一家成立两年的初创公司通过教会AI提问而非扩大规模，登上了《自然》杂志

2026年5月28日，《自然·通讯》发表了一篇关于基于AI的肾癌患者风险预测论文。该论文的共同第一作者是王亚天，由维纳智能CEO刘启峰和香港科技大学的罗文翰共同指导。但这篇论文不仅仅是医学AI的一个里程碑。它验证了一个有争议的论点：最有价值的训练数据并非从互联网上收集，而是由模型本身对抗性生成的。anthropic-launches-claude-science-an-ai-workbench-for-scientific-research-1

维纳智能成为首家出现在《自然》期刊上的中国数据生成公司，也是全球范围内第四家出现在《自然》期刊上的AI初创公司，紧随DeepSeek和ModelBest之后。该公司成立不到两年。the-hidden-bottleneck-in-ai-inference-why-deepseeks-dspark-rewrites-the-rules-of-speculative-decoding

临床问题

这项研究解决了一个真实的手术难题。肾部分切除术可保留肾功能，但手术风险较高；肾根治切除术手术上更安全，但会牺牲整个肾脏。外科医生缺乏可靠工具来预测哪些患者术后会经历快速的肾功能下降, , 正是这种并发症让决策变得痛苦。

团队构建了快速肾小球滤过率下降预测模型（RDPM），将问题从术后eGFR的短期点估计重新定义为长期功能风险分层。该模型使用多模态多头交叉注意力机制，将3D影像数据与临床变量融合。关键的是，对侧肾脏皮质和髓质由UNest模型自动分割，随后由医生审核，这种混合方法承认了在临床环境中完全自动分割的局限性。microsofts-new-platform-gives-scientists-a-governed-factory-for-ai-agents

在来自15家机构的1621名患者的多中心队列上进行训练和验证后，RDPM在外部测试中实现了0.788至0.873的AUC。这些数字具有竞争力，但并非革命性。真正的创新在于方法本身。

推理数据：数字背后的范式

维纳智能的核心主张是，AI行业一直在优化错误的变量。大多数实验室追逐更大的模型和更多的参数，假设规模会自动带来因果性。这家香港初创公司则主张推理数据生成, , 一种范式，模型同时生成问题和答案以及它们的思维链推理，创建迫使对抗性、因果性丰富的知识组织的挑战集。how-local-llms-like-gemma-and-qwen-are-taming-open-source-repository-triage-at-scale

格式是cQrA：上下文、问题、推理、答案，一个旨在教会模型不仅回答提问而且主动提问的四元组。刘启峰，也是香港科技大学的客座教授，对团队表示：目标是训练AI模型成为能够自主学习的智能体，而不仅仅是回答机器。

这种方法已部署在价值对齐与安全、金融保险、香港政府服务以及竞技体育等领域，这些领域人工标注昂贵且参数扩展收益递减。该公司声称无需大规模人工标注或参数扩展即可实现工业级精度。

为何这不仅仅关乎手术室

这篇《自然》论文的意义超越了肿瘤学。如果维纳智能的推理数据范式能够推广，它可能重塑高风险、数据稀缺领域AI系统的训练方式。当前行业共识, , 由DeepSeek、GPT和Gemini体现, , 认为规模是推理能力的主要驱动力。维纳智能的反驳是：训练数据的结构和来源比参数数量更重要。ai2-releases-emo-an-moe-model-where-modularity-emerges-from-data

这篇论文提供了具体证据，表明一家计算预算有限的小公司可以在高度异质的领域产生可发表的科学成果。这是对当今主导AI实验室的扩展正统观念的直接挑战。

质疑问题

怀疑者会指出，0.788至0.873的AUC虽然可观，但并未代表预测性能的阶梯式变化。该论文的真正贡献在于数据生成方法，而非医学结果。cQrA方法能否被其他实验室独立验证，以及它能否扩展到相对狭窄的手术风险领域之外的问题，仍有待观察。ifbench-the-new-benchmark-testing-ai-instruction-following

但《自然·通讯》接受这篇论文的事实表明，同行评审员认为方法学贡献具有实质性。对于一家来自香港的两年初创公司来说，达到这一标准本身就是一个信号。

下一个考验将是维纳智能能否在另一个领域, , 也许是在其声称已部署的其他高风险领域之一, , 复制这一结果。如果它做到了，关于什么驱动AI能力的讨论将拥有一个全新且非常实际的数据点。