顶刊突破的背后，站着国产GPU
2026年5月28日，Nature通讯在线发表了一篇题为《Multimodal deep learning model for AI-based functional prognostic risk stratification in patients undergoing radical nephrectomy》的研究论文。维纳智能负责AI方面工作，中山大学肿瘤医院等机构负责医学方面工作。王雅田同学为共同第一作者，由维纳智能柳崎峰与港科大罗文寒联合指导。
统计显示，过去三年内，影响因子大于10的Nature主要期刊共计60本，累计收录74,145篇论文。维纳智能成为中国首个、全球第四个数据生成科创公司登上Nature主要期刊。
而支撑这项顶级研究背后，绝大部分AI工作负载的算力底座，来自国产高性能通用GPU厂商沐曦股份。
这不是一次浅尝辄止的适配合作，而是一场基于产业预判的战略协同。要理解这段合作的深意，先要回答一个问题：在AI的下一个时代，算力到底在被什么消耗？
一、算力三阶段：
AI发展格局的总结与预判
回顾大模型爆发以来的算力演进，可以清晰地划分为三个阶段：
第一阶段：数据→模型。 这是“炼大模型”的时代。算力被集中用于海量互联网数据的预训练，以压缩出具备通用能力的基础模型。这一阶段由少数头部机构主导，耗时集中、成本高昂，也是公众对“算力竞赛”的最初记忆。但这一阶段正在收尾——互联网高质量存量数据正在逼近极限。
第二阶段：模型→token。 这是“用大模型”的时代。大模型从实验室走向千行百业，每一次问答、每一段代码生成、每一次Agent调用，都在持续消耗token。推理算力超越训练算力，已成为行业共识。这也是当前绝大多数AI公司、云厂商和芯片厂商正在全力争夺的主战场。
第三阶段：token→数据，进而完成“数据→token→数据”的大闭环。 这是最被低估、却最具颠覆性的阶段。随着行业对AI的要求从“大致可用”升级为“专业可信”，我们面临的现实是：通用互联网数据已不够用，而各行业的高质量推理数据极度匮乏。唯一可行的解法是——让大模型自己去生成高精度推理数据：通过大规模推理，把token沉淀为包含问题、推理链和答案的结构化数据；这些数据再回流训练，产出更强的模型，更好的token，进而生成更高质量的数据。一个自我加速的飞轮由此形成。
这个闭环的算力消耗是乘法而非加法。每一轮迭代，既包含海量推理（生成与验证），又包含持续训练（模型进化）。可以做出一个明确的判断：第三阶段所需要的算力总量，将是前两个阶段的总和再乘以迭代轮次——远超今天所有人的预期。
然而，正因为这一需求尚未大规模爆发，绝大多数产业玩家的注意力仍停留在前两阶段。而沐曦股份与维纳智能的合作，恰恰是瞄准了这条曲线即将到来的陡峭上升段。
二、沐曦股份与维纳携手：
一场基于未来十年的双向奔赴
沐曦股份与维纳智能的合作，并非偶然，而是基于对未来算力形态的深刻共识。2024年，沐曦股份就与香港大模型超算训练的最早发起者与建设者、港科大柳崎峰教授等共同发起和建立了“港科大-沐曦先进AI计算联合实验室”，之后柳教授创立维纳智能。正是这段联合研发经历，让团队对国产GPU的潜力与边界有了更深刻的认知。
沐曦股份很早就意识到：如果算力的最终形态指向“数据→token→数据”的大闭环，那么高通用性的GPU是一条能够高效支撑上层算法与应用的持续迭代需求的可行之路。因此，沐曦股份自创立之初就坚定全自研GPU的路线，经过研发攻关与技术创新，成功打通了覆盖GPU架构、核心GPU IP与指令集在内的全自研链条，并以此为基构建了全栈GPU产品矩阵——曦思N系列、曦云C系列、曦彩G系列、曦索X系列，完整覆盖AI训练与推理、图形渲染、科学智能等主流应用场景，提供通用易用、稳定可靠的算力支持。
维纳智能则是这一范式中“原生玩家”。其核心定位是高精度推理数据生成（cQrA, context, Question, reasoning, Answer），进而实现“数据→Token→数据”的大闭环，让Agentic AI在专业领域自主演化。其技术栈涵盖知识重构、因果推理、任务分解、多重检验等关键模块。仅过去一年，维纳智能已在价值观安全、金融保险、香港政务、体育竞赛四大高度异质领域完成工业级验证（quewi），首发一系列创新穿品（quewi）：
出海价值观大模型系统（行业领先，打破海外闭源模型价值观话语权垄断）
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）
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>95%，而Gemini Search只有～59%）
赛马大模型系统（分析预测Top-3准确度>59%）
香港大模型写作&改错系统（改错准确度>90%）
一个提前为未来范式设计了算力平台，一个提前为未来范式定义了工作负载——这就是双方深度协同的底层逻辑。
这场合作中，沐曦股份为维纳提供了自主可控的规模化算力底座；维纳的数据生成闭环则为沐曦股份提供了最贴近未来的真实负载场景。两者在训推交替、长周期稳定性、全精度计算等关键维度上持续共建、互相打磨。
这篇Nature通讯论文，只是这场战略协同的第一份公开答卷。
三、沐曦股份平台的实战考场：
从尖端科研到产业前沿
维纳智能的研究与业务有四个鲜明特征，每一个都直指GPU平台最硬核的能力边界。
第一，跨领域、多模态的通用性。 从医疗影像到保险条款，从赛马数据分析到香港粤语文本纠错，再到价值观对齐——维纳智能的推理数据生成框架需应对截然不同的数据结构、模型架构和精度要求。这不是针对某一个模型做专项调优就能交差的，而是对GPU平台通用性和算子覆盖完整性的全面检验。
第二，超高精度要求。 维纳智能生成的数据要回流进入训练闭环，任何数值偏差都会在迭代中被逐轮放大。这对FP8、BF16等多精度混合运算的数值稳定性提出了远超常规推理的标准。普通对话中一个token的偏差或许无伤大雅，但在闭环训练中，它意味着整个模型进化方向的偏离。
第三，训推交替、7×24小时连续运行。 闭环意味着“生成—验证—训练—再生成”的滚动永不停歇。一次任务动辄数周，集群的故障率、有效算力利用率、通信稳定性在这种负载下没有任何遮掩空间。
第四，真实科研场景的严苛校验。 本次发表的Nature通讯论文聚焦复杂肾癌手术的术前预后分层——将优化目标从“短期术后eGFR点估计”升级为“长期肾功能快速衰退风险分层”，通过多模态多头交叉注意力机制实现3D影像与临床变量的异构信息融合。这项工作对算力的稳定性、多卡通信效率、内存带宽的要求，都远高于标准榜单测试。
这些工作，沐曦平台全程稳定支撑，公司自研软件栈MXMACA原生兼容主流GPU生态，模型迁移至MXMACA平台的过程顺畅平滑，同时软件栈还实现了主流框架与算子全面覆盖，跨领域数据生成的数值精度，经受了闭环回流长流程考验。
用户不会为参数买单，但会为“既能发Nature，又能做企业应用”的稳定性和性价比买单。
四、C600：
为“大闭环”时代量身打造的下一代底座
如果说此前的曦云系列已在维纳的真实负载中完成了实战验证，那最新一代旗舰GPU曦云C600，就是沐曦股份按照第三阶段范式全面进化的系统级答卷。
144GB高带宽显存，从容化解闭环训练中模型权重、梯度、优化器状态、长上下文KV Cache的庞大内存压力，显著减少模型切分、降低跨卡通信、提升单节点部署密度。FP8混合精度，在精度可控的前提下大幅提升数据生成吞吐，直接决定闭环滚动的速度与单位成本。MetaXLink与最大256卡超节点，将竞争的基本单位从“一颗GPU”升级为“一套计算系统”，为闭环所需的大规模参数交换和分布式训练提供基础设施。MXMACA软件栈平台，坚持“自主创新、开放兼容”双轨并行的设计理念，确保维纳这类复杂负载能够持续稳定平滑运行。同时，C600作为首款实现全国产供应链闭环的高性能GPU，回应了长期交付和安全可控的根本前提。
沐曦股份坚持按照未来的真实工作负载设计产品。 C600正是这一方法论下的产物，其能力覆盖从单卡到集群的完整交付链条。沐曦股份致力于以自主可控的算力基座，赋能千行百业的智能化转型。
五、安全战略视角：
大闭环的制高点，必须掌握在自己手中
第三阶段的意义，远远超越商业效率的范畴。
当医疗、金融、政务、工业等核心领域的高精度推理数据生成与闭环训练，决定了行业智能能力的自主演进时，如果这一切建立在他人的算力平台和生态之上，无异于把行业智能的“再生产权”拱手让人。这不是商业选择，而是战略必答题。
沐曦股份是国产全栈高性能GPU与超节点系统的开拓者之一，维纳智能是高精度数据生成与闭环训练领域的国产领军者。两者分别占据大闭环算力层与数据层的制高点，在范式切换的关键窗口期紧密协同——这既是市场逻辑的自然延伸，更是自主可控战略的必然要求。
结 语
一篇Nature通讯论文，验证的不只是维纳智能的方法论，更是沐曦平台在真实极限负载下的成色，以及双方对AI技术演进下一阶段的共同判断。
当业界还在讨论算力是否过剩时，“数据→token→数据”的大闭环已经悄然启动。它所需要的算力规模将远超今天的想象，而它的底层基础设施——从芯片、互连、软件到数据方法论——正在由沐曦股份与维纳这样的国产开拓者合力奠定。
下一场算力竞争的制高点，必须握在我们自己手中。而这一次，我们已提前到场。
