en IA entre China y EE. UU. se debe en gran medida a diferencias en la percepción de los datos: estos han sido vistos durante mucho tiempo como un "trabajo sucio y pesado", y los salarios de los ingenieros de datos generalmente han sido inferiores a los de los ingenieros de algoritmos y modelos.
Pero la situación está cambiando. A medida que la producción de datos pasa de la anotación manual al razonamiento, la interacción y la retroalimentación en ciclo cerrado, la inversión de las empresas de grandes modelos en el lado de los datos continúa aumentando. Es un consenso dentro de la industria que la generación de datos de interacción de razonamiento determina el límite superior de las capacidades de los grandes modelos.
Y lo más central en el futuro no es el modelo, ni siquiera los datos en sí mismos, sino ese "gran ciclo". Así como la clave de la evolución no son ni el hombre ni la mujer, sino el apareamiento y la selección natural —el mecanismo de replicación, cruce, variación y supervivencia del más apto de los cromosomas. La destilación de datos es solo un camino que aprovecha fuerzas externas. La verdadera ventaja competitiva es establecer un ciclo de aprendizaje autónomo donde el entrenamiento del modelo y la generación de datos se impulsen mutuamente, utilizando mecanismos de colaboración y retroalimentación de modelos para generar continuamente datos de alta calidad.
Este juicio también se extiende a la actualmente popular inteligencia encarnada.
La forma tradicional de entrenar inteligencia encarnada se basa en la imitación humana. Pero la verdadera inteligencia debería ser como un bebé que aprende a caminar "gateando y cayéndose": generando datos de acción de forma autónoma en intentos y caídas continuas, y luego optimizando iterativamente el modelo de decisión a través de retroalimentación en ciclo cerrado.
Liu Qifeng dice que la lógica del entrenamiento en ciclo cerrado en el mundo digital ya se está extendiendo al mundo físico. Ya sea que los agentes ingresen a las industrias o que los robots vayan a escenarios físicos, todos dependen de grandes volúmenes de datos de interacción de razonamiento de alta calidad generados autónomamente con anticipación. Correspondientemente, cQrA evoluciona a cTrA —escena (context), Tarea (Task), razonamiento (reasoning), Ejecución (Action)—, lo que es tanto el nuevo combustible para el entrenamiento como la nueva medida para la evaluación.
El camino acaba de comenzar, y la respuesta de Liu Qifeng apunta hacia un futuro no muy lejano: "¡Generemos este mundo!"
Este artículo proviene del WeChat público "投资界" (ID: pedaily2012), autor: Wang Lu.
