Une start-up hongkongaise a fait une entrée inattendue dans notre champ de vision.
Il y a peu, un article sur l'assistance de l'IA à la prise de décision chirurgicale pour le cancer du rein a été publié dans Nature Communications (https://www.nature.com/articles/s41467-026-73813-7). Grâce à cet article, Wina Intelligent est devenue la première entreprise chinoise de génération de données innovante, et la quatrième au monde, à être publiée dans une revue principale de Nature (IF > 10 sur les trois dernières années) – les précédentes entreprises chinoises de grands modèles publiées étaient DeepSeek et Facewall AI.
Derrière elle, le fondateur, le professeur Liu Qifeng, avait auparavant établi le premier cluster mondial de supercalculateurs H800 à mille cartes à l'Université des Sciences et Technologies de Hong Kong, pré-entraîné le troisième grand modèle de paramètres de mille milliards en Chine et géré des fonds de R&D de projets dépassant le milliard de dollars américains. Par la suite, il s'est concentré sur la façon d'améliorer la capacité de « questionnement » de l'IA pour générer des données de questions-réponses de raisonnement de haute qualité, ce qui est l'une des clés de l'apprentissage autonome de l'IA sur le point d'exploser. C'est ainsi qu'il a fondé Wina Intelligent à Hong Kong.
Poussé par la curiosité, Investment Community a eu une conversation approfondie de près de trois heures avec Liu Qifeng. Le sujet est parti de cet article, pour ensuite aborder les grands modèles, l'intelligence incarnée, ainsi que sa vision de la prochaine étape de l'IA.
En partant d'un article de Nature Communications
Alors que d'autres vont « des articles vers les articles », Liu Qifeng va « des problèmes vers les problèmes ».
Début 2025, un proche de Liu Qifeng était atteint d'un cancer du rein, soigné par le Dr Zhang Zhiling, directeur de l'hôpital du cancer de l'Université Sun Yat-sen. Comme pour toutes les chirurgies du cancer du rein, les médecins étaient confrontés à une difficulté clinique persistante – pouvait-il y avoir des bases de jugement plus quantitatives et intelligentes entre la néphrectomie partielle et la néphrectomie radicale ?
La nature de ce problème est : l'IA peut-elle prédire des choix complexes dans le monde réel ?
C'est ainsi que, dans une chambre d'hôpital, une collaboration transdisciplinaire entre la médecine et l'IA a commencé : Zhang Zhiling était responsable des travaux médicaux et de la collecte de données conjointes avec plusieurs hôpitaux, tandis que Wina Intelligent s'occupait des travaux d'IA et de traitement des données. La première auteure conjointe de l'article, Wang Yatian, est une doctorante de HKUST et stagiaire chez Wina Intelligent, encadrée conjointement par Liu Qifeng et le professeur Luo Wenhan.
Face au défi des données multi-sources, hétérogènes et éparses, l'équipe a proposé le modèle RDPM, intégrant les images 3D et les variables/indicateurs cliniques dans un même cadre prédictif. Entraîné et validé sur une cohorte de 1621 patients, le modèle a atteint des AUC de 0.788 à 0.873 lors de tests multicentriques externes. L'article prédit le risque de déclin rénal à long terme des patients, offrant un support quantifiable pour les décisions chirurgicales hautement dépendantes de l'expérience.
Wina Intelligent a réussi un test public de prédiction par l'IA dans un domaine, la médecine, où la tolérance à l'erreur est la plus faible. Cela pointe également vers l'autre facette de la prédiction par l'IA que Liu Qifeng allait aborder – la prédiction est en fait le mécanisme fondamental des grands modèles, générant des réponses en prédisant le token suivant, ce qui les rend naturellement « bons pour répondre ». L'objectif de Wina Intelligent est d'aller plus loin – rendre l'IA non seulement bonne pour répondre, mais aussi « bonne pour interroger ». Pour que l'IA ait du « savoir », elle doit à la fois bien « apprendre » et bien « questionner ».
Un professeur de HKUST se lance dans l'entrepreneuriat
Lenovo Capital mène le premier tour de financement
« Alors que d'autres font ce qui est à la mode, lui fait ce qui le devient. » C'est ainsi que des amis décrivent leur impression passée de Liu Qifeng.
Ce n'est pas exagéré. Dès 2001, Liu Qifeng est entré au State Key Laboratory of Pattern Recognition de l'Institut d'Automatisation de l'Académie Chinoise des Sciences, sous la direction de l'académicien Tan Tieniu – lauréat du prix King-Sun Fu 2022, la plus haute distinction internationale en reconnaissance des formes. Il a ensuite occupé successivement les postes de chercheur chez Samsung Lab, data scientist chez Yahoo! Lab, directeur du Gamma AI Lab du groupe Ping An, et directeur de l'IA à l'Institut d'Innovation de Hong Kong de l'Académie Chinoise des Sciences. En 2018, il a cofondé la Hong Kong Society of Artificial Intelligence and Robotics avec l'académicien Yang Qiang. En 2021, il a rédigé de manière très prospective les propositions « Hong Kong Cloud Brain » et « Hong Kong Foundation Model » pour le gouvernement de Hong Kong, devenant un promoteur précoce de la construction du supercalculateur AI et de l'entraînement des grands modèles à Hong Kong.
Des expériences apparemment disparates convergent vers une même chose : permettre aux machines de trouver des modèles dans des informations complexes et de former des jugements.
Le véritable tournant s'est produit en 2023, avec l'engouement pour ChatGPT. À cette époque, Liu Qifeng, avec le fort soutien des dirigeants du gouvernement spécial et de l'université, a cofondé le Hong Kong Generative AI R&D Centre avec six grandes universités à HKUST, en collaboration avec l'académicien Guo Yike. Il a dirigé la construction du premier cluster mondial de supercalculateurs AI « SuperPod » à mille cartes H800. En 2024, il a achevé le pré-entraînement/entraînement postérieur du troisième grand modèle MoE (Mixture of Experts) de mille milliards de paramètres en Chine. Pour le développement de l'IA à Hong Kong, c'était un moment clé.
C'est également cette expérience qui lui a permis de voir la prochaine lacune : plus les grands modèles avancent en profondeur, plus ils dépendent de données de haute qualité. C'est toujours « les données qui règnent », en particulier les données de questions-réponses de raisonnement pour des milliers d'industries. Ainsi, permettre aux grands modèles de « questionner » de manière qualitative est devenu la clé primordiale.
Liu Qifeng décompose le développement des grands modèles en trois étapes : d'abord, « des données au modèle », utilisant les big data d'internet pour le pré-entraînement ; ensuite, « du modèle au Token », où les grands modèles commencent à générer du contenu ou à exécuter des tâches ; et ensuite, « du Token aux données » – permettre au système de grands modèles de poser activement des questions, de penser étape par étape, de vérifier les réponses, c'est-à-dire générer des données de questions-réponses de raisonnement. Cela forme ainsi une grande boucle de rétroaction « données → modèle → Token → données », permettant à l'IA d'acquérir une capacité d'apprentissage autonome.
Le but de l'apprentissage autonome de l'IA est d'acquérir du « savoir », et le « savoir » est « apprendre » par l'entraînement + « questionner » et répondre. L'érudit de la dynastie Qing, Liu Kai, a écrit dans « Discours sur l'interrogation » : « L'apprentissage d'un gentilhomme doit nécessairement aimer interroger. Interroger et apprendre sont complémentaires. Sans apprentissage, on ne peut susciter de doute ; sans interrogation, on ne peut étendre ses connaissances. »
En juillet 2024, Wina Intelligent Hong Kong a été officiellement fondée. Le nom de l'entreprise est tiré de Norbert Wiener – le fondateur de la cybernétique. Ce que Liu Qifeng valorise, c'est précisément la boucle de rétroaction de la cybernétique. La mission de Wina Intelligent est de permettre à l'IA de « questionner » avec précision et de « répondre » correctement, réalisant ainsi la grande boucle « données → modèle → Token → données », permettant ainsi à l'IA Agentique d'évoluer de manière autonome dans des domaines spécialisés.
La tâche de Wina Intelligent est de résoudre un problème contre-intuitif : d'un côté, le développement des grands modèles avance à grands pas, de l'autre, leur déploiement dans les entreprises reste très difficile. La raison est simple : le manque de précision. Par analogie avec un étudiant qui se prépare à un examen – avoir seulement le manuel scolaire (documents spécialisés) sans cahier d'exercices (données de questions-réponses de raisonnement) ne permettra pas d'obtenir une bonne note (faible précision du système). Car mémoriser le manuel scolaire acquiert des connaissances figées, tandis que faire des exercices entraîne une capacité vivante à résoudre des problèmes. Ce que fait Wina Intelligent, c'est aider des milliers d'industries à compléter ce « cahier d'exercices », permettant à l'IA non seulement « d'étudier le manuel », mais aussi « de faire des exercices », résolvant ainsi les goulots d'étranglement actuels de l'Agentique : difficultés de mesure, d'optimisation et de réponse précise.
Il y a actuellement une opinion populaire : les questions-réponses des grands modèles sont dépassées, l'exécution de tâches est la clé. C'est quelque peu superficiel. La capacité d'exécution dépend de deux piliers : la précision d'un agent unique dans un domaine spécialisé, et la capacité de collaboration entre plusieurs agents. Mais la réalité est que les capacités d'exécution actuelles sont loin d'être fiables. L'un des nœuds du problème réside dans le fait que le taux de précision des questions-réponses d'un agent unique est souvent inférieur à 70% – à peine au-dessus du seuil de « confiance », sans parler de la « collaboration ».
La définition concrète d'un « exercice » est cQrA : contexte (context), Question, raisonnement (reasoning), Réponse (Answer). Le contexte est la scène de la tâche, la Question est générée, le raisonnement est le processus de réflexion, la Réponse est la réponse vérifiée. En d'autres termes, Wina Intelligent permet au modèle, dans un contexte sectoriel spécifique, de générer simultanément la question, la réponse et le processus de raisonnement.
Cela la distingue également de l'annotation de données traditionnelle. L'annotation de données traditionnelle dépend fortement du travail manuel, voire d'experts, avec un coût élevé et une difficulté à passer à l'échelle, ne fournissant que la réponse sans le raisonnement, gaspillant l'expertise dans des tâches répétitives. Wina Intelligent permet à l'IA Agentique d'incarner une équipe d'experts intelligents infatigables, générant automatiquement des données cQrA avec une chaîne de pensée complète, brisant totalement le goulot d'étranglement de la main-d'œuvre. Plus important que les économies, le mécanisme en boucle fermée permet aux données générées à chaque tour de nourrir les modèles de génération et d'évaluation, conduisant à une amélioration continue de la précision et de la logique à l'itération suivante – réalisant ainsi un saut qualitatif d'un « atelier artisanal » à une « usine de connaissances auto-évolutive ».
Wina Intelligent a rapidement attiré l'attention de l'industrie et des investisseurs. Peu après sa création, l'entreprise a levé 50 millions de HKD (environ 5,3 millions d'euros) en tour d'amorçage, mené par Lenovo Capital. Lenovo Capital a toujours investi le long des trois éléments de l'IA : pour la puissance de calcul, ils ont investi dans Moore Threads, Cambricon, etc. ; pour les modèles, dans Zhipu AI, Stepfun, etc. ; et pour la donnée, le pari est sur Wina Intelligent. Parallèlement, Moore Threads et Wina Intelligent collaborent étroitement. À l'ère de la grande boucle « données → modèle → Token → données » à venir, l'un a conçu à l'avance une plateforme de calcul pour le futur paradigme, l'autre a défini à l'avance la charge de travail pour le futur paradigme.
La prochaine étape de l'IA
« Générons ce monde ! »
La validation commerciale commence par deux questions fondamentales.
Question 1 : En l'absence d'annotation à grande échelle par des experts, les données générées trouveront-elles preneur auprès d'institutions spécialisées ?
Question 2 : Est-ce réalisable de manière transsectorielle et reproductible ?
Pour y répondre, Wina Intelligent a résisté à la pression et rompu avec le principe « profondeur d'abord » des entreprises technologiques B2B traditionnelles, qui consiste à « percer un secteur » en premier. Au lieu de cela, elle a adopté une approche « largeur d'abord », choisissant délibérément quatre secteurs apparemment sans rapport mais exigeant une grande précision : sécurité des valeurs, administration publique, assurance et courses hippiques. Et pour chaque secteur, elle a conclu des partenariats avec des clients leaders.
« Nous avons prouvé qu'avec une petite équipe, sans experts sectoriels et à faible coût, nous pouvions réaliser une reproduction transsectorielle », déclare Liu Qifeng. Aujourd'hui, la validation « de 0 à 4 » est faite, la prochaine étape est la généralisation « de 1 à M x N » (M secteurs, chacun avec N clients leaders).
Derrière cela, se trouve un jugement à long terme sur la valeur des données.
Selon Liu Qifeng, l'écart entre l'IA chinoise et américaine provient en grande partie d'une différence de perception des données – longtemps considérées comme un « travail ingrat », les ingénieurs data étaient généralement moins bien rémunérés que les ingénieurs algorithmes et modèles.
Mais la donne est en train de changer. Alors que la production de données évolue de l'annotation manuelle vers le raisonnement, l'interaction et la rétroaction en boucle fermée, les investissements des entreprises de grands modèles dans les données augmentent continuellement. Il est désormais consensus que la génération de données d'interaction de raisonnement détermine le plafond des capacités des grands modèles.
Et à l'avenir, le plus crucial ne sera pas le modèle, ni même les données elles-mêmes, mais cette « grande boucle ». Tout comme la clé de l'évolution n'est ni l'homme ni la femme, mais l'accouplement et la sélection naturelle – le mécanisme de réplication, de croisement, de mutation des chromosomes et de survie du plus apte. La distillation de données n'est qu'une voie exploitant des forces externes ; le véritable avantage concurrentiel est d'établir une boucle d'apprentissage autonome où l'entraînement du modèle et la génération de données se stimulent mutuellement, utilisant la collaboration des modèles et les mécanismes de rétroaction pour générer continuellement des données de haute qualité.
Ce jugement s'étend également à l'intelligence incarnée, très en vogue actuellement.
La manière traditionnelle d'entraîner l'intelligence incarnée repose sur l'imitation humaine. Mais une véritable intelligence devrait ressembler à un bébé apprenant à marcher « en tâtonnant » : générer de manière autonome des données d'action en tombant et en essayant continuellement, puis itérer et optimiser le modèle de décision via une rétroaction en boucle fermée.
Liu Qifeng dit que la logique de l'entraînement en boucle fermée dans le monde numérique s'étend déjà au monde physique. Que ce soit pour les agents entrant dans un secteur ou les robots sur le terrain, tous dépendent de vastes quantités de données d'interaction de raisonnement de haute qualité générées de manière autonome au préalable. En conséquence, cQrA évolue vers cTrA – Contexte (context), Tâche (Task), Raisonnement (reasoning), Action (Action). Ceci est à la fois le nouveau carburant pour l'entraînement et la nouvelle mesure pour l'évaluation.
Le chemin ne fait que commencer, et la réponse de Liu Qifeng pointe vers un futur proche : « Générons ce monde ! »
Cet article provient du compte WeChat « Investment Community » (ID : pedaily2012), auteur : Wang Lu
