创业早期的北京中科闻歌科技股份有限公司（“中科闻歌”），并没有今天这样清晰的市场定位。
2018年冬天，团队在一次北方出差途中遇上大雪封路，深夜滞留高速。这样的奔波在当时并不罕见，为了让客户真正理解人工智能能解决什么问题，团队只能一站一站地跑、一个行业一个行业地讲。
当时提到人工智能、算法，对方的反应通常是“这个东西跟我好像关系没那么大”。
七年之后的2026年6月26日，中科闻歌在港交所挂牌上市。
6月25日暗盘收盘，中科闻歌报115.4港元，较招股价60.7港元上涨90.12%。香港公开发售超额认购5966.78倍，国际配售获超20倍认购。
上市首日，中科闻歌盘中涨幅已经达到87%。
2025年，中科闻歌的营收突破4亿元，老客户的净收入留存率（NDR）高达139.5%。
按收入计算，中科闻歌这一年在中国企业级大模型驱动的决策智能服务提供商中排名第一，市场份额达10.2%。
与创业早期需要反复解释人工智能和算法能解决什么问题不同，最近中科闻歌的一线销售人员在密集走访数十家江浙中小企业时，已经明显感受到需求端的主动升温。
“见面人家就说要购买”。例如在纺织厂，产品不仅可以担任AI故障诊断助手还能成为管理层决策辅助工具；一个外贸老板用自然语言问一句话，系统就能自动关联底层数据、生成决策报表。
这种变化背后，是中科闻歌八年打磨出的一套名为DOMA的技术框架，其将数据、行业知识本体、大模型和智能体组织成一条完整链路，让AI能够嵌入企业的每一个生产决策环节。
在中科闻歌对下一阶段AI能力的判断中，真正重要的问题已经不再只是“AI能不能回答问题”，而是“AI能不能进一步推演世界、预测未来”。
也正基于这一判断，中科闻歌近期发布了通用决策大模型Decitron决策机。中科闻歌联合创始人、CEO罗引表示，决策机的核心不是回答问题，而是把复杂世界转化为一个可计算、可推演、可验证的系统。
以下是这家“中科院系AI公司”从实验室到IPO的完整故事。
拿着锤子找钉子
故事的起点在中关村。
2017年之前，中科闻歌创始团队核心成员的身份是中国科学院自动化研究所的研究员。也正是在这一阶段，团队逐步形成了一个清晰共识：人工智能的价值，不应只停留在实验室和论文中，而应走向产业实践，转化为真实的业务与经济价值。
2016年、2017年，国家相继出台鼓励科研人员离岗创业的政策。在这一背景下，王磊、罗引、曾大军等博士级科研人员共同创办了中科闻歌。
其中，王磊为公司联合创始人、董事长，罗引为联合创始人、CEO，曾大军为联合创始人。
“中科院跟我们说，创业不成功，你就回来。”王磊向华尔街见闻回忆道，“后来发现回不去了。团队一起跑出来了，公司这么大，这么多同事，每个人都要在这工作，创造自己的收入。”
公司取名“闻歌”，取的是“闻弦歌而知雅意”之意。公司的使命听上去很大：为企业打造AI时代先进的业务和决策系统。
尽管拥有中科院的背景，但起步的时候，中科闻歌没有客户，也没有销售团队，甚至没有人听得懂他们在说什么。
“确实我们这个背景出身的话，很多客户也很信任我们。但真的到市场上去竞争，我觉得无论你是从中科院出来，还是从清华出来，大家都是同台竞技。”王磊说，“最终都是要为客户提供有价值的服务。”
中科闻歌找到的第一个落脚点是媒体和通信行业，从资本市场的角度来看，这一领域并不性感。
但中科闻歌有自己的判断：2016年、2017年还没有今天的通用大模型，技术建立在中小规模数据和专用机器学习之上。而传媒和通信领域恰好有海量的复杂多模态数据。文本、图片、视频、音频都需要算法去识别和理解，且有明确的付费意愿。
团队当时的想法是，必须先找到一颗能够“钉下去”的钉子，才能在此基础上继续搭建更大的业务版图。
帮大型媒体机构做复杂数据分析与人工智能辅助决策，就是中科闻歌的第一颗钉子。
彼时大型媒体机构面临的困难是每天上传的视频、音频、文字等多种不同格式采访素材过于繁杂，难以被有效利用和存储。
针对这一痛点，中科闻歌对图片、音频、视频等采访素材进行语义标注、存储、标签化检索，以便日后二次加工和传播利用。
这件事听起来平淡无奇，但这种固定工作流的做法对于每天处理海量素材的大型媒体集团而言，确实可以带来效率提升。
中科闻歌由此一步步构建起从数据管理、内容分析到选题决策、传播效果评估的全链条服务能力，逐渐拿下了多家媒体客户。
虽然这个行业的想象力有限，但成了中科闻歌困难时期的“稻草”。
在最艰难的2020年，中科闻歌正是靠着这一客户获得了相对稳定的现金流，也让公司没有在AI商业化最早期的寒冬中倒下。
对中科闻歌来说，这段经历沉淀下来的不只是客户和收入，还有后来被证明极其宝贵的底层能力：处理多源异构数据的习惯、对“事件—对象—关系—影响”进行系统建模的方法、在高治理要求场景下保证可靠性的工程经验。
有了媒体这个根据地，中科闻歌才开始向政务、金融、科研、工业等领域扩展。
王磊用一个比喻解释这种迁移效率的提升：“原来做了A系统之后，到了B系统又得从头开始。现在做了A之后到B，可能有70%的积累，你只要再做30%的工作。做多了之后你会发现，可能90%都是通用的东西。”
今天回头看，那颗”钉子”真正重要的，是让团队第一次建立起处理复杂组织数据、理解业务规则、构建行业知识体系的能力。
后来进入政务、金融、科研和工业，这些能力几乎都得到了复用。
一个必须砸钱的决定
2022年底，ChatGPT横空出世，
当时，中科闻歌核心团队开会到凌晨，讨论这件事可能带来的冲击。他们认为，这不再只是一次产品级创新，还可能是一场底层技术范式的迁移。
“原来的模式是专用的机器学习解决特定行业的问题，算法在A领域能用，到B领域可能就要重新训练另外的模型。”
ChatGPT出来以后，在王磊看来，大模型改变的是整个AI产业的竞争逻辑。
从“针对一个问题训练一个模型”，转向“构建一个能够理解世界的通用智能底座”。如果缺席这一轮基础模型能力建设，公司未来很可能失去参与下一阶段竞争的资格。
当时团队面临一个重大抉择：要不要自己训练一个大模型？
如果训练大模型，则意味着研发投入的成倍增长，但如果不训练自己的模型，则可能会被淘汰出局。
“在公司马上盈利的时候，你现在又砸钱去干这个事，你这钱挣得回来吗？”当时有投资人对此提出了质疑。
在反复权衡之后，团队的判断是：“这个事情不干，可能以后就没有未来的闻歌了。过几年闻歌就在这个赛道里面被淘汰了。”
2023年初，王磊和罗引拉上了自动化所的师兄弟们研讨方案，最终决定自己跑一遍训练流程。
这笔“豪赌”的代价在财务报表上清晰可见。
这一年，中科闻歌的研发开支高达1.8亿元，同年净亏损达到2.6亿元。
亏损扩大背后，中科闻歌也由此补上了基础模型能力这一关键拼图。
同年6月，中科闻歌发布了全自主知识产权的“雅意”大模型，成为国内最早一批拥有完整基础模型训练能力的企业级AI公司之一。
基础模型能力由此成为中科闻歌参与市场竞争时的重要变量。
据中科闻歌方面介绍，2023年以后，在参与客户项目和招投标过程中，中科闻歌逐渐感受到企业级AI竞争的分化：没有基础模型积累的企业，在复杂场景的技术方案设计上往往面临能力边界；而具备模型研发能力的企业，也未必能够深入理解行业业务和决策闭环。
企业真正需要的，不只是模型能力本身，还有一套能够与业务场景深度结合的系统化能力。
中科闻歌目前的模型体系分为两种：一类是雅意这种通用大模型，一类是磐石这类面对细分场景的专用大模型。
这背后的思路是“通专融合”，即基础模型解决常识和通用问题，专用模型解决垂直领域的深度需求。
单个厂商很难一个模型打天下。做基础模型做得好的，未必在科研、代码模型上也做得好。中科闻歌团队认为，模型生态最终会形成基础模型、行业级模型和专业模型的层级结构。
AI落地的“最后一公里”
如果仅以通用大模型参数规模和算力投入作为衡量标准，中科闻歌可能还是很难与互联网大厂等AI玩家匹敌。
但企业级AI的竞争，并不只是一场基础模型能力的竞赛。对于中科闻歌这样的企业级AI公司而言，真正的关键在于：能否把大模型能力与行业知识、业务数据和组织流程结合起来，解决真实场景中的复杂决策问题。
很多企业部署AI失败，并不是模型不够聪明，而是模型不了解企业自身的业务规则。中科闻歌提出DOMA框架，即Data（数据）、Ontology（本体）、Models（模型）、Agents（智能体）四个词的缩写，这套框架听起来学术味十足，但确实是中科闻歌从多年行业实践中锤炼出来的重要方法论。
数据、本体、模型和智能体共同构成企业AI运行的底层基础，其中最关键的一层是行业本体（Ontology）。它让AI不仅理解语言，更理解企业如何思考。
以投资分析为例，如果让模型评价一个投资标的，A问一次采用这种分析框架，B问一次又变成另一套方法论。
但如果预先告诉模型，评价一家企业需要重点看财务报表、核心团队、技术先进性等指标，再让模型按照这一框架进行定量和定性分析，结果的一致性和准确性就会明显提升。
这个“告诉模型怎么看数据”的过程，就是本体建模。
本体层的作用是把特定行业中的业务对象、对象之间的关系、运行规则和约束条件进行结构化，形成一套AI可以理解的“行业思维模式”。
过去几年，大模型最大的价值，是帮助人们获得信息和生成内容；而企业真正关心的问题往往不是“答案是什么”，而是“下一步应该怎么办”。
一位参与Decitron研发的技术人员告诉华尔街见闻，很多复杂决策问题之所以难，是因为问题往往涉及多个主体、多个变量以及持续变化的约束条件，无法被简化成一次性的问答。
“真正的决策问题，首先要被转换成一个可分析、可拆解、可推演的结构。”在他看来，这也是决策机与传统生成式模型的重要区别：后者更擅长基于已有知识生成回答，而前者更强调对事件关系、路径变化和结果分支的持续建模。
如此一来，模型看数据的时候就不再是盲人摸象，而是有了明确的分析框架。
中科闻歌近期推出的DIP决策智能平台，亦是这套方法论的产品化呈现。
DIP解决的是企业AI落地中最常见的三个问题：数据散、业务复杂、行动难推进。
在企业场景里，一张订单背后往往关联着客户、产品、库存、合同等一整套业务链条。如果AI只会读取数据，却不理解这些数据之间的关系，就很难参与真正的业务决策。
DIP的作用就是把分散在不同系统里的数据转化为AI可以理解的“业务本体”，再让模型基于业务规则完成分析、判断和行动。
比如，业务人员想知道“未来30天内哪些A级医疗行业客户可能流失”，DIP便会自动关联客户等级、订单记录、售后工单等信息，形成完整的客户经营视图。最终给出风险客户名单、风险原因的解释等报告。
这意味着，中科闻歌并不打算在参数规模上与大厂硬碰硬，真正要争夺的是企业AI落地的“最后一公里”，即让模型能够读懂业务、理解规则，并真正进入企业的决策流程。
Decitron决策机：
让AI从生成答案走向推演决策
如果说过去几年，大模型让外界看到了AI在内容生成、知识问答和效率提升上的能力，那么在中科闻歌看来，企业级AI的下一步，正在从“会回答问题”走向“能辅助决策”。
这也是中科闻歌近期推出Decitron决策机的重要背景。
作为面向复杂开放场景打造的通用决策智能模型产品，Decitron决策机并不局限于单一行业或单一任务，而是聚焦不确定性、多路径选择和多方博弈下的复杂决策问题，帮助用户理解局势、推演走向、比较方案，并形成更具参考价值的判断。
其应用场景可覆盖金融市场、宏观经济、国际形势、公共治理、企业战略、投资研究和产业研判等多个领域，是中科闻歌多年决策智能能力的一次集中产品化呈现。
以美国利率变化预测为例，利率决策本身并不是单一数据能够决定的结果，而是受到通胀走势、就业数据、经济增长、市场预期、政策表态以及国际局势等多重因素共同影响。
面对这类高度不确定的复杂问题，Decitron决策机会通过对多源信息的持续分析和多路径推演，帮助用户理解不同情景下利率变化的可能方向、关键变量及其潜在影响。
这体现出决策智能区别于传统信息检索和生成式问答的价值：它更关注的是在不确定环境中辅助用户进行判断。
在更贴近日常生活的场景中，Decitron决策机也可以用于“高考志愿填报”。高考成绩揭晓之际，志愿规划往往成为考生和家长面临的重要选择。面向这一场景，Decitron决策机上线了“高考志愿推演”功能，为考生和家长提供志愿规划辅助参考。
不同于一些更多基于既有数据和规则、提供“冲、稳、保”等相对确定参考结果的志愿填报工具，Decitron决策机更强调对不同选择背后机会、风险和差异的推演，帮助用户在理解多种可能性的基础上，结合自身偏好作出判断。
从资本市场视角看，Decitron决策机的意义也在于，它进一步强化了中科闻歌“决策智能”这一差异化标签。
当前，AI公司的竞争正在从模型参数和通用能力，逐步转向能否进入真实业务场景、能否解决复杂问题、能否形成可持续交付。相比单纯追求通用对话能力，中科闻歌选择的是一条更偏企业级、更重场景、更强调决策价值的路径。
对于中科闻歌而言，Decitron决策机既是一次产品发布，也是在上市节点向外界展示其长期技术路线的重要窗口，当AI从生成式应用走向决策式应用，企业级AI的竞争焦点，也可能从“谁更会回答”转向“谁更能帮助客户做出更好的判断”。
走向产业深处
对于中科闻歌而言，登陆资本市场并不是创业阶段的结束，而意味着进入另一场更长期的竞争。
漂亮的增长曲线背后，是不容回避的财务现实。
2023至2025年，中科闻歌的营收分别为2.50亿、3.18亿和4.05亿元，复合年增长率达到27.4%，但三年累计亏损达到5.83亿元。
当前亏损的核心原因是研发投入，过去三年研发开支累计接近5亿元。
不过，有一组数据值得特别关注。中科闻歌的AI服务平均交付周期从2023年的185天，缩短到2025年的80天。
交付周期的缩短意味着底层模块的复用率在大幅提升，这是中科闻歌系统迁移能力的有力证明，也有望在未来成为重要的竞争壁垒。
但企业级AI市场竞争激烈，“决策智能”作为市场概念仍需等待时间得到普及，平台化的进展还需要更多财务指标来持续验证。
王磊显然清楚这些。他在交流中引用Palantir——这家同样从复杂组织的数据治理和决策支持起家，近期备受资本市场关注的公司。
与此同时，中科闻歌也在关注Anthropic等全球先进AI企业的进展。对其而言，这种借鉴并不意味着简单复制，而是在中国市场环境、客户结构和产业数字化进程的现实基础上，寻找一条适合自身的企业级AI落地路径。
王磊表示，如果有一天能够真正把“决策大模型”这件事做成，他希望中科闻歌能“给时代留下一点AI记忆”。
Decitron决策机的发布，正是这一理想向前推进的重要一步。对于刚刚登陆资本市场的中科闻歌而言，“通用决策”不再只是一个技术方向，也正在成为其面向未来的核心产品叙事。
Comments