Một nhóm khởi nghiệp từ Hong Kong bất ngờ lọt vào tầm ngắm của chúng tôi.
Mới đây, một bài báo về AI hỗ trợ ra quyết định phẫu thuật ung thư thận đã được đăng trên Nature Communications (https://www.nature.com/articles/s41467-026-73813-7). Nhờ bài báo này, Weina AI trở thành công ty khởi nghiệp công nghệ sinh dữ liệu đầu tiên của Trung Quốc và thứ tư trên thế giới lên các tạp chí chính của Nature (IF>10 trong 3 năm gần đây) – trước đó, các công ty mô hình lớn của Trung Quốc từng có bài đăng là DeepSeek và MiniMax.
Đằng sau là người sáng lập, Giáo sư Liu Qifeng, người từng xây dựng cụm siêu máy tính H800 SuperPod nghìn card đầu tiên trên thế giới tại Đại học Khoa học và Công nghệ Hong Kong (HKUST), huấn luyện trước mô hình lớn tham số nghìn tỷ thứ ba của Trung Quốc, quản lý kinh phí nghiên cứu và phát triển dự án hơn 100 triệu USD. Sau đó, ông tập trung vào việc nâng cao khả năng "đặt câu hỏi" của AI để tạo ra dữ liệu câu hỏi và trả lời suy luận chất lượng cao, đây là một trong những chìa khóa cho việc tự học của AI sắp bùng nổ. Vì vậy, ông đã thành lập Weina AI tại Hong Kong.
Với sự tò mò, chúng tôi đã có cuộc trò chuyện sâu gần ba giờ với Giáo sư Liu Qifeng. Chủ đề bắt đầu từ bài báo này, nói chuyện về mô hình lớn và trí tuệ thể hiện, cũng như hiểu biết của ông về chặng đường tiếp theo của AI.
Bắt đầu từ một bài báo trên Nature Communications
Người khác là "từ bài báo mà ra, lại trở về với bài báo", còn Liu Qifeng lại là "từ vấn đề mà ra, lại trở về với vấn đề".
Đầu năm 2025, người thân của Liu Qifeng mắc bệnh ung thư thận, bác sĩ điều trị là Trưởng khoa Zhang Zhiling của Bệnh viện Ung thư Đại học Trung Sơn. Giống như tất cả các ca phẫu thuật ung thư thận khác, bác sĩ luôn phải đối mặt với một thách thức lâm sàng – liệu có thể có cơ sở đánh giá định lượng và thông minh hơn giữa cắt bỏ một phần thận và cắt bỏ toàn bộ thận?
Bản chất của vấn đề này là: Liệu AI có thể dự đoán được lựa chọn phức tạp trong thế giới thực hay không?
Và ngay trong phòng bệnh viện, một sự hợp tác xuyên ngành giữa y học và AI đã được triển khai: Zhang Zhiling phụ trách công việc y tế và phối hợp với nhiều bệnh viện để thu thập dữ liệu, còn Weina AI phụ trách công việc AI và xử lý dữ liệu. Đồng tác giả thứ nhất của bài báo là Wang Yatian, nghiên cứu sinh tiến sĩ tại HKUST, thực tập sinh tại Weina AI, được hướng dẫn chung bởi Liu Qifeng và Giáo sư Luo Wenhan.
Đối mặt với thách thức về dữ liệu thưa thớt, đa nguồn và không đồng nhất, nhóm nghiên cứu đề xuất mô hình RDPM, đưa hình ảnh 3D và các biến/chỉ số lâm sàng vào cùng một khung dự đoán, hoàn thành huấn luyện và xác thực trên nhóm 1621 bệnh nhân, với AUC trong kiểm tra đa trung tâm bên ngoài đạt từ 0.788 đến 0.873. Bài báo dự đoán nguy cơ suy thận dài hạn của bệnh nhân, cung cấp sự hỗ trợ có thể định lượng cho quyết định phẫu thuật vốn phụ thuộc nhiều vào kinh nghiệm.
Weina AI đã hoàn thành một bài kiểm tra công khai về dự đoán AI trong lĩnh vực y tế – nơi khó dung thứ sai sót nhất. Điều này cũng hướng đến mặt khác của dự đoán AI mà Liu Qifeng sắp đề cập – dự đoán thực chất là cơ chế cốt lõi của mô hình lớn, tạo ra câu trả lời bằng cách dự đoán Token tiếp theo, vốn dĩ "giỏi trả lời". Và trọng tâm của Weina AI là tiến xa hơn nữa – để AI không chỉ giỏi trả lời, mà còn phải "giỏi hỏi". Để AI có "học vấn", vừa phải "học" được vào, lại càng phải "hỏi" ra được.
Giáo sư HKUST khởi nghiệp
Lenovo Capital dẫn đầu vòng đầu tiên
"Người khác là cái gì nóng thì làm. Còn anh ấy là làm cái gì, cái đó nóng." Bạn bè xung quanh chia sẻ ấn tượng về Liu Qifeng.
Câu nói này không hề khoa trương. Từ năm 2001, Liu Qifeng đã vào Phòng thí nghiệm trọng điểm về Nhận dạng Mẫu, Viện Tự động hóa thuộc Viện Hàn lâm Khoa học Trung Quốc, theo học Viện sĩ Tan Tieniu – người giành giải thưởng cao nhất trong lĩnh vực nhận dạng mẫu quốc tế, Giải thưởng K.S. Fu năm 2022. Sau đó, ông lần lượt giữ các chức vụ Nhà nghiên cứu tại Samsung Lab, Nhà khoa học dữ liệu tại Yahoo! Lab, Giám đốc Phòng thí nghiệm AI Gamma của Tập đoàn Ping An, Giám đốc AI tại Viện Nghiên cứu Sáng tạo Hong Kong thuộc Viện Hàn lâm Khoa học Trung Quốc... Năm 2018, ông cùng Viện sĩ Yang Qiang đồng sáng lập Học viện Trí tuệ Nhân tạo và Robot Hong Kong. Năm 2021, với tầm nhìn xa, ông đã viết đề xuất "Đám mây não Hong Kong" và "Mô hình lớn nền tảng Hong Kong" cho chính quyền Hong Kong, trở thành người thúc đẩy sớm cho việc xây dựng siêu máy tính AI và huấn luyện mô hình lớn tại Hong Kong.
Những trải nghiệm có vẻ rời rạc đều hướng đến một việc: giúp máy móc tìm ra mẫu hình từ thông tin phức tạp và hình thành phán đoán.
Bước ngoặt thực sự xảy ra vào năm 2023 khi ChatGPT bắt đầu bùng nổ. Khi đó, Liu Qifeng, với sự hỗ trợ mạnh mẽ của lãnh đạo chính quyền đặc khu và nhà trường, đã cùng 6 trường đại học tại HKUST, đồng sáng lập Trung tâm Nghiên cứu và Phát triển Trí tuệ Nhân tạo Tạo sinh Hong Kong với Viện sĩ Guo Yike, dẫn dắt xây dựng cụm siêu máy tính AI H800 SuperPod nghìn card đầu tiên trên thế giới. Năm 2024, hoàn thành việc huấn luyện trước/huấn luyện sau cho mô hình lớn MoE nghìn tỷ tham số thứ ba của Trung Quốc. Đối với sự phát triển AI của Hong Kong, đây là một điểm mốc quan trọng.
Cũng chính từ trải nghiệm này, ông nhìn thấy khoảng trống tiếp theo: mô hình lớn càng đi sâu, càng phụ thuộc vào dữ liệu chất lượng cao, luôn là "dữ liệu làm vua", đặc biệt là dữ liệu câu hỏi và trả lời suy luận của hàng ngàn ngành hàng trăm nghề. Do đó, việc để mô hình lớn có thể "đặt câu hỏi" chất lượng cao trở thành then chốt hàng đầu.
Liu Qifeng chia sự phát triển của mô hình lớn thành ba giai đoạn: đầu tiên là "từ dữ liệu đến mô hình", sử dụng dữ liệu lớn từ internet để huấn luyện trước; tiếp theo là "từ mô hình đến Token", mô hình lớn bắt đầu xuất ra Token để tạo nội dung hoặc thực hiện tác vụ; giai đoạn tiếp theo, là từ "Token đến dữ liệu" – để hệ thống mô hình lớn chủ động đặt câu hỏi, suy nghĩ từng bước, hiệu chỉnh câu trả lời, tức là tạo ra dữ liệu câu hỏi và trả lời suy luận. Như vậy hình thành vòng lặp phản hồi lớn "dữ liệu → mô hình → Token → dữ liệu", từ đó giúp AI có khả năng tự học.
Mục đích của việc tự học AI là để có được "học vấn", và "học vấn" chính là "học" tập huấn luyện + "hỏi" đáp. Học giả Lưu Khai thời nhà Thanh trong "Vấn thuyết" đã viết: "Quân tử chi học tất hiếu vấn. Vấn dữ học, tương phó nhi hành giả dã. Phi học vô dĩ trí nghi, phi vấn vô dĩ quảng thức." (Người quân tử học ắt thích hỏi. Hỏi và học, là hai việc hỗ trợ nhau mà tiến hành. Không học thì không thể nảy sinh nghi vấn, không hỏi thì không thể mở rộng kiến thức).
Tháng 7 năm 2024, Weina AI Hong Kong chính thức thành lập. Tên công ty lấy từ Norbert Wiener – người sáng lập ra điều khiển học. Điều Liu Qifeng coi trọng chính là vòng lặp phản hồi trong điều khiển học. Sứ mệnh của Weina AI là để AI "hỏi" chuẩn, "đáp" đúng, từ đó hiện thực hóa vòng lặp lớn "dữ liệu → mô hình → Token → dữ liệu", nhờ vậy Agentic AI có thể tự phát triển trong các lĩnh vực chuyên môn.
Nhiệm vụ của Weina AI là giải quyết một vấn đề phản trực giác, đó là một mặt sự phát triển của mô hình lớn rất nhanh, mặt khác, việc triển khai mô hình lớn trong doanh nghiệp vẫn rất khó khăn. Lý do rất đơn giản, đó là độ chính xác thấp. Lấy ví dụ so sánh với việc học sinh ôn thi – chỉ có sách giáo khoa (tài liệu chuyên môn), thiếu bộ đề bài tập (dữ liệu câu hỏi và trả lời suy luận), thì điểm thi không thể cao (độ chính xác của hệ thống thấp). Bởi vì học thuộc sách giáo khoa chỉ thu được kiến thức chết, còn làm đề bài tập luyện là khả năng giải bài tập sống. Việc Weina AI đang làm chính là giúp hàng ngàn ngành hàng trăm nghề bổ sung cuốn "đề bài tập" này, để AI không chỉ "học giáo trình", mà còn "làm bài tập", từ đó giải quyết vấn đề nút cổ chai mà sự tràn lan của Agent đang đối mặt: đo không chuẩn, tối ưu hóa khó, trả lời không chính xác.
Hiện nay có một quan điểm phổ biến: câu hỏi và trả lời của mô hình lớn đã lỗi thời, thực hiện tác vụ mới là quan trọng. Điều này hơi hời hợt. Khả năng thực thi phụ thuộc vào hai trụ cột: độ chính xác của tác nhân đơn lẻ trong lĩnh vực chuyên môn, và khả năng phối hợp giữa các tác nhân đa thể. Nhưng thực tế là, khả năng thực thi hiện tại còn xa mới đáng tin cậy. Một trong những nguyên nhân cốt lõi là tỷ lệ chính xác câu hỏi và trả lời của tác nhân đơn lẻ thường không đạt 70% – ngay cả ngưỡng "đáng tin" còn chưa vượt qua, huống chi là "hợp tác".
Định nghĩa cụ thể của "bài tập" là cQrA: context (ngữ cảnh), Question (câu hỏi), reasoning (suy luận), Answer (câu trả lời). context là hiện trường nhiệm vụ, Question là câu hỏi được tạo ra, reasoning là quá trình suy luận, Answer là câu trả lời đã được hiệu chỉnh. Nói cách khác, Weina AI muốn mô hình trong một ngữ cảnh ngành cụ thể, đồng thời tạo ra câu hỏi, câu trả lời và quá trình suy luận.
Điều này cũng tạo ra khoảng cách so với việc gán nhãn dữ liệu truyền thống. Gán nhãn dữ liệu truyền thống phụ thuộc nặng nề vào nhân công, thậm chí chuyên gia, chi phí cao, khó mở rộng quy mô, chỉ đưa ra câu trả lời, thiếu suy luận, kinh nghiệm chuyên gia bị hao phí vào lao động lặp lại. Weina AI thì để Agentic AI hóa thân thành đội ngũ chuyên gia thông minh không biết mệt mỏi, tự động tạo ra dữ liệu cQrA với chuỗi tư duy đầy đủ, hoàn toàn phá vỡ nút thắt nhân lực. Quan trọng hơn việc tiết kiệm tiền, cơ chế vòng lặp khiến dữ liệu được tạo ra mỗi luồng lại bồi đắp cho mô hình tạo và mô hình đánh giá, thúc đẩy sự nhảy vọt liên tục về độ chính xác và logic trong các vòng lặp tiếp theo – từ đó đạt được sự thay đổi chất lượng từ "xưởng thủ công" thành "nhà máy tri thức tự tiến hóa".
Weina AI nhanh chóng lọt vào tầm ngắm của giới công nghiệp và nhà đầu tư. Không lâu sau khi thành lập, công ty đã hoàn thành vòng gọi vốn hạt giống 50 triệu HKD, do Lenovo Capital dẫn đầu. Lenovo Capital luôn đầu tư dọc theo ba yếu tố của AI: về sức mạnh tính toán đã đầu tư vào MetaX, Cambricon, v.v.; về mô hình đã đầu tư vào Zhipu AI, StepFun, v.v.; còn mắt xích dữ liệu, đã rơi vào Weina AI. Đồng thời, MetaX và Weina AI hợp tác sâu, trong thời đại vòng lặp lớn "dữ liệu → mô hình → Token → dữ liệu" sắp tới, một bên đã thiết kế sẵn nền tảng sức mạnh tính toán cho mô hình tương lai, một bên đã định nghĩa sẵn khối lượng công việc cho mô hình tương lai.
Chặng đường tiếp theo của AI
"Hãy để chúng tôi tạo ra thế giới này!"
Việc xác minh thương mại bắt đầu bằng hai câu hỏi tâm huyết.
Câu hỏi 1: Trong điều kiện không có gán nhãn chuyên gia quy mô lớn, liệu dữ liệu được tạo ra có được các tổ chức chuyên môn mua không?
Câu hỏi 2: Liệu có thể thực hiện được xuyên ngành, có thể sao chép không?
Vì vậy, Weina AI đã chịu áp lực, phá vỡ nguyên tắc "ưu tiên chiều sâu" truyền thống của các công ty khởi nghiệp công nghệ 2B, tức là nhất định phải "xuyên thủng một ngành nào đó" trước, mà thay vào đó áp dụng "ưu tiên chiều rộng", cố ý chọn bốn ngành trông có vẻ không liên quan gì nhau, nhưng yêu cầu độ chính xác cao: an toàn giá trị quan, chính vụ, bảo hiểm, đua ngựa, và mỗi ngành đều đã triển khai được khách hàng đầu ngành.
"Chúng tôi đã chứng minh có thể dùng đội ngũ nhỏ, không có chuyên gia ngành, chi phí thấp để thực hiện sao chép xuyên ngành." Liu Qifeng cho biết, hiện nay đã thực hiện xác minh "từ 0 đến 4", bước tiếp theo là mở rộng "từ 1 đến M x N" (M ngành, mỗi ngành N khách hàng đầu ngành).
Đằng sau đó là sự phán đoán lâu dài về giá trị của dữ liệu.
Theo quan điểm của Liu Qifeng, khoảng cách AI giữa Trung Quốc và Mỹ, phần lớn bắt nguồn từ sự khác biệt trong nhận thức về dữ liệu – dữ liệu lâu nay bị coi là "công việc vất vả bẩn thỉu", lương của kỹ sư dữ liệu thường thấp hơn kỹ sư thuật toán và mô hình.
Nhưng cục diện đang thay đổi. Khi việc sản xuất dữ liệu chuyển từ gán nhãn thủ công sang suy luận, tương tác và phản hồi vòng lặp, các công ty mô hình lớn tiếp tục tăng đầu tư vào phía dữ liệu, việc tạo ra dữ liệu tương tác suy luận quyết định trần năng lực của mô hình lớn, đã là sự đồng thuận trong ngành.
Và cốt lõi nhất trong tương lai, không phải là mô hình, thậm chí không phải là bản thân dữ liệu, mà là cái "vòng lặp lớn" đó. Giống như chìa khóa của tiến hóa không phải là đàn ông cũng không phải là phụ nữ, mà là cơ chế giao phối và chọn lọc tự nhiên – cơ chế sao chép, trao đổi chéo, biến dị nhiễm sắc thể và sự sống sót của kẻ thích nghi. Chưng cất dữ liệu chỉ là một con đường mượn sức bên ngoài, hào bảo vệ thực sự là thiết lập được vòng lặp tự học được thúc đẩy lẫn nhau giữa huấn luyện mô hình và tạo dữ liệu, sử dụng cơ chế phối hợp mô hình và phản hồi để liên tục tạo ra dữ liệu chất lượng cao.
Phán đoán này cũng mở rộng đến trí tuệ thể hiện – chủ đề nóng nhất hiện nay.
Cách huấn luyện trí tuệ thể hiện truyền thống dựa trên việc bắt chước con người. Nhưng trí tuệ thực sự nên giống như trẻ con tập đi "lê la bò trườn": trong quá trình liên tục vấp ngã và thử nghiệm, tự chủ tạo ra dữ liệu hành động, sau đó thông qua phản hồi vòng lặp để lặp lại tối ưu hóa mô hình quyết định.
Liu Qifeng nói, logic huấn luyện vòng lặp trong thế giới số, đã mở rộng đến thế giới vật lý. Dù là Agent bước vào ngành nghề, hay robot đi đến hiện trường, đều không thể tách rời khối lượng lớn dữ liệu tương tác suy luận chất lượng cao được tạo ra tự chủ trước đó. Tương ứng, cQrA phát triển thành cTrA – ngữ cảnh (context), nhiệm vụ (Task), suy luận (reasoning), thực thi (Action), đây vừa là nhiên liệu mới cho huấn luyện, cũng là thước đo mới cho đánh giá.
Con đường mới bắt đầu, câu trả lời mà Liu Qifeng đưa ra hướng đến tương lai không xa: "Hãy để chúng tôi tạo ra thế giới này!"
Bài viết này đến từ tài khoản công chúng WeChat "Đầu tư giới" (ID: pedaily2012), tác giả: Wang Lu
