一个香港创业团队意外进入我们的视野。
前不久,一篇关于AI辅助肾癌手术决策的论文登上Nature通讯(https://www.nature.com/articles/s41467-026-73813-7)。凭借这篇论文,维纳智能成为中国首个、世界第四个登上Nature主要期刊(近三年IF>10)的数据生成科创公司——之前发文的中国大模型公司,是 DeepSeek 与面壁智能。
身后创始人柳崎峰教授,曾在香港科技大学建起全球首个千卡H800 SuperPod集群,预训练出中国第三家千亿参数大模型,管理项目研发资金超1亿美金。此后他盯上了如何提高AI的“提问”能力,来生成高质量推理问答数据,而这是即将爆发的AI自主学习的关键之一,于是在香港创办了维纳智能。
带着好奇,投资界与柳崎峰深谈近三个小时。话题从这篇论文说起,一路聊到大模型与具身智能,以及他对AI下一程的理解。
从一篇Nature通讯论文说起
别人是“从论文中来,到论文中去”,柳崎峰却是“从问题中来,到问题中去”。
2025年初,柳崎峰的亲属身患肾癌,主治医生是中山大学肿瘤医院张志凌主任。和其他所有肾癌手术一样,医生一直面临一个临床难题——部分肾切除和根治性肾切除之间,能否有更量化更智能的判断依据?
这个难题的本质是:AI能否预测真实世界里的复杂选择。
于是就在医院病房里,一场跨越医学与AI的合作就此展开:张志凌负责医学工作并联合多家医院完成数据收集,维纳智能负责AI和数据处理工作。论文共同第一作者王雅田,是港科大博士生、维纳智能实习生,由柳崎峰与罗文寒教授联合指导。
针对多源异构稀疏数据挑战,团队提出RDPM模型,将3D影像和临床变量/指标放进同一个预测框架,在1621例患者队列中完成训练与验证,外部多中心测试AUC达到0.788到0.873。论文预测了患者远期肾衰退风险,为高度依赖经验的手术决策提供了可量化支撑。
维纳智能在医疗这样最难容错的场景中,完成了一次AI预测的公开检验。这也指向了柳崎峰接下来要讲的AI预测的另一面——预测其实是大模型的底层机制,用预测下一个Token的方式生成答案,天生“善答”。而维纳智能的聚焦点,是更进一步——让AI不仅善答,更要“善问”。要让AI有“学问”,既要“学”得进去,更要“问”得出来。
港科大教授创业
联想创投领投第一轮
“别人是火什么,做什么。而他是做什么,火什么。”身边的朋友聊起对柳崎峰的过往印象。
这句话并非夸张。早在2001年,柳崎峰进入中国科学院自动化所模式识别国家重点实验室,师从谭铁牛院士——国际模式识别领域最高奖-傅京孙奖2022年得主。此后他先后任Samsung Lab研究员、Yahoo! Lab数据科学家、平安集团Gamma AI Lab主任、中国科学院香港创新研究院AI总监等职。2018年,他与杨强院士联合发起香港人工智能与机器人学会,2021年,他便极具前瞻性地为港府撰写了“香港云脑”和“香港基础大模型”建议书,成为香港AI超算建设与大模型训练的早期推动者。
看似分散的经历,都指向同一件事:让机器从复杂信息中找到模式并形成判断。
真正的转折发生在ChatGPT开始火爆的2023年。彼时柳崎峰在特区政府和学校领导的大力支持下,在香港科技大学联合6大高校,与郭毅可院士联合发起香港生成式人工智能研发中心,带队建成世界首个千卡H800 SuperPod AI超算集群,2024年,完成中国第三家千亿MoE大模型预/后训练。对于香港AI发展来说,这是一个关键节点。
也正是这段经历,他看见了下一道缺口:大模型越往深处走,越依赖高质量数据,永远是“数据为王”,尤其是千行百业的推理问答数据,于是让大模型能够高质量地“提问”,就成了首要关键。
柳崎峰把大模型发展拆成三个阶段:先是“从数据到模型”,用互联网大数据做预训练;再是“从模型到Token”,大模型开始输出Token生成内容或执行任务;接下来,是从“Token到数据”——让大模型系统主动提问、分步思考、校对回答,即推理问答数据生成。如此形成“数据→模型→Token→数据”的反馈大闭环,从而使AI具备自主学习能力。
AI自主学习的目的是获取“学问”,而“学问”就是“学”习训练 + 提“问”回答。清代学者刘开在《问说》中写道:“君子之学必好问。问与学,相辅而行者也。非学无以致疑,非问无以广识。”
2024年7月,香港维纳智能正式成立。公司名取自诺伯特·维纳——控制论的创始人。柳崎峰看重的,正是控制论里的反馈闭环。维纳智能的使命,就是让AI“问”得准、“答”得对,进而实现“数据→模型→Token→数据”的大闭环,从而让Agentic AI在专业领域自主演化。
维纳智能的任务,是要解决一个反直觉的问题,即一方面大模型发展一日千里,另一方面,大模型在企业落地依然非常难。原因很简单,就是准确度低。用学生备考来类比——光有教科书(专业文档),缺少习题集(推理问答数据),考试成绩不可能高(系统准确度低)。因为背教科书获取的是死的知识,而做习题集练的是活的解题能力。维纳智能在做的事,就是帮千行百业补上这本“习题集”,让AI不仅“学教材”,而且“做习题”,从而解决当下Agent泛滥所面临的测不准、优化难、答不准的瓶颈问题。
当下有一种流行说法:大模型问答已过时,执行任务才是关键。这未免流于表面。执行能力取决于两大支柱:单智能体在专业领域的准确度,与多智能体间的协同能力。可现实是,当前执行能力远未可靠。症结之一便在于单体问答准确率往往不足70%——连“可信”的门槛都迈不过,更遑论“协作”。
“习题”的具体定义是cQrA:context、Question、reasoning、Answer。context是任务现场,Question是生成的问题,reasoning是推理过程,Answer是校验后答案。换言之,维纳智能要让模型在一个具体行业语境里,同时生成问题、答案和推理过程。
这也拉开了与传统数据标注的距离。传统数据标注严重依赖人工甚至专家,成本高、难规模化,只给答案,缺少推理,专家经验被重复劳动消耗。维纳智能则让Agentic AI化身不知疲倦的智能专家团队,自动生成带完整思维链的cQrA数据,彻底突破人力瓶颈。比省钱更关键的是,闭环机制使每一轮生成的数据反哺生成和评价模型,驱动下一轮迭代在精度与逻辑上持续跃升——由此实现从“手工作坊”到“自我进化知识工厂”的质变。
维纳智能很快进入产业界和投资人视野。公司刚成立不久,便完成5000万港元种子轮融资,由联想创投领投。联想创投一直沿AI三要素赛道下注:算力投了沐曦、寒武纪等,模型投了智谱、阶跃星辰等,数据这一环,落到了维纳智能。同时,沐曦和维纳智能深度合作,在即将到来的“数据→模型→Token→数据”的大闭环时代,一个提前为未来范式设计了算力平台,一个提前为未来范式定义了工作负载。
AI下一程
“让我们生成这个世界”
商业化验证,先从两个灵魂拷问开始。
拷问一:在没有大规模专家标注的情况下,生成的数据是否有专业机构买单?
拷问二:是否可以做到跨行业、可复制?
为此,维纳智能顶住压力,打破了传统2B科创公司“深度优先”原则,即一定先要“击穿某个行业”,而是采用了“广度优先”,故意选了四个看似毫不相干、但准确度要求很高的行业:价值观安全、政务、保险、赛马,且每个行业都落地了头部客户。
“我们证明了可以用小团队、无行业专家、低成本实现跨行业复制。”柳崎峰表示,如今实现了“0到4”的验证,下一步就是“1到M x N”的推广(M个行业,每个行业N个头部客户)。
这背后,是对数据价值的长期判断。
在柳崎峰看来,中美AI的差距,很大程度上源于对数据的认知差异——数据长期被视为“脏活累活”,数据工程师的薪酬普遍低于算法与模型工程师。
但格局正在扭转。随着数据生产从人工标注走向推理、交互与闭环反馈,大模型公司在数据侧的投入持续加码,推理交互数据生成决定了大模型能力上限,已是业内共识。
而未来最核心的,不是模型,甚至不是数据本身,而是那个“大闭环”。正如进化的关键既非男人也非女人,而是交配与自然选择——染色体复制、交叉、变异和适者生存的机制。数据蒸馏只是借力外部的一种路径,真正的护城河,是建立起模型训练与数据生成相互驱动的自主学习闭环,用模型协同与反馈机制持续生成高质量数据。
这个判断也延伸到当下最热的具身智能。
传统方式训练具身智能,基于对人类的模仿。而真正智能应像婴儿学步“摸爬滚打”:在持续跌倒与尝试中自主生成动作数据,再通过闭环反馈迭代优化决策模型。
柳崎峰说,数字世界的闭环训练逻辑,已经延伸至物理世界。无论是Agent进入行业,还是机器人走向现场,都离不开提前自主生成的海量高质量推理交互数据。相应地,cQrA演进为cTrA——场景(context)、任务(Task)、推理(reasoning)、执行(Action),这既是训练的新燃料,也是评测的新标尺。
路刚刚开始,柳崎峰给出的答案,指向那个不远的未来:“让我们生成这个世界!”
本文来自微信公众号“投资界”(ID:pedaily2012),作者:王露
