维纳智能首登Nature，数据生成的“破冰”逻辑

周三下午，某三甲医院泌尿外科的阅片室里，一位主任医师正对着屏幕上那张肾脏CT反复滑动鼠标。病人56岁，肾肿瘤位置刁钻，血供复杂。部分肾切除术（PN）能最大程度保留肾功能，可一旦术中出血或术后漏尿，对患者将是二次打击；患肾全切术（RN）操作更可控，但从此只剩一个肾脏，未来慢性肾脏病、甚至透析的风险直线上升。抉择的痛点并不只在手术台上——如果能在术前准确预判对侧肾脏的长期代偿能力，决策就会清晰得多。然而现行临床评估大多依赖单次血肌酐换算的粗略肾小球滤过率，远远支撑不起“长期风险分层”的需求。一家成立不到两年的香港AI公司，就把这道难题的一部分搬进了Nature期刊。

2026年5月28日，Nature通讯发表了题为 《Multimodal deep learning model for AI-based functional prognostic risk stratification in patients undergoing radical nephrectomy》 的论文。论文的AI部分由维纳智能（Weina AI）负责，医学部分由中山大学肿瘤医院等机构完成。共同第一作者王雅田，由维纳智能创始人柳崎峰与香港科技大学罗文寒联合指导。据统计，过去三年影响因子大于10的Nature子刊共60本，累计收录7.4万余篇论文。以此为坐标，维纳智能成为中国首个、全球第四个登上Nature的数据生成科创公司。此前，DeepSeek和面壁智能两家通用大模型技术公司也曾在Nature期刊发文，但维纳智能的路径截然不同——它既不依赖海量人工标注，也未卷入“堆参数”的竞赛。

论文提出的RDPM（Rapid GFR Decline Prediction Model）直接把优化目标从“短期术后eGFR点估计”提升为“长期肾功能快速衰退的风险分层”。面对多源异构、样本极度稀疏、设备偏差和信号噪声等真实临床数据的典型困境，模型引入多模态多头交叉注意力机制，将3D影像与临床变量进行双流异构信息融合。对侧肾脏的皮质和髓质由UNest模型自动分割后经医生审查获取，最终在15家多中心医疗机构、1621例患者队列中完成训练与验证。外部多中心测试的AUC落在0.788到0.873之间，为个体化手术决策提供了一套相对稳定、可量化的证据。这套工具所回答的，正是那位主任医师在阅片室里的犹豫：若预测显示对侧肾功能长期衰退风险低，可以更放心地选择全切；反之，就有必要冒险保肾。

维纳智能创始人柳崎峰，在2024年7月刚带队完成香港科技大学全球首个千卡H800 AI集群建设，并跑通了中国第三家千亿MoE大模型的全流程预训练和后训练。建过算力，训过模型，大模型三要素中最后一块拼图——“造数据”——催生了这家公司。柳崎峰同时担任港科大客座教授，他把维纳智能的定位明确锁定在“高精度推理数据生成”，目标是为企业提供工业级Agentic AI系统。底层技术栈是闭环反馈多智能体协同框架，里面封装了知识重构、因果推理、任务分解、多重检验等关键模块。在他看来，这更像是为每个专业领域定制“习题集”，而不是去比拼谁的基座模型参数量更大。

大模型的预测机制其实可以分为三个层次：Token语义层，根据前文预测下一个Token的概率分布；回答语义层，根据人类提问预测最优回复序列；提问语义层，根据上下文预测人类潜在的真实需求与追问方向。“生成”比“判别”难，“提问”又比“回答”更难，因为提问需要预判人类所想所需，并且具备足够的合理性、逻辑性与多样性。维纳智能所称的“推理数据生成”，就是让大模型根据上下文同时生成提问和回答，并附带完整的思维链与推理过程。其输出被形式化地定义为四元组cQrA，即context（上下文）、Question（问题）、reasoning（推理）和Answer（答案）。这样一组数据，相当于一本既有“教科书”式结构化知识，又附有对抗式、强因果“习题集”的训练材料——以问题驱动思考，以答案形成反馈，以推理强化因果。

然而，高质量的推理数据生成必须迈过两道坎。其一，绝大多数行业的“习题集”极度匮乏：知识仍然沉睡在文档和专家经验里，从未被转化为可训练的推理数据。其二，原始数据普遍多源异构、样本稀疏、噪声严重，对知识重构与因果组织形成强烈干扰。医疗因为对精度要求最苛刻，恰好成了维纳智能所选的第一块试炼场。在RDPM论文中，他们走通了从原始多模态数据到高精度推理数据，再注入预测模型从而提升风险分层效果的全流程。

把这个流程放到更大的系统框架下看，维纳智能真正想完成的，是“数据→Token→数据”的大闭环。1948年诺伯特·维纳创立控制论时，就将“反馈控制+信息度量”定为系统优化的关键。现代人工智能从反向传播、强化学习，到基于人类反馈的强化学习（RLHF），再到今天的Agentic AI，每一个重大进展背后都有反馈闭环的身影。当下绝大多数大模型工作在做的是“数据→Token”——消耗算力用数据训练模型，再输出Token供应用调用。维纳智能却专注在常常被忽略的另一半：“Token→数据”，即利用大模型自动生成专业高精度推理数据，而不依赖极其有限的人类专家标注。大闭环一旦运转起来，Agentic AI就能在专业领域里自主演化。

从参数优化的角度看，这个闭环服务于两类参数。第一类是内参数，也就是模型经过预训练和后训练得到的权重。第二类是外参数，除了提示词，更关键的是因果锚定（Causal Anchoring）所需的基于上下文的少样本示例。企业业务应用大模型之所以降本增效不明显，一大原因正在于此——数据即参数，这些上下文相关的少样本示例，正来自高精度推理数据生成，它们携带业务知识和对抗式因果，对最终推理结果影响极大。

过去一年多，“氛围编程”（Vibe Coding）催生了Agent的井喷，但三个系统级瓶颈迅速浮现。第一，测不准：软件测试的那套方法对Agent几乎失效，实际使用中提问灵活多样且时效性强，即便是大企业，其问答数据也极度匮乏。第二，优化难：缺乏有效的动态测试，系统就处于“无反馈”状态，结构优化和超参数调优也就无从下手。第三，答不准：在专业领域，经典的“大语言模型+检索增强生成”架构通常只能达到约70%的准确度，遇到难题就更低，而不到工业落地门槛，就不可能真正帮助企业降本增效。维纳智能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，生成速度每小时上千条，直接刺向这三个痛点：动态多维测试通过持续生成新数据，既测时效性又防“作弊”；闭环反馈优化让测试提供反馈，进而驱动整个系统结构和超参数的优化；因果锚定推理则用离线生成的海量cQrA，为在线推理在锚定范围内注入逻辑先验——这就好比考试前要刷题，面试前要准备。

这一演进与互联网早期的逻辑惊人相似。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才成为信息检索效率的关键。如今Agent正在指数级涌现，对Agent的评估与排序，正是维纳智能想要构建的下一代基础设施。排序即效率。

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，维纳智能凭借闭环反馈多智能体协同框架，连续击穿了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、香港政务、体育竞赛。一家不烧钱、不堆人的初创团队，用“生成推理数据”这一手段，在跨越医疗之后，再次证明了它能在高度异质的行业里交出工业级精度的答卷。当行业还在争论大模型该往哪个方向卷时，维纳智能已经沿着“控制论→反馈闭环→数据生成”这条线索，悄悄跑通了从科研发表到产业落地的第一步。