Satu tim startup dari Hong Kong tak terduga memasuki pandangan kami.
Baru-baru ini, sebuah makalah tentang keputusan operasi kanker ginjal berbantuan AI naik ke Nature Communications (https://www.nature.com/articles/s41467-026-73813-7). Berkat makalah ini, Vena Intelligence menjadi perusahaan teknologi pembangkitan data pertama dari Tiongkok dan keempat di dunia yang naik ke jurnal utama Nature (IF >10 dalam tiga tahun terakhir) — perusahaan model besar Tiongkok sebelumnya yang menerbitkan artikel adalah DeepSeek dan MindSync.
Di belakangnya ada pendiri Prof. Liu Qifeng, yang pernah membangun kluster H800 SuperPod ribuan kartu pertama di dunia di Universitas Sains dan Teknologi Hong Kong, melakukan pra-latihan model besar parameter triliunan ketiga Tiongkok, dan mengelola dana penelitian proyek lebih dari 100 juta USD. Setelah itu, dia fokus pada cara meningkatkan kemampuan "bertanya" AI, untuk menghasilkan data tanya jawab penalaran berkualitas tinggi, yang merupakan salah satu kunci pembelajaran mandiri AI yang akan meletus. Maka dia mendirikan Vena Intelligence di Hong Kong.
Dengan rasa penasaran, kami berbincang dengan Liu Qifeng hampir tiga jam. Topiknya dimulai dari makalah ini, mengalir hingga model besar dan embodied intelligence, serta pemahamannya tentang tahap selanjutnya AI.
Dari Makalah Nature Communications
Orang lain "dari makalah, ke makalah", tapi Liu Qifeng "dari masalah, ke masalah".
Awal 2025, kerabat Liu Qifeng menderita kanker ginjal, dokter penanganannya adalah Direktur Zhang Zhiling dari Rumah Sakit Onkologi Universitas Sun Yat-sen. Sama seperti semua operasi kanker ginjal lainnya, dokter selalu menghadapi tantangan klinis — apakah ada dasar penilaian yang lebih terukur dan lebih cerdas antara nefrektomi parsial dan nefrektomi radikal?
Inti masalah ini adalah: apakah AI dapat memprediksi pilihan kompleks di dunia nyata?
Maka di ruang rumah sakit, kolaborasi yang melintasi kedokteran dan AI pun dimulai: Zhang Zhiling bertanggung jawab atas pekerjaan medis dan mengumpulkan data bersama beberapa rumah sakit, Vena Intelligence bertanggung jawab atas pekerjaan AI dan pemrosesan data. Penulis pertama bersama makalah, Wang Yatian, adalah mahasiswa doktoral HKUST dan magang di Vena Intelligence, dibimbing bersama oleh Liu Qifeng dan Prof. Luo Wenhan.
Menghadapi tantangan data jarang heterogen multi-sumber, tim mengusulkan model RDPM, memasukkan citra 3D dan variabel/indikator klinis ke dalam kerangka prediksi yang sama, menyelesaikan pelatihan dan validasi pada kohort 1621 pasien, dengan AUC tes multi-pusat eksternal mencapai 0.788 hingga 0.873. Makalah memprediksi risiko penurunan fungsi ginjang jangka panjang pasien, memberikan dukungan terukur untuk keputusan operasi yang sangat bergantung pada pengalaman.
Vena Intelligence telah menyelesaikan satu uji publik prediksi AI dalam skenario yang paling tidak toleran terhadap kesalahan seperti dunia medis. Ini juga mengarah pada aspek lain prediksi AI yang akan dibicarakan Liu Qifeng — prediksi sebenarnya adalah mekanisme dasar model besar, dengan cara memprediksi token berikutnya untuk menghasilkan jawaban, secara alami "pandai menjawab". Sedangkan fokus Vena Intelligence adalah satu langkah lebih jauh — membuat AI tidak hanya pandai menjawab, tapi juga "pandai bertanya". Membuat AI memiliki "pengetahuan", harus bisa "belajar" dengan baik, dan lebih penting lagi bisa "bertanya" dengan baik.
Profesor HKUST Berwirausaha
Putaran Pertama Dipimpin oleh Lenovo Capital
"Orang lain apa yang sedang tren, itu yang dilakukan. Sedangkan dia, apa yang dilakukannya, itu yang jadi tren." Begitulah kesan teman-teman tentang Liu Qifeng.
Ini bukan berlebihan. Sejak 2001, Liu Qifeng masuk Laboratorium Kunci Nasional Pengenalan Pola, Institut Otomasi Akademi Ilmu Pengetahuan Tiongkok, berguru pada Akademisi Tan Tieniu — penerima Penghargaan Fu Jen-sun 2022, penghargaan tertinggi internasional di bidang pengenalan pola. Setelah itu, dia berturut-turut menjadi peneliti Samsung Lab, ilmuwan data Yahoo! Lab, direktur Gamma AI Lab Grup Ping An, direktur AI Institut Inovasi Hong Kong Akademi Ilmu Pengetahuan Tiongkok, dll. Pada 2018, bersama Akademisi Yang Qiang, dia meluncurkan Asosiasi Kecerdasan Buatan dan Robotika Hong Kong. Pada 2021, dia sangat visioner menulis proposal "Otak Awan Hong Kong" dan "Model Dasar Besar Hong Kong" untuk pemerintah Hong Kong, menjadi penggerak awal pembangunan superkomputer AI dan pelatihan model besar di Hong Kong.
Pengalaman yang tampaknya tersebar, semuanya menunjuk pada satu hal: membuat mesin menemukan pola dari informasi kompleks dan membentuk penilaian.
Perubahan nyata terjadi pada 2023 ketika ChatGPT mulai booming. Saat itu Liu Qifeng dengan dukungan kuat pemerintah khusus dan pimpinan universitas, bersama 6 universitas besar di Universitas Sains dan Teknologi Hong Kong, bersama Akademisi Guo Yike meluncurkan Pusat Penelitian dan Pengembangan Kecerdasan Buatan Generatif Hong Kong, memimpin pembangunan kluster superkomputer AI H800 SuperPod ribuan kartu pertama di dunia. Pada 2024, menyelesaikan pra-/pasca-pelatihan model besar MoE triliunan ketiga Tiongkok. Bagi perkembangan AI Hong Kong, ini adalah titik kunci.
Pengalaman inilah yang membuatnya melihat celah berikutnya: semakin jauh model besar berkembang, semakin bergantung pada data berkualitas tinggi, selalu "data adalah raja", terutama data tanya jawab penalaran di berbagai industri, maka membuat model besar mampu "bertanya" dengan kualitas tinggi menjadi kunci utama.
Liu Qifeng membagi perkembangan model besar menjadi tiga tahap: pertama "dari data ke model", menggunakan data besar internet untuk pra-pelatihan; lalu "dari model ke Token", model besar mulai menghasilkan token untuk membuat konten atau menjalankan tugas; selanjutnya, dari "Token ke data" — membuat sistem model besar aktif bertanya, berpikir bertahap, mengoreksi jawaban, yaitu pembangkitan data tanya jawab penalaran. Dengan demikian membentuk lingkaran umpan balik besar "data → model → token → data", sehingga AI memiliki kemampuan belajar mandiri.
Tujuan pembelajaran mandiri AI adalah mendapatkan "pengetahuan", dan "pengetahuan" adalah "belajar" + bertanya dan menjawab. Cendekiawan Dinasti Qing Liu Kai menulis dalam "Wen Shuo": "Belajar orang bijak pasti suka bertanya. Bertanya dan belajar, saling melengkapi. Tanpa belajar tidak akan timbul keraguan, tanpa bertanya tidak akan memperluas wawasan."
Juli 2024, Vena Intelligence Hong Kong resmi berdiri. Nama perusahaan diambil dari Norbert Wiener — pendiri teori kendali. Yang penting bagi Liu Qifeng adalah lingkaran umpan balik dalam teori kendali. Misi Vena Intelligence adalah membuat AI "bertanya" dengan tepat, "menjawab" dengan benar, kemudian mencapai lingkaran besar "data → model → token → data", sehingga Agentic AI dapat berevolusi secara mandiri di bidang profesional.
Tugas Vena Intelligence adalah menyelesaikan masalah kontra-intuitif, yaitu di satu sisi perkembangan model besar sangat cepat, di sisi lain, implementasi model besar di perusahaan masih sangat sulit. Alasannya sederhana, yaitu akurasi rendah. Analoginya seperti siswa mempersiapkan ujian — hanya punya buku teks (dokumen profesional), kurang kumpulan soal latihan (data tanya jawab penalaran), nilai ujian tidak mungkin tinggi (akurasi sistem rendah). Karena menghafal buku teks hanya mendapatkan pengetahuan mati, sedangkan mengerjakan kumpulan soal latihan melatih kemampuan memecahkan masalah yang hidup. Yang dilakukan Vena Intelligence adalah membantu berbagai industri melengkapi "kumpulan soal latihan" ini, membuat AI tidak hanya "belajar buku teks", tapi juga "mengerjakan soal latihan", sehingga mengatasi masalah hambatan ketidaktepatan pengukuran, sulitnya optimalisasi, dan ketidaktepatan jawaban yang dihadapi oleh meluasnya Agent saat ini.
Saat ini ada pandangan populer: tanya jawab model besar sudah ketinggalan zaman, eksekusi tugaslah yang kunci. Ini terlalu dangkal. Kemampuan eksekusi bergantung pada dua pilar: akurasi agen tunggal di bidang profesional, dan kemampuan kolaborasi antar multi-agen. Kenyataannya, kemampuan eksekusi saat ini jauh dari andal. Satu penyebabnya adalah akurasi tanya jawab tunggal sering kurang dari 70% — bahkan ambang "terpercaya" saja belum tercapai, apalagi "kolaborasi".
Definisi spesifik "soal latihan" adalah cQrA: context, Question, reasoning, Answer. Context adalah situasi tugas, Question adalah pertanyaan yang dihasilkan, reasoning adalah proses penalaran, Answer adalah jawaban yang telah dikoreksi. Dengan kata lain, Vena Intelligence ingin model dalam konteks industri spesifik, secara bersamaan menghasilkan pertanyaan, jawaban, dan proses penalaran.
Ini juga membedakan dari pelabelan data tradisional. Pelabelan data tradisional sangat bergantung pada tenaga manual bahkan ahli, biaya tinggi, sulit diskalakan, hanya memberi jawaban, kurang penalaran, pengalaman ahli terkuras oleh pekerjaan berulang. Vena Intelligence menjadikan Agentic AI sebagai tim ahli cerdas yang tak kenal lelah, secara otomatis menghasilkan data cQrA dengan rantai pemikiran lengkap, benar-benar menembus hambatan tenaga kerja. Lebih penting dari menghemat uang adalah, mekanisme loop tertutup membuat setiap putaran data yang dihasilkan memberi umpan balik ke model pembangkitan dan evaluasi, mendorong iterasi berikutnya terus melonjak dalam presisi dan logika — dengan demikian mencapai perubahan kualitatif dari "bengkel kerajinan tangan" ke "pabrik pengetahuan berevolusi mandiri".
Vena Intelligence segera masuk ke pandangan industri dan investor. Tak lama setelah perusahaan berdiri, menyelesaikan pendanaan putaran benih 50 juta HKD, dipimpin oleh Lenovo Capital. Lenovo Capital selalu berinvestasi di jalur tiga elemen AI: komputasi berinvestasi di Moore Threads, Cambricon, dll, model berinvestasi di Zhipu AI, StepFun, dll, sedangkan bagian data, jatuh ke Vena Intelligence. Sekaligus, Moore Threads dan Vena Intelligence bekerja sama erat, di era lingkaran besar "data → model → token → data" yang akan datang, satu mendesain platform komputasi untuk paradigma masa depan lebih awal, satu mendefinisikan beban kerja untuk paradigma masa depan lebih awal.
Tahap Berikutnya AI
"Mari Kita Hasilkan Dunia Ini!"
Validasi komersial, dimulai dari dua pertanyaan jiwa.
Pertanyaan pertama: Tanpa anotasi ahli skala besar, apakah data yang dihasilkan akan dibeli oleh lembaga profesional?
Pertanyaan kedua: Apakah dapat direplikasi lintas industri?
Untuk itu, Vena Intelligence menahan tekanan, melanggar prinsip "kedalaman diutamakan" perusahaan teknologi 2B tradisional, yaitu harus terlebih dahulu "menembus suatu industri", dan justru menggunakan "luas diutamakan", sengaja memilih empat industri yang tampaknya tidak berhubungan sama sekali, tapi membutuhkan akurasi tinggi: keamanan nilai, pemerintahan, asuransi, balap kuda, dan setiap industri telah mengimplementasikan klien terdepan.
"Kami membuktikan dapat menggunakan tim kecil, tanpa ahli industri, biaya rendah untuk mereplikasi lintas industri." kata Liu Qifeng, kini mencapai validasi "0 ke 4", langkah selanjutnya adalah promosi "1 ke M x N" (M industri, setiap industri N klien terdepan).
Di balik ini, adalah penilaian jangka panjang terhadap nilai data.
Menurut Liu Qifeng, kesenjangan AI Tiongkok-AS, sebagian besar berasal dari perbedaan persepsi terhadap data — data lama dianggap sebagai "pekerjaan kotor dan melelahkan", gaji insinyur data umumnya lebih rendah daripada insinyur algoritma dan model.
Tapi pola pikir sedang berubah. Seiring produksi data berkembang dari pelabelan manual ke penalaran, interaksi, dan umpan balik loop tertutup, investasi perusahaan model besar di sisi data terus meningkat, pembangkitan data interaksi penalaran menentukan batas atas kemampuan model besar, sudah menjadi konsensus industri.
Dan yang paling inti di masa depan, bukan model, bahkan bukan data itu sendiri, melainkan "lingkaran besar" itu. Seperti kunci evolusi bukan pria atau wanita, melainkan perkawinan dan seleksi alam — mekanisme replikasi, persilangan, mutasi kromosom, dan survival of the fittest. Destilasi data hanyalah salah satu jalur memanfaatkan kekuatan eksternal, parit pertahanan sebenarnya adalah membangun loop pembelajaran mandiri yang saling mendorong antara pelatihan model dan pembangkitan data, menggunakan mekanisme kolaborasi dan umpan balik model untuk terus menghasilkan data berkualitas tinggi.
Penilaian ini juga meluas ke embodied intelligence yang paling panas saat ini.
Cara tradisional melatih embodied intelligence, berdasarkan imitasi manusia. Sedangkan kecerdasan seharusnya seperti bayi belajar berjalan "merangkak dan jatuh": secara mandiri menghasilkan data gerakan dalam upaya terus-menerus jatuh dan mencoba, kemudian mengoptimalkan model keputusan melalui umpan balik loop tertutup.
Liu Qifeng berkata, logika pelatihan loop tertutup di dunia digital, telah meluas ke dunia fisik. Baik Agent masuk ke industri, atau robot menuju ke lapangan, tidak bisa lepas dari data interaksi penalaran berkualitas tinggi dalam jumlah besar yang dihasilkan secara mandiri sebelumnya. Sejalan dengan itu, cQrA berkembang menjadi cTrA — context, Task, reasoning, Action, ini adalah bahan bakar baru pelatihan, juga tolok ukur baru evaluasi.
Jalan baru saja dimulai, jawaban yang diberikan Liu Qifeng, menunjuk ke masa depan yang tidak jauh: "Mari kita hasilkan dunia ini!"
Artikel ini berasal dari akun WeChat "Touzi Jie" (ID: pedaily2012), penulis: Wang Lu
