维纳智能：中国数据生成科创公司首登Nature杂志
借助机器自动产出高精度推理数据以取代人工标注，借助闭环反馈机制驱动系统不断升级，并利用因果锚定为在线推理建立稳固的逻辑基础。
作者｜某AI公司创始人兼CEO、某大学客座教授
一家创立不足两年的香港AI企业，既未大规模依赖人工标注，也未陷入参数规模竞赛，却在权威期刊上留下了首个国内数据生成公司的印记，并成功跨越价值观安全、金融保险、政务管理、体育竞赛等多个高度差异化的领域，实现了工业级精度。其技术根基并非更强大的基座模型，而是依靠让大模型自动生成高精度推理数据，并通过闭环反馈驱动专业代理自主进化。
首登权威期刊：国内数据生成科创公司的破冰时刻
2026年5月28日，权威期刊发表了题为《Multimodal deep learning model for AI-based functional prognostic risk stratification in patients undergoing radical nephrectomy》的论文。该AI公司负责AI相关部分，一家医院等机构负责医学工作。一位研究生为共同第一作者，由该公司负责人与某大学导师联合指导。
统计数据显示，过去三年内，影响因子高于10的该期刊共有60本，累计收录74,145篇论文。该团队成为国内首个、全球第四个登上该期刊的数据生成科创公司。此前，另外两个通用大模型技术公司也曾在该期刊发表论文。
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
在复杂肾癌手术中，医生常陷入两难境地：
- 部分肾切除术PN可最大限度保留肾功能，但手术难度高、术后并发症风险大；
- 患肾全切术RN技术操作更稳妥，但牺牲整个肾脏，术后慢性肾脏病风险大幅增加，可能严重影响患者长期生存质量。
该团队的思路是：术前利用AI预测RN术后对侧肾脏的长期功能衰退趋势。若对侧肾代偿能力强，则倾向RN；反之，则选择PN以保留更多肾单位。
然而，与绝大部分AI预测任务类似，训练数据面临多源异构、样本极度稀疏、设备偏差、信号噪声、时间跨度大等挑战。
为此，研究者提出了RDPM（Rapid GFR Decline Prediction Model），首先将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，然后采用多模态多头交叉注意力机制，实现3D影像和临床变量的双流异构信息融合。对侧肾脏的皮质和髓质由UNest模型自动分割加医生审查获得。
该模型在15家多中心医疗机构、1621例患者的队列中完成训练与验证。外部多中心测试AUC为0.788至0.873，为个体化手术决策提供了稳定可量化的依据。
模型层面优化：从预测到推理数据生成
预测是大模型训练与推理的底层机制，分为三个层面：
- 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与追问方向。
类似于生成比判别更难，提问比回答更难，因为需要预判人类所想和所需，要求具备充分的合理性、逻辑性、多样性。
所谓推理数据生成，即大模型根据上下文，既生成提问又生成回答，同时给出思维链和推理过程，其输出为四元组cQrA=（context, Question, reasoning, Answer）。
该公司专注于推理数据生成。大模型的高质量学习，不能只有教科书式的结构化知识，还必须有习题集式的问答推理数据。习题集的本质，是一种对抗式、强因果的知识组织形式：以问题驱动思考，以答案形成反馈，以推理强化因果。该公司的目标是：训练大模型不仅会回答，更善于提问，成为具备主动学习能力的智能体。
高质量推理数据生成面临两道坎：一是行业习题集极度匮乏——知识仍困在文档和专家经验中，未转化成可训练的推理数据；二是原始数据多源异构、样本稀疏、噪声大，严重干扰知识重构与因果组织。医疗领域对精度要求极为严苛，正是这道坎的最佳试炼场。
系统层面优化：从推理数据生成到数据-Token-数据大闭环
1948年，某控制论创立者强调反馈控制与信息度量是系统优化的关键。
现代人工智能的发展，从反向传播、强化学习，到RLHF、Agentic AI等重大进展，无一不印证了反馈控制与信息度量的核心作用。
反馈即闭环。
目前大部分工作是：数据到Token，即消耗算力用数据训练出大模型并输出Token做应用。
而该公司却专注另一半：Token到数据，即用大模型自动生成专业高精度推理数据（不依靠极为有限的人类专家标注）。
该公司的使命，就是实现数据到Token再到数据的大闭环，从而让Agentic AI在专业领域自主演化。
从技术上看，搭建这个大闭环的核心目的，是优化以下参数：
- 内参数，即模型经预训练与后训练得到的参数；
- 外参数，除提示词外，还有因果锚定所需的基于上下文的Few-shot，但企业业务应用大模型的降本增效并不明显。
数据即参数。这些上下文相关的Few-shot，正来自于高精度推理数据生成，其包含了业务知识和对抗式因果，对最终推理结果影响很大。
解决Agent泛滥之三重困局：测不准、优化难、答不准
Vibe Coding催生Agent井喷，但三大系统级瓶颈迅速浮现：
- 测不准：软件测试方法对Agent几乎失效，实际中提问灵活多样且时效性强，而即使是大企业，其问答数据也极度缺乏；
- 优化难：缺乏有效的动态测试，系统便处于无反馈状态，结构优化与超参数调优无从下手；
- 答不准：在专业领域，经典LLM+RAG架构通常只有约70%准确度（对于难题更差），不准就不落地，这正是当前大模型难以帮助企业降本增效的根本原因。
该公司的推理数据生成技术，可以自动生成各行业高质量cQrA数据集（规模可达几十万条，每小时上千条），直击三大痛点：
- 动态多维测试：通过持续生成新cQrA，既测时效性，又防作弊；
- 闭环反馈优化：测试提供反馈，进而对整个系统的结构和超参数优化；
- 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（类似于考试前要刷题，面试前要准备）。
这一演进与互联网早期逻辑惊人相似：1991年HTML协议催生网页爆发式增长，随后质量评估和相关性排序成为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，正是该公司着力构建的下一代基础设施。
排序即效率。
该公司AI特种兵：不烧钱不堆人，连续击穿硬核行业
2024年7月，某大学教授带队完成全球首个千卡H800 AI集群建设、国内第三家千亿MoE大模型全流程预训练与后训练。建过算力，训过模型，大模型三要素中最后一块拼图便是造数据，于是创立该公司。
该公司定位为：高精度推理数据生成，为企业提供工业级Agentic AI系统。底层技术栈为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。
过去一年间，在几乎没有行业专家参与传统数据标注的前提下，该公司凭借上述核心技术，连续击穿四个截然不同且对精度高度敏感的领域：价值观安全、金融保险、政务管理、体育竞赛，且客户均为头部机构。
以推理数据生成为核心，以国产GPU为底座，构建了系列颇具特色的创新产品，验证了专业精准度和跨界通用能力：
- 首发出海价值观大模型系统（具备外交官级政治智慧，价值观一致性超过99%，而国内外主流大模型仅9%至21%），打破海外闭源模型价值观话语权垄断；
- 首发实时Agent测试系统（动态生成问答数据，定期出评估报告，解决企业对于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%，而某主流搜索工具仅59%左右）；
- 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%）；
- 首发某地区大模型写作与改错系统（改错准确度超过90%）。
此外，值得关注的是融资节奏与收入增长。除2年前某基金领投的5000万港币种子轮融资外，迄今未再融资。提倡精英特种兵文化，贯彻Harnessing Engineering，追求单兵作战高效造血。凭借高毛利产品和复制能力，今年业务开始快速增长，营收预计超过4000万港币。
上述成果已吸引多家权威机构深度报道，被誉为该地区人工智能产业发展态势良好。
创始人：从大模型超算训练的先行者到Token到数据的布道者
2005年博士毕业于某研究所，师从人工智能领域知名专家。曾任某生成式人工智能研发中心总经理、某集团AI研究院院长、某实验室研究科学家、某实验室先任研究员等职。他还担任某人工智能学会理事，某大学与某公司联合实验室发起人及学术委员等职。
他是该地区大模型超算与训练的最早发起者和建设者之一。2018年与某院士联合创立某人工智能与机器人学会。2021至2022年为当地政府撰写相关建议书。2023年与某院士联合多家知名高校发起建立某生成式人工智能研发中心；2023年带队建设全球首个千卡H800 AI超算系统；2024年带队预训练与后训练国内第三家千亿MoE大模型。
他拥有丰富的研发及管理重大科研项目经验（累计超过1亿美元）。在多所知名大学建立联合实验室（累计超过500万美元）。仅近两年，发表权威期刊等顶刊论文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
当业界在热捧大模型榜单和Agent自动化时，某技术专家近日给出了一句忠告：别再逼你的Agent什么都干，先把底层机制做对。
该公司选择的路径，恰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，在多步分解与多重校验中，将大模型的推理能力沉淀为工业级数据资产，即Token到数据。
由此，这套清晰而克制的策略——以推理数据生成取代人工标注、借闭环反馈持续优化系统、靠因果锚定巩固在线推理——助力企业精准测量、有效优化与攻克难题，正是跨越大模型落地困境的关键突破。