Неожиданно в наше поле зрения попала стартап-команда из Гонконга.
Недавно статья об ИИ, помогающем принимать решения при хирургическом лечении рака почки, была опубликована в Nature Communications (https://www.nature.com/articles/s41467-026-73813-7). Благодаря этой статье компания «Вина Интеллигент» стала первой в Китае и четвертой в мире компанией по генерации данных в сфере технологических инноваций, опубликовавшейся в основном журнале Nature (импакт-фактор за последние три года > 10). До этого публиковаться в нем успели китайские компании с большими моделями — DeepSeek и Mianbi Intelligent.
За ней стоит основатель, профессор Лю Цифэн, который ранее в Гонконгском университете науки и технологий создал первый в мире кластер H800 SuperPod на тысячу карт, предобучил третью в Китае крупную модель с параметрами в сто миллиардов и управлял фондами на разработку проектов, превышающими 1 миллиард долларов США. Позже он сосредоточился на том, как повысить способность ИИ «задавать вопросы», чтобы генерировать высококачественные данные для рассуждений и вопросно-ответных пар, что является одним из ключевых аспектов предстоящего взрывного развития автономного обучения ИИ. Поэтому он основал в Гонконге компанию «Вина Интеллигент».
Из любопытства мы пообщались с Лю Цифэном почти три часа. Разговор начался с этой статьи и продолжился обсуждением больших моделей, воплощенного интеллекта и его понимания следующего этапа развития ИИ.
Начиная со статьи в Nature Communications
Другие идут «от статей к статьям», а Лю Цифэн следует принципу «от проблем к проблемам».
В начале 2025 года у родственника Лю Цифэна диагностировали рак почки, лечащим врачом был директор Чжан Чжилин из Онкологического госпиталя Университета Сунь Ятсена. Как и при любой операции по поводу рака почки, врачи сталкивались с клинической проблемой: может ли быть более количественное и интеллектуальное основание для выбора между частичной нефрэктомией и радикальной нефрэктомией?
Суть этой проблемы в том, может ли ИИ предсказывать сложный выбор в реальном мире.
Итак, прямо в больничной палате началось сотрудничество, объединившее медицину и ИИ: Чжан Чжилин отвечал за медицинскую работу и совместно с несколькими больницами завершил сбор данных, а «Вина Интеллигент» — за работу с ИИ и обработку данных. Соавтором статьи выступила Ван Ятянь, аспирант Гонконгского университета науки и технологий, стажер «Вина Интеллигент», научным руководителем которой совместно выступили Лю Цифэн и профессор Ло Вэньхань.
Для решения проблемы многомерных, разнородных и разреженных данных команда предложила модель RDPM, поместив 3D-изображения и клинические переменные/показатели в единую прогностическую структуру. Обучение и валидация были проведены на когорте из 1621 пациента, внешнее многоцентровое тестирование показало AUC от 0.788 до 0.873. Статья прогнозирует долгосрочный риск ухудшения функции почек у пациентов, предоставляя количественную основу для принятия решений об операции, сильно зависящего от опыта.
«Вина Интеллигент» прошла публичную проверку прогнозирования ИИ в сфере здравоохранения — области, наиболее нетерпимой к ошибкам. Это также указывает на другую сторону прогнозирования ИИ, о которой далее расскажет Лю Цифэн: прогнозирование — это базовый механизм больших моделей, способ генерирования ответов путем предсказания следующего токена, они от природы «хорошо отвечают». А фокус «Вина Интеллигент» — сделать еще один шаг вперед — заставить ИИ не только хорошо отвечать, но и «хорошо задавать вопросы». Нужно, чтобы у ИИ были «знания и умения» — не только «научиться» чему-то, но и «спросить».
Основание компании профессором Гонконгского университета науки и технологий
Первый раунд финансирования возглавила Lenovo Capital
«Другие делают то, что популярно. А он делает то, что потом становится популярным», — говорят друзья о впечатлении, которое производит Лю Цифэн.
Это не преувеличение. Еще в 2001 году Лю Цифэн поступил в Государственную ключевую лабораторию распознавания образов Института автоматизации Китайской академии наук, где учился у академика Тань Теню — лауреата высшей международной награды в области распознавания образов, премии Фу Цзинсуня 2022 года. Впоследствии он работал исследователем в Samsung Lab, специалистом по данным в Yahoo! Lab, директором Gamma AI Lab группы Ping An, директором по ИИ в Гонконгском институте инноваций Китайской академии наук и др. В 2018 году совместно с академиком Ян Цяном он основал Гонконгское общество искусственного интеллекта и робототехники, а в 2021 году, обладая дальновидностью, написал для правительства Гонконга предложение о «Гонконгском облачном мозге» и «Базовой большой модели Гонконга», став одним из ранних сторонников создания гонконгских суперкомпьютеров для ИИ и обучения больших моделей.
Кажущийся разрозненным опыт ведет к одному: заставить машину находить закономерности в сложной информации и формировать суждения.
Настоящий поворот произошел в 2023 году, когда начался бум ChatGPT. Тогда при значительной поддержке руководства специального административного района и университета Лю Цифэн совместно с академиком Го Икэ в Гонконгском университете науки и технологий совместно с шестью крупными университетами основал Гонконгский исследовательский центр генеративного искусственного интеллекта, возглавил создание первого в мире кластера ИИ-суперкомпьютеров SuperPod на тысячу карт H800, а в 2024 году завершил предобучение/дообучение третьей в Китае большой MoE-модели с параметрами в сто миллиардов. Для развития ИИ в Гонконге это был ключевой момент.
Именно этот опыт позволил ему увидеть следующую брешь: чем глубже развиваются большие модели, тем сильнее они зависят от качественных данных, всегда правит «данными», особенно данными для рассуждений и вопросно-ответных пар в различных отраслях. Поэтому способность больших моделей «задавать вопросы» высокого качества стала первостепенной ключевой задачей.
Лю Цифэн разделяет развитие больших моделей на три этапа: сначала «от данных к модели» — предобучение на больших интернет-данных; затем «от модели к токену» — большая модель начинает выводить токены, генерируя контент или выполняя задачи; далее — «от токена к данным» — заставить систему больших моделей активно задавать вопросы, мыслить шаг за шагом, проверять ответы, то есть генерировать данные для рассуждений и вопросно-ответных пар. Таким образом формируется большой цикл обратной связи «данные → модель → токен → данные», позволяя ИИ обладать способностью к автономному обучению.
Цель автономного обучения ИИ — приобретение «знаний и умений», а «знания и умения» — это «обучение» + «умение спрашивать» и отвечать. Ученый династии Цин Лю Кай в своем трактате «Вопросы и рассуждения» («Вэнь шо») писал: «Учение благородного мужа обязательно любит спрашивать. Вопросы и учеба идут рука об руку. Без учебы нечего подвергать сомнению, без вопросов нельзя расширить кругозор».
В июле 2024 года в Гонконге официально была основана компания «Вина Интеллигент». Название компании происходит от имени Норберта Винера — основателя кибернетики. Лю Цифэна привлек именно цикл обратной связи в кибернетике. Миссия «Вина Интеллигент» — сделать так, чтобы ИИ точно «спрашивал» и правильно «отвечал», реализуя тем самым большой цикл «данные → модель → токен → данные», позволяя агентному ИИ самостоятельно эволюционировать в профессиональных областях.
Задача «Вина Интеллигент» — решить неочевидную проблему: с одной стороны, большие модели развиваются семимильными шагами, с другой — их внедрение на предприятиях по-прежнему очень сложно. Причина проста — низкая точность. Проводя аналогию с подготовкой студента к экзамену: если есть только учебник (профессиональная документация), но нет сборника задач (данные для рассуждений и вопросно-ответных пар), невозможно получить высокий балл (низкая точность системы). Потому что заучивание учебника дает мертвые знания, а решение задач тренирует живую способность решать проблемы. То, чем занимается «Вина Интеллигент», — помогает различным отраслям восполнить этот «сборник задач», чтобы ИИ не только «учился по учебнику», но и «решал задачи», решая тем самым текущие проблемы агентов: неточность измерений, сложность оптимизации, неверные ответы.
Сейчас популярно мнение, что вопросно-ответные возможности больших моделей устарели, а ключевым является выполнение задач. Это поверхностно. Способность к выполнению зависит от двух столпов: точности отдельного агента в профессиональной области и способности к взаимодействию между несколькими агентами. Но реальность такова, что текущие исполнительные возможности далеки от надежности. Одна из причин заключается в том, что точность вопросно-ответных систем часто не достигает 70% — даже порог «заслуживающего доверия» не преодолен, не говоря уже о «сотрудничестве».
«Задачи» конкретно определяются как cQrA: context (контекст), Question (вопрос), reasoning (рассуждение), Answer (ответ). То есть, контекст — это место задачи, вопрос — сгенерированный вопрос, рассуждение — процесс рассуждения, ответ — проверенный ответ. Другими словами, «Вина Интеллигент» заставляет модель в конкретном отраслевом контексте одновременно генерировать вопрос, ответ и процесс рассуждения.
Это также отделяет подход от традиционной разметки данных. Традиционная разметка данных сильно зависит от ручного труда, даже экспертов, высока по стоимости, сложно масштабируется, дает только ответы без рассуждений, а экспертный опыт расходуется на рутинную работу. «Вина Интеллигент» же превращает агентный ИИ в неутомимую команду интеллектуальных экспертов, автоматически генерирующую данные cQrA с полной цепочкой рассуждений, полностью преодолевая ограничения человеческих ресурсов. Что важнее экономии, так это то, что механизм цикла обратной связи позволяет данным, сгенерированным на каждом этапе, подпитывать модели генерации и оценки, стимулируя следующую итерацию к постоянному скачку в точности и логике — тем самым достигается качественный переход от «кустарного производства» к «саморазвивающейся фабрике знаний».
«Вина Интеллигент» быстро привлекла внимание индустрии и инвесторов. Вскоре после основания компания завершила раунд начального финансирования на 50 миллионов гонконгских долларов, который возглавила Lenovo Capital. Lenovo Capital всегда инвестирует по трем элементам ИИ: в вычислительные мощности — инвестировала в Moore Threads, Cambricon и др., в модели — в Zhipu, Stepfun и др., а в данные — остановилась на «Вина Интеллигент». При этом Moore Threads и «Вина Интеллигент» глубоко сотрудничают. В наступающую эпоху большого цикла «данные → модель → токен → данные» одна компания заранее проектирует вычислительную платформу для будущей парадигмы, а другая заранее определяет рабочую нагрузку для нее.
Следующий этап ИИ
«Давайте генерировать этот мир»
Верификация коммерциализации началась с двух ключевых вопросов.
Вопрос первый: будут ли профессиональные организации покупать сгенерированные данные без масштабной экспертной разметки?
Вопрос второй: Можно ли достичь кросс-отраслевого масштабирования и воспроизводимости?
Поэтому «Вина Интеллигент», преодолевая давление, отказалась от традиционного для 2B tech-компаний принципа «глубина прежде всего» (обязательно сначала «пробить определенную отрасль»), а применила подход «широта прежде всего», намеренно выбрав четыре, казалось бы, не связанных между собой отрасли с высокими требованиями к точности: безопасность ценностей, государственное управление, страхование, скачки, и в каждой отрасли заручилась ведущими клиентами.
«Мы доказали, что можем с небольшой командой, без отраслевых экспертов и с низкими затратами достичь кросс-отраслевого масштабирования», — говорит Лю Цифэн. Сейчас завершена верификация «от 0 до 4», следующий шаг — масштабирование «от 1 до M x N» (M отраслей, по N ведущих клиентов в каждой).
За этим стоит долгосрочная оценка ценности данных.
По мнению Лю Цифэна, разрыв в ИИ между Китаем и США во многом обусловлен различиями в восприятии данных — данные долгое время считались «грязной и тяжелой работой», а зарплаты инженеров по данным в целом ниже, чем у инженеров по алгоритмам и моделям.
Но ситуация меняется. По мере перехода производства данных от ручной разметки к рассуждениям, взаимодействию и циклам обратной связи, инвестиции компаний с большими моделями в направление данных продолжают расти. Консенсус в отрасли таков: генерация данных для рассуждений и взаимодействия определяет потолок возможностей больших моделей.
А в будущем самым важным будет не модель и даже не сами данные, а тот самый «большой цикл». Подобно тому, как ключ к эволюции — не мужчины и не женщины, а спаривание и естественный отбор — механизмы репликации, кроссинговера, мутации хромосом и выживания наиболее приспособленных. Дистилляция данных — это лишь один из способов использования внешних сил. Истинным конкурентным преимуществом является создание цикла автономного обучения, в котором обучение моделей и генерация данных взаимно стимулируют друг друга, а взаимодействие моделей и механизмы обратной связи непрерывно генерируют качественные данные.
Эта оценка распространяется и на ныне очень популярный воплощенный интеллект.
Традиционный подход к обучению воплощенного интеллекта основан на подражании человеку. Но настоящий интеллект должен быть подобен младенцу, учащемуся ходить, «ползая и спотыкаясь»: в процессе постоянных падений и попыток он автономно генерирует данные о движениях, а затем через цикл обратной связи итеративно оптимизирует модель принятия решений.
Лю Цифэн говорит, что логика циклического обучения в цифровом мире уже распространяется на физический мир. Независимо от того, идет ли речь о внедрении агентов в отрасли или роботов на рабочие места, все они нуждаются в предварительно автономно сгенерированных огромных объемах качественных данных для рассуждений и взаимодействия. Соответственно, cQrA эволюционирует в cTrA — сценарий (context), задача (Task), рассуждение (reasoning), выполнение (Action). Это одновременно и новое топливо для обучения, и новый эталон для оценки.
Путь только начинается, ответ, который дает Лю Цифэн, указывает на недалекое будущее: «Давайте генерировать этот мир!»
Статья из WeChat Official Account «Инвестиционный мир» (ID: pedaily2012), автор: Ван Лу.
