Ein chinesisches Datengenerierungsteam veröffentlicht zum ersten Mal seine Forschungsergebnisse in der Fachzeitschrift Nature.

Ein Startup-Team aus Hongkong ist uns unerwartet aufgefallen.

Vor kurzem wurde ein Artikel über die KI-gestützte Entscheidungsfindung bei Nierenkrebsoperationen in Nature Communications veröffentlicht (https://www.nature.com/articles/s41467-026-73813-7). Mit diesem Artikel ist Wiener Intelligence das erste datengenerierende Technologieunternehmen in China und das vierte weltweit, das in einer führenden Fachzeitschrift von Nature mit einem Impact-Faktor von über 10 in den letzten drei Jahren veröffentlicht hat — die vorherigen chinesischen Großmodellunternehmen, die dort veröffentlicht haben, sind DeepSeek und Mindverse.

Hinter dem Unternehmen steht der Gründer Prof. LIU Qifeng, der an der Hongkong University of Science and Technology den weltweit ersten Tausend-GPU-H800-SuperPod-Cluster aufgebaut hat, das dritte chinesische Großmodell mit hunderten Milliarden Parametern vortrainiert hat und über 100 Millionen US-Dollar an Fördermitteln für die Projektentwicklung verwaltet. Danach konzentrierte er sich darauf, wie man die „Fragefähigkeit“ von KI verbessern kann, um hochwertige Schlussfolgerungs-Frage-Antwort-Daten zu generieren – einer der Schlüsselfaktoren für die bevorstehende Explosion des autonomen Lernens von KI – und gründete daraufhin Wiener Intelligence in Hongkong.

Aus Neugier führte die Investment-Gemeinschaft ein fast dreistündiges ausführliches Gespräch mit LIU Qifeng. Das Gespräch begann mit diesem Artikel und erstreckte sich über Großmodelle und Embodied Intelligence bis hin zu seinen Vorstellungen über die nächste Entwicklungsstufe der KI.

Der Ausgangspunkt: Ein Artikel in Nature Communications

Andere gehen „von den Papieren aus zu den Papieren“, aber LIU Qifeng geht „von den Problemen aus zu den Problemen“.

Anfang 2025 erkrankte ein Verwandter von LIU Qifeng an Nierenkrebs, und der behandelnde Arzt war Direktor ZHANG Zhiling vom Krebs-Krankenhaus der Sun Yat-sen Universität. Wie bei allen anderen Nierenkrebsoperationen stand der Arzt vor einem klinischen Problem: Gibt es eine quantitativere und intelligentere Entscheidungsgrundlage zwischen teilweiser Nierenresektion und radikaler Nierenresektion?

Das Wesen dieses Problems lautet: Kann KI komplexe Entscheidungen in der realen Welt vorhersagen?

Daraufhin entwickelte sich im Krankenzimmer eine Zusammenarbeit zwischen Medizin und KI: ZHANG Zhiling war für die medizinische Arbeit zuständig und sammelte gemeinsam mit mehreren Krankenhäusern die Daten, während Wiener Intelligence für die KI- und Datenverarbeitung zuständig war. Der gemeinsame Erstautor des Artikels WANG Yatian ist Doktorand an der HKUST und Praktikant bei Wiener Intelligence, der von Prof. LIU Qifeng und Prof. LUO Wenhan gemeinsam betreut wird.

Um die Herausforderungen durch multiquellenheterogene spärliche Daten zu bewältigen, hat das Team das RDPM-Modell vorgeschlagen, das 3D-Bilder und klinische Variablen/Indikatoren in ein gemeinsames Vorhersageframework einbezieht. Das Modell wurde an einer Kohorte von 1621 Patienten trainiert und validiert, und der externe multizentrische Test erreichte einen AUC-Wert von 0,788 bis 0,873. Der Artikel sagt das langfristige Nierenversager-Risiko der Patienten voraus und liefert eine quantifizierbare Grundlage für operationsbezogene Entscheidungen, die stark von Erfahrung abhängen.

Wiener Intelligence hat eine öffentliche Prüfung der KI-Vorhersage in einem Szenario abgeschlossen, das kaum Fehler toleriert – dem Gesundheitswesen. Dies weist auch auf die andere Seite der KI-Vorhersage hin, über die LIU Qifeng später spricht: Vorhersage ist im Grunde der zugrundeliegende Mechanismus von Großmodellen, die durch die Vorhersage des nächsten Tokens Antworten generieren und von Natur aus „gut im Antworten“ sind. Der Fokus von Wiener Intelligence geht noch einen Schritt weiter – die KI soll nicht nur gut antworten, sondern auch „gut fragen“. Damit die KI „Wissen und Fragfähigkeit“ besitzt, muss sie nicht nur gut „lernen“, sondern auch aktiv „fragen“.

Ein Professor der HKUST gründet ein Startup

Lenovo Capital führt die erste Finanzierungsrunde an

„Andere machen das, was gerade populär ist. Er hingegen macht etwas, das danach populär wird“, sagen seine Freunde, wenn sie über ihre früheren Eindrücke von LIU Qifeng sprechen.

Diese Aussage ist keine Übertreibung. Bereits 2001 trat LIU Qifeng in das Staatliche Schlüssellabor für Mustererkennung am Institut für Automatisierung der Chinesischen Akademie der Wissenschaften ein und lernte unter Akademiker TAN Tieniu – dem Preisträger des Fu-King-Su-Preises 2022, der höchsten Auszeichnung im Bereich der internationalen Mustererkennung. Danach arbeitete er nacheinander als Forscher am Samsung Lab, als Datenwissenschaftler am Yahoo! Lab, als Direktor des Gamma AI Lab der Ping An Gruppe und als KI-Direktor am Hongkong Innovationsinstitut der Chinesischen Akademie der Wissenschaften. 2018 initiierte er gemeinsam mit Akademiker YANG Qiang die Hongkong Gesellschaft für Künstliche Intelligenz und Robotik. 2021 verfasste er sehr vorausschauend die Vorschläge „Hongkong Cloud Brain“ und „Hongkong Basis-Großmodell“ für die Hongkonger Regierung und wurde zu einem der frühen Förderer des Baus von KI-Supercomputern und des Trainings von Großmodellen in Hongkong.

Seine scheinbar verstreuten Erfahrungen zielen alle auf dasselbe ab: Maschinen dazu zu bringen, Muster aus komplexen Informationen zu erkennen und Urteile zu bilden.

Der eigentliche Wendepunkt ereignete sich 2023, als ChatGPT populär wurde. Damals initiierte LIU Qifeng mit der großen Unterstützung der Regierung der Sonderverwaltungsregion und der Universitätsleitung an der Hongkong University of Science and Technology gemeinsam mit 6 weiteren Universitäten und Akademiker GUO Yike das Hongkong Forschungs- und Entwicklungszentrum für generative Künstliche Intelligenz, leitete den Aufbau des weltweit ersten Tausend-GPU-H800-SuperPod-KI-Supercomputer-Clusters und schloss 2024 das Vor- und Nachtraining des dritten chinesischen Großmodells mit hunderten Milliarden MoE-Parametern ab. Für die Entwicklung der KI in Hongkong ist dies ein entscheidender Meilenstein.

Aus genau dieser Erfahrung erkannte er die nächste Lücke: Je weiter sich Großmodelle entwickeln, desto mehr hängen sie von hochwertigen Daten ab – „Daten sind immer König“, insbesondere Schlussfolgerungs-Frage-Antwort-Daten für alle Branchen. Daher ist die Fähigkeit von Großmodellen, hochwertige „Fragen“ zu generieren, der wichtigste Schlüssel.

LIU Qifeng unterteilt die Entwicklung von Großmodellen in drei Phasen: Zuerst die Phase „von Daten zu Modellen“, bei der große Internet-Datenmengen für das Vortraining verwendet werden; dann die Phase „von Modellen zu Tokens“, in der Großmodelle beginnen, Tokens auszugeben, um Inhalte zu generieren oder Aufgaben auszuführen; danach die Phase „von Tokens zu Daten“ – das Großmodellsystem stellt aktiv Fragen, denkt schrittweise nach und prüft die Antworten, also die Generierung von Schlussfolgerungs-Frage-Antwort-Daten. Auf diese Weise bildet sich ein großer geschlossener Rückkopplungskreislauf „Daten → Modell → Token → Daten“, der der KI die Fähigkeit zum autonomen Lernen verleiht.

Das Ziel des autonomen Lernens von KI ist es, „Wissen und Fragfähigkeit“ zu erwerben, und „Wissen und Fragfähigkeit“ bedeutet „Lern“training + „Frag“en und Antworten. Der Gelehrte LIU Kai aus der Qing-Dynastie schrieb in „Über das Fragen“: „Ein Weiser muss beim Lernen gerne fragen. Fragen und Lernen ergänzen sich gegenseitig. Ohne Lernen kann man keine Zweifel aufkommen lassen, ohne Fragen kann man sein Wissen nicht erweitern.“

Im Juli 2024 wurde Wiener Intelligence in Hongkong offiziell gegründet. Der Name des Unternehmens stammt von Norbert Wiener – dem Begründer der Kybernetik. LIU Qifeng schätzt besonders den geschlossenen Rückkopplungskreislauf in der Kybernetik. Die Mission von Wiener Intelligence ist es, die KI dazu zu bringen, „richtig zu fragen“ und „richtig zu antworten“, um dann den großen Kreislauf „Daten → Modell → Token → Daten“ zu realisieren, damit Agentic KI sich in professionellen Bereichen autonom weiterentwickeln kann.

Die Aufgabe von Wiener Intelligence besteht darin, ein kontraintuitives Problem zu lösen: Einerseits entwickeln sich Großmodelle rasant weiter, andererseits ist ihre Implementierung in Unternehmen nach wie vor sehr schwierig. Der Grund ist einfach: Die Genauigkeit ist niedrig. Um das mit einem Schüler zu vergleichen, der sich auf eine Prüfung vorbereitet: Mit nur Lehrbüchern (professionellen Dokumenten) und ohne Übungsaufgaben-Sammlungen (Schlussfolgerungs-Frage-Antwort-Daten) kann man in der Prüfung keine hohen Noten erreichen (niedrige Systemgenauigkeit). Denn das Auswendiglernen von Lehrbüchern liefert nur statisches Wissen, während das Lösen von Übungen die dynamische Fähigkeit zur Problemlösung trainiert. Was Wiener Intelligence tut, ist allen Branchen dabei zu helfen, diese „Übungsaufgaben-Sammlung“ zu ergänzen, sodass die KI nicht nur „Lehrbücher lernt“, sondern auch „Übungen löst“, um die aktuellen Engpässe ungenauer Messungen, schwieriger Optimierungen und ungenauer Antworten zu überwinden, die durch die Vielzahl von Agenten entstehen.

Heute gibt es eine populäre Aussage: Die Frage-Antwort-Funktion von Großmodellen ist überholt, die Ausführung von Aufgaben ist der Schlüssel. Das ist zu oberflächlich. Die Ausführungsfähigkeit hängt von zwei Säulen ab: der Genauigkeit einzelner Agenten in professionellen Bereichen und der Kooperationsfähigkeit zwischen mehreren Agenten. In der Realität ist die aktuelle Ausführungsfähigkeit aber noch lange nicht zuverlässig. Einer der Hauptgründe liegt darin, dass die Genauigkeit der Frage-Antwort-Funktion einzelner Agenten oft unter 70 % liegt – sie erreicht nicht einmal die Schwelle der „Vertrauenswürdigkeit“, geschweige denn der „Zusammenarbeit“.

Die konkrete Definition von „Übungen“ lautet cQrA: Context, Question, Reasoning, Answer. Context ist die Aufgabenumgebung, Question ist die generierte Frage, Reasoning ist der Schlussfolgerungsprozess, Answer ist die geprüfte Antwort. Mit anderen Worten: Wiener Intelligence will das Modell dazu bringen, in einem spezifischen Branchenkontext gleichzeitig Fragen, Antworten und Schlussfolgerungsprozesse zu generieren.

Das unterscheidet sich deutlich von der traditionellen Datenannotierung. Die traditionelle Datenannotierung hängt stark von menschlichen Arbeitskräften oder sogar Experten ab, ist kostspielig, kaum skalierbar, liefert nur Antworten ohne Schlussfolgerungen und verschwendet die Erfahrung von Experten durch wiederholte Arbeit. Wiener Intelligence hingegen lässt Agentic KI zu einem unermüdlichen Team von intelligenten Experten werden, das automatisch cQrA-Daten mit vollständigen Denkketten generiert und die personellen Engpässe vollständig beseitigt. Noch wichtiger als die Kosteneinsparung ist, dass der geschlossene Kreislauf dafür sorgt, dass die in jeder Runde generierten Daten das Generierungs- und Bewertungsmodell unterstützen, was die nächste Iteration zu einer stetigen Verbesserung von Genauigkeit und Logik antreibt – dadurch wird der qualitative Wandel von der „handwerklichen Werkstatt“ zur „selbstentwickelnden Wissensfabrik“ erreicht.

Wiener Intelligence ist schnell in den Blickpunkt der Industrie und der Investoren gerückt. Kurz nach der Gründung schloss das Unternehmen eine Seed-Finanzierungsrunde über 50 Millionen Hongkong-Dollar ab, die von Lenovo Capital angeführt wurde. Lenovo Capital investiert schon immer in die drei Schlüsselelemente der KI: Bei der Rechenleistung wurde in Unternehmen wie Muxi und Cambricon investiert, bei den Modellen in Unternehmen wie Zhipu AI und Stepfun, und bei der Datenkomponente fiel die Wahl auf Wiener Intelligence. Gleichzeitig besteht eine tiefe Zusammenarbeit zwischen Muxi und Wiener Intelligence: In der kommenden Ära des großen Kreislaufs „Daten → Modell → Token → Daten“ hat das eine Unternehmen eine Rechenleistungsplattform für das zukünftige Paradigma entworfen, das andere definiert die Arbeitslast für das zukünftige Paradigma im Voraus.

Die nächste Stufe der KI

„Lasst uns diese Welt generieren“

Die kommerzielle Prüfung beginnt mit zwei entscheidenden Fragen.

Erste Frage: Bezahlen professionelle Einrichtungen für die generierten Daten, wenn keine groß angelegte Annotierung durch Experten stattfindet?

Zweite Frage: Ist die Lösung branchenübergreifend und replizierbar?

Aus diesem Grund widersetzte sich Wiener Intelligence dem Druck und brach mit dem traditionellen „Tiefe-zuerst“-Prinzip für 2B-Technologieunternehmen – das zuerst eine Branche vollständig durchdringen muss. Stattdessen verfolgte es das „Breite-zuerst“-Prinzip und wählte absichtlich vier scheinbar völlig unabhängige Branchen mit hohen Genauigkeitsanforderungen aus: Werte- und Sicherheitskontrolle, öffentliche Verwaltung, Versicherung und Pferderennen. In jeder dieser Branchen hat das Unternehmen bereits führende Kunden gewonnen.

„Wir haben bewiesen, dass wir mit einem kleinen Team, ohne Branchenexperten und zu niedrigen Kosten eine branchenübergreifende Replizierbarkeit erreichen können“, sagte LIU Qifeng. Heute haben wir die Prüfung von „0 bis 4“ abgeschlossen, der nächste Schritt ist die Verbreitung von „1 bis M x N“ (M Branchen, jeweils N führende Kunden pro Branche).

Dahinter steckt eine langfristige Einschätzung des Werts von Daten.

Nach Ansicht von LIU Qifeng rührt der Unterschied zwischen der KI-Entwicklung in China und den USA zu einem großen Teil von der unterschiedlichen Wahrnehmung von Daten her: Daten wurden lange als „schwere und unangenehme Arbeit“ angesehen, und die Gehälter von Dateningenieuren liegen im Allgemeinen unter denen von Algorithmen- und Modell-Ingenieuren.

Aber das Bild ändert sich gerade. Da die Datenproduktion von der manuellen Annotierung zu Schlussfolgerung, Interaktion und geschlossener Rückkopplung übergeht, erhöhen Großmodellunternehmen ihre Investitionen in den Datenbereich stetig. Es ist bereits ein Konsens in der Branche, dass die Generierung von Schlussfolgerungs-Interaktionsdaten die Obergrenze der Fähigkeiten von Großmodellen bestimmt.

Aber das Wichtigste in der Zukunft ist nicht das Modell, und nicht einmal die Daten selbst, sondern dieser „große geschlossene Kreislauf“. Genau wie der Schlüssel zur Evolution weder der Mann noch die Frau ist, sondern die Paarung und natürliche Selektion – der Mechanismus von Chromosomen-Replikation, Kreuzung, Mutation und Überleben der Angepassten. Daten-Destillation ist nur ein Weg, um externe Kräfte zu nutzen. Der echte Wettbewerbsvorteil liegt darin, einen autonomen Lernkreislauf aufzubauen, in dem Modelltraining und Datengenerierung sich gegenseitig antreiben,