先看三个核心判断——用推理数据生成替代人工标注，用闭环反馈驱动系统持续优化，用因果锚定为在线推理提供稳定逻辑支点。这篇文章要讲的核心，正是这套AI推理数据生成与闭环反馈打法如何把一家仅成立两年的香港AI公司推上《Nature》期刊，并在价值观安全、金融保险、香港政务、体育竞赛这些看似风马牛不相及的领域里，接连交出工业级精度的答卷。

它的底层逻辑，不是堆更大的基座模型，也不是更牛的向量数据库。核心就是让大模型自己生成高精度的推理数据，再用闭环反馈去驱动专业Agent自主演化。两个关键词：推理数据生成，闭环反馈。

首登Nature期刊：中国数据生成科创公司的“破冰”时刻

2026年5月28日，《Nature》通讯发表了一篇论文，题目是关于肾癌术后功能预后风险分层的多模态深度学习模型。维纳智能负责AI方面的工作，中山大学肿瘤医院等机构负责医学方面的工作。论文共同第一作者是王雅田同学，由维纳智能的柳崎峰与港科大的罗文寒联合指导。

数字可以说明分量。过去三年里，影响因子大于10的《Nature》期刊共60本，累计收录超过7.4万篇论文。维纳智能成为中国首个、全球第四个登上《Nature》期刊的数据生成科创公司。在此之前，DeepSeek和面壁智能也曾在《Nature》上发过文章。这个时间节点，算得上是国内AI推理数据生成公司的一个破冰标志。

临床两难，AI预测：从“单模态短期估算”升级为“多模态长期风险分层”

在复杂肾癌手术里，医生经常要面对一个两难选择：一边是部分肾切除术（PN），能最大程度保留肾功能，但手术难、术后并发症风险高；一边是患肾全切术（RN），操作更稳妥，但整个肾脏没了，术后慢性肾病的风险会大幅增加，直接影响患者长期生存质量。

团队来解决这个问题的思路，是在术前用AI预测RN术后对侧肾脏的长期功能衰退趋势。如果对侧肾代偿能力强，就倾向选择RN；反之则倾向于PN，尽量多留一些肾单位。

但问题来了，绝大多数AI预测任务是绕不开这些坑的：数据多源异构、样本极度稀疏、设备之间存在偏差、信号里有噪声、时间跨度又长。这就好比让一个模型在完全不熟悉的环境里，从几张模糊的照片判断未来十年会发生什么。

为此，团队提出了一个叫RDPM的模型（Rapid GFR Decline Prediction Model）。核心动作有两个：第一，把优化目标从“短期术后eGFR点估计”提升为“长期肾功能快速衰退风险分层”；第二，用多模态多头交叉注意力机制，把3D影像和临床变量这两种异构信息融合到一起。对侧肾脏的皮质和髓质，由UNest模型自动分割，再由医生审核确认。

最终，这个模型在15家多中心医疗机构、1621例患者的队列里完成训练和验证。外部多中心测试的AUC在0.788到0.873之间。数字足够扎实，为个性化手术决策提供了一份比较稳定、可量化的参考证据。

模型层面优化：从“预测”到“推理数据生成”

预测这件事，是大模型训练和推理的底层机制。它其实分三个层次：

• Token语义层：大模型根据前文，预测下一个Token的概率分布。
• 回答语义层：大模型根据人类提问，预测最优回复序列。
• 提问语义层：大模型根据上下文，预测人类潜在的真实需求和追问方向。

这就像“生成”比“判别”难，“提问”比“回答”也更难，因为你要提前预判对方在想什么、需要什么，而且你的提问还得有合理性、有逻辑性、有多样性。

所谓推理数据生成，就是指大模型根据上下文，既生成提问又生成回答，同时还要给出思维链和推理过程。它最终输出的一个四元组：cQrA（context, Question, reasoning, Answer）。

维纳智能专注于这件事。大模型的高质量学习，不能只有“教科书”式的结构化知识，还得有“习题集”式的问答推理数据。习题集的本质，是一种对抗式和强因果的知识组织形式——问题驱动思考，答案形成反馈，推理强化因果。维纳智能的目标是：让大模型不仅会回答问题，更要学会主动提问，成为一个具备主动学习能力的智能体。

高质量推理数据生成，有两道绕不开的坎：第一，行业里的“习题集”极度匮乏——知识还困在文档和专家经验里，没有变成可训练的推理数据；第二，原始数据多源异构、样本稀疏、噪声大，严重干扰知识重构和因果组织。而医疗领域对精度的要求最严苛，正好成了检验这套AI推理数据生成方案的试炼场。

系统层面优化：从“推理数据生成”到“数据→Token→数据”大闭环

1948年，诺伯特·维纳创立控制论，核心思想是：反馈控制加上信息度量，是系统优化的关键。

现代人工智能的几次重大跃迁——从反向传播、强化学习，到RLHF、Agentic AI——背后无一不是这套逻辑在起作用。

反馈的本质，就是闭环。

目前行业里多数工作集中在“数据→Token”这个方向：消耗算力，用数据训练出大模型，再输出Token去做应用。而维纳智能专注的是另一半：Token→数据。用大模型自动生成专业高精度的推理数据，而不是依赖成本高昂、数量有限的人类专家标注。

它的使命，就是实现从“数据→Token→数据”的大闭环，让Agentic AI在专业领域里自主演化。

搭建这个大闭环，核心目的是优化两类参数：

• 内参数：模型经过预训练和后训练得到的参数。
• 外参数：除了提示词，还包含因果锚定（Causal Anchoring）所需要的、基于上下文的Few-shot。

数据在这里就是参数。这些上下文相关的Few-shot，正来自高精度的推理数据生成，里面既包含了业务知识，又包含了对抗式的因果逻辑，对最终推理结果的影响很大。

解决Agent泛滥之三重困局：测不准、优化难、答不准

Vibe Coding催生了一波Agent井喷，但三个系统级的瓶颈很快就浮出水面：

• 测不准：传统的软件测试方法对Agent几乎失效。用户提问灵活多变、时效性强，即便是大企业，问答数据也极度缺乏。
• 优化难：没有有效的动态测试，系统就处在“无反馈”状态，结构优化和超参数调优都无从下手。
• 答不准：在专业领域，经典的LLM+RAG架构通常只能达到大约70%的准确度（难题会更差）。不准就不落地——这也是为什么大模型至今难以帮企业真正降本增效的根本原因。

维纳智能的推理数据生成技术，可以自动生成各行业的高质量cQrA数据集（规模可以到几十万条，每小时生成上千条），直接对应上面的三个痛点：

• 动态多维测试：持续生成新的cQrA，既能测时效性，又能防止模型“作弊”。
• 闭环反馈优化：测试结果提供反馈，驱动整个系统的结构和超参数进行优化。
• 因果锚定推理：离线生成海量cQrA，为在线推理在锚定范围内注入逻辑先验——就像考试前要刷题，面试前要准备。

这个演进路径，和互联网早期的逻辑很像：1991年HTML协议催生了网页爆发式增长，随后对网页的质量评估和相关性排序，成了信息检索效率的关键。如今Agent指数级涌现，对Agent的评估与排序，正是维纳智能在着力构建的下一代基础设施。

排序即效率。

维纳智能AI特种兵：不烧钱不堆人，连续击穿“硬核”行业

2024年7月，香港科技大学的柳崎峰教授带队完成了全球首个千卡H800 AI集群建设，以及中国第三家千亿MoE大模型的完整预训练和后训练。建过算力，训过模型，大模型三要素中最后一块拼图就是：造数据。于是有了维纳智能。

它的定位非常清晰：高精度推理数据生成，为企业提供工业级的Agentic AI系统。底层技术栈是闭环反馈多智能体协同框架，涵盖知识重构、因果推理、任务分解、多重检验等关键模块。

过去一年，在几乎没有行业专家参与传统标注的前提下，维纳智能靠这套AI推理数据生成技术，连续击穿了四个截然不同、且都对精度高度敏感的区域——价值观安全、金融保险、香港政务、体育竞赛，而且客户全是头部机构。

它以推理数据生成为核心，以国产GPU——沐曦为底座，构建了一系列极具特色的2C和2B创新产品。这些产品验证了它在专业精度和跨界通用上的能力：

• 首发出海价值观大模型系统（价值观一致性超过99%，而当今中外主流大模型只有9%到21%），打破了海外闭源模型在价值观上的话语权垄断。
• 首发实时Agent测试系统（动态生成问答数据，定期出评估报告，解决了企业对Agent“不敢用”、“用不好”的落地难题）。
• 首发保险大模型数据生成和问答系统（复杂保险问答生成准确率超过95%，而Gemini Search只有大约59%）。
• 首发赛马大模型系统（统计问答准确度超过94%，分析预测Top-3准确度超过59%）。
• 首发香港大模型写作与改错系统（改错准确度超过90%）。

值得关注的，还有融资节奏和收入增长。除了两年前联想创投领投的5000万港币种子轮，迄今没有再融资。维纳智能走的是精英特种兵路线，贯彻Harnessing Engineering，追求单兵作战的高效造血。靠着高毛利的产品和可复制的模式，今年业务开始快速增长，营收预计超过4000万港币。

这些成果已经吸引了人民日报、新华社、中央广播电视总台、中联办公众号、紫荆期刊、凤凰卫视等权威机构的深度报道，被评价为“香港人工智能产业发展好风正起”。

创始人柳崎峰：从大模型超算训练的先行者，到“Token→数据”的布道者

柳崎峰2005年博士毕业于中科院自动化所，师从人工智能泰斗谭铁牛院士。谭铁牛院士是2022年国际模式识别领域最高奖——傅京孙奖——得主。

他的履历很硬。曾任香港生成式人工智能研发中心（HKGAI）总经理、平安集团加马AI研究院院长、Yahoo! Lab研究科学家、Samsung Lab先任研究员。他还是中国人工智能学会理事，港科大-沐曦先进AI计算联合实验室的发起人及学术委员。

他是香港大模型超算与训练最早发起者和建设者之一。2018年与杨强院士联合创立香港人工智能与机器人学会。2021至2022年为港府撰写“香港云脑”和“香港基础模型”建议书。2023年与郭毅可院士联合6所知名高校发起建立香港生成式人工智能研发中心；同年带队建设了全球首个千卡H800 AI超算系统；2024年带队完成了中国第三家千亿MoE大模型的预训练和后训练。

他拥有超过1亿美元的研发及管理项目经验，在清华、港科大、牛津、哥大等高校建立了超过500万美元的联合实验室。仅近两年，就发表了《Nature》通讯等顶刊论文2篇，AI顶会论文17篇。

结语：闭环反馈是引擎，推理数据是燃料

当行业还在热议大模型榜单和Agent自动化时，Vibe Coding的发明者Karpathy最近给了一句忠告：别再让你的Agent什么都干，先把底层机制做对。

维纳智能的选择，正好是对这句话的工程化回应：让AI先学会“问对问题”，再学会“答对问题”。在多步分解和多重校验中，把大模型的推理能力沉淀为工业级的数据资产。这就是“Token→数据”。

它的核心方案，清晰且克制：用推理数据生成替代人工标注，用闭环反馈驱动系统持续优化，用因果锚定为在线推理提供稳定逻辑支点。能测准，能优化，能答难题——这或许就是企业走出大模型落地困境时，最关键的一跃。