一家香港创业团队因为一篇医学 AI 论文进入外界视野。前不久，一篇关于 AI 辅助肾癌手术决策的论文发表在《Nature Communications》。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。文中提到，此前发文的中国大模型公司包括 DeepSeek 与面壁智能。
维纳智能背后的创始人是柳崎峰教授。报道显示，他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，并管理过超过 1 亿美元的项目研发资金。此后，他将注意力转向如何提升 AI 的“提问”能力，以生成高质量推理问答数据，并在香港创办了维纳智能。
论文从肾癌手术决策切入
这篇论文源于一个具体问题。2025 年初，柳崎峰的亲属患上肾癌，主治医生是中山大学肿瘤医院张志凌主任。围绕肾癌手术，医生长期面对一个临床难题：在部分肾切除和根治性肾切除之间，能否建立更量化、也更智能的判断依据。
报道将这一问题概括为，AI 能否预测真实世界里的复杂选择。随后，在医院病房里，医学与 AI 的合作展开：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。论文共同第一作者王雅田是香港科技大学博士生、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、稀疏数据带来的挑战，团队提出 RDPM 模型，把 3D 影像与临床变量、指标放入同一预测框架，在 1621 例患者队列中完成训练与验证。论文给出的外部多中心测试 AUC 为 0.788 至 0.873。根据报道，该研究预测了患者远期肾衰退风险，为原本高度依赖经验的手术决策提供了可量化支撑。
在柳崎峰看来，这次公开检验发生在医疗这样的高容错门槛场景，也引出了他对 AI 预测机制的另一层理解：大模型通过预测下一个 Token 生成答案，天然偏向“善答”；而维纳智能的聚焦点，是让 AI 不只会回答，也能更好地提出问题。
从港科大教授到创业者
报道援引身边朋友对柳崎峰的评价称，“别人是火什么，做什么。而他是做什么，火什么。”
履历显示，柳崎峰早在 2001 年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。谭铁牛是国际模式识别领域最高奖傅京孙奖 2022 年得主。此后，柳崎峰历任 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。到 2021 年，他为香港特区政府撰写“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。
这些经历在报道中被归结为同一个方向：让机器从复杂信息中找到模式，并形成判断。
真正的转折点出现在 2023 年 ChatGPT 走红后。报道称，在特区政府和学校领导支持下，柳崎峰在香港科技大学联合 6 所高校，与郭毅可院士共同发起香港生成式人工智能研发中心，并带队建成世界首个千卡 H800 SuperPod AI 超算集群。到 2024 年，团队完成中国第三家千亿 MoE 大模型的预训练和后训练。
也正是在这段经历里，他看到新的缺口：大模型越往深处走，对高质量数据的依赖越强，尤其是各行业的推理问答数据。因此，让大模型具备高质量“提问”能力，成为他接下来创业的核心切口。
维纳智能押注“Token 到数据”阶段
柳崎峰将大模型发展拆分为三个阶段。第一阶段是“从数据到模型”，依靠互联网大数据做预训练；第二阶段是“从模型到 Token”，模型开始输出 Token 生成内容或执行任务；第三阶段则是“从 Token 到数据”，让大模型系统主动提问、分步思考、校对回答，生成推理问答数据。
按照这一逻辑，AI 会形成“数据→模型→Token→数据”的反馈闭环，并由此获得自主学习能力。报道中还引用清代学者刘开《问说》中的一句话：“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。公司名称取自控制论创始人诺伯特·维纳。柳崎峰看重的，正是控制论中的反馈闭环。报道称，维纳智能的使命是让 AI “问”得准、“答”得对，推动“数据→模型→Token→数据”的闭环运转，从而让 Agentic AI 在专业领域实现自主演化。
公司试图解决的，是一个看上去有些反直觉的问题：一方面大模型进展极快，另一方面其在企业场景中的落地仍然困难。报道把原因归结为准确度不足，并用学生备考作比喻——只有教科书，没有习题集，考试成绩不可能高。对应到 AI 场景，专业文档像教材，推理问答数据更像习题集。
维纳智能的目标，是为不同行业补上这本“习题集”，让 AI 不只“学教材”，也“做习题”，以缓解当前 Agent 应用在测不准、优化难和答不准上的瓶颈。
cQrA 数据结构与传统标注的差异
报道提到，当前有一种流行说法认为，大模型问答已经过时，关键是执行任务。但柳崎峰认为，执行能力取决于两个支柱：单智能体在专业领域的准确度，以及多智能体之间的协同能力。现实情况是，当前执行能力还不可靠，其中一个症结是单体问答准确率往往不足 70%，难以迈过“可信”门槛。
在维纳智能的定义中，“习题”具体对应 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 是校验后的答案。换句话说，模型需要在具体行业语境中，同时生成问题、答案和推理过程。
这也使其与传统数据标注形成区隔。报道称，传统数据标注严重依赖人工乃至专家，成本高、难以规模化，通常只给答案，缺少推理过程，专家经验也会消耗在重复劳动中。维纳智能则希望让 Agentic AI 以“智能专家团队”的方式自动生成带完整思维链的 cQrA 数据，并通过闭环机制让每一轮新数据继续反哺生成和评价模型，带动下一轮迭代的精度与逻辑提升。
完成 5000 万港元种子轮融资
维纳智能很快进入产业界和投资人视野。报道显示，公司成立不久便完成 5000 万港元种子轮融资，由联想创投领投。
按照文中说法，联想创投持续围绕 AI 三要素布局：算力侧投资了沐曦、寒武纪等，模型侧投资了智谱、阶跃星辰等，而数据这一环落在维纳智能。同时，沐曦与维纳智能展开深度合作。报道将二者的合作概括为：一个提前为“数据→模型→Token→数据”的闭环时代设计算力平台，另一个则提前定义了这一范式下的工作负载。
商业化验证从四个行业展开
在商业化验证上，维纳智能先面对两个问题：没有大规模专家标注的情况下，生成的数据是否会被专业机构采购；这套方法是否能够跨行业复制。
为验证这两点，公司没有遵循传统 2B 科创公司“深度优先”、先击穿单一行业的路径，而是采取“广度优先”的方式，选择了 4 个看似关联不大的高准确度要求行业：价值观安全、政务、保险和赛马。报道称，这 4 个行业都已经落地头部客户。
柳崎峰在采访中表示：“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。” 按照他的说法，公司目前已经完成“0 到 4”的验证，下一步是推进“1 到 M x N”的推广，也就是覆盖 M 个行业、每个行业 N 个头部客户。
对数据价值和 AI 下一阶段的判断
在柳崎峰看来，中美 AI 差距在相当程度上来自对数据价值的认知差异。报道称，数据长期被视为“脏活累活”，数据工程师的薪酬通常低于算法与模型工程师。
不过，这种格局正在变化。随着数据生产从人工标注走向推理、交互和闭环反馈，大模型公司在数据侧的投入持续增加。报道认为，推理交互数据生成决定了大模型能力上限，这已成为行业共识。
柳崎峰进一步提出，未来最核心的并非模型，甚至不只是数据本身，而是那个“大闭环”。在他的表述里，真正的护城河在于建立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。
这一判断也延伸到了具身智能。报道称，传统训练方式更依赖对人类的模仿，而真正智能的形成更像婴儿学步，需要在持续跌倒与尝试中自主生成动作数据，再通过闭环反馈不断优化决策模型。
柳崎峰表示，数字世界中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大量高质量推理交互数据。相应地，cQrA 也会演进为 cTrA——场景（context）、任务（Task）、推理（reasoning）、执行（Action），既是训练的新燃料，也是评测的新标尺。
对于更远一步的方向，柳崎峰给出的说法是：“让我们生成这个世界！”
本文来自微信公众号“投资界”（ID：pedaily2012），作者为王露。