“模数共振”行动落地：工业数据与AI模型如何“双向奔赴”？

2026年4月28日，工业和信息化部办公厅与国家数据局综合司联合印发《关于联合实施2026年“模数共振”行动的通知》（工信厅联科函〔2026〕193号），正式启动面向制造业20个重点行业的“模数共振”行动。

为什么工业数据和AI模型需要“共振”？“共振”到底意味着什么？

一、为什么工业需要“模数共振”？

数据≠模型，模型≠应用，三者之间隔着三道墙

痛点1：数据孤岛，喂不饱模型

工厂数据散落在ERP、MES、WMS、PLC等不同系统中，格式不统一、标准不一致、口径不对齐。工业AI模型“吃不饱”也“吃不好”——有的数据采集频率过高造成冗余，有的关键工艺参数根本没有被记录。

痛点2：模型泛化，落不了地

通用大模型不懂钢铁高炉的炉温控制逻辑，不懂汽车焊装线的节拍优化规律。“懂算法的人不懂工艺，懂工艺的人不懂算法”——这是工业AI落地最现实的鸿沟。

痛点3：场景零碎，形不成闭环

AI应用多为“盆景式”试点：单点验证可行，规模化复制困难。据中国信通院发布的研究报告，数据孤岛、模型泛化、场景落地难、投入产出低是当前四大行业痛点。

工业领域对技术的确定性、稳定性和安全性有着近乎极致的要求。“模数共振”行动的核心使命，就是打通这三道墙。

二、什么是“模数共振”？

“模”与“数”如何实现双向奔赴？

核心机制：“以模引数”+“用数赋模”

中国信通院专家指出，“模数共振”行动旨在以模型需求牵引数据治理，以高质量数据赋能模型迭代，构建“以模引数、用数赋模、模数共振”的发展格局。

• “以模引数”：哪些数据值得投入资源去采集、治理、标注？由模型的需求来定义。模型需要什么，数据就重点建设什么。
• “用数赋模”：高质量数据是模型能力提升的燃料。数据越精准、越结构化、越富含行业机理，模型就越“懂行”。

循环飞轮：三个转动

行动提出，通过重点任务设置，着力推动模型与数据深度融合，形成：

行业模型 → 赋能 → 应用实践 → 产生场景数据 → 优化 → 行业模型

这是一个自增强的良性飞轮。

三大要素：高质量数据集 → 高效能模型 → 高价值应用

“模数共振”体系以高质量数据集、高效能模型、高价值应用三大要素为核心，构建数据驱动模型进化、模型赋能应用创新、应用反哺数据积累的良性循环机制。

三、这一次，政策有什么不一样？

从“各自为政”到“一张蓝图”

2026年“模数共振”行动具体设置了7项重点任务，各项任务路径明确、相互协同。核心可归纳为三大支柱：

支柱一：数据基建（通识+专识+评测）

支柱二：模型攻关（行业模型+专用模型+特色智能体）

行动提出攻关一批蕴含工业和信息化领域技术机理的行业模型、专用模型和特色智能体。具体要求包括：

每行业研发不少于1个行业模型，落地应用案例不少于5个

每个高价值场景打造不少于1个专用模型或特色智能体，实践落地案例不少于3个

相关成果纳入《重点行业模型清单》与《专用模型/特色智能体清单》。

支柱三：生态构建（空间+联合体+重点城市）

行动部署创建“模数共振”空间，打造具备数据汇聚、模型训练能力的协同平台，逐步发展为“智能体工厂”。同时，引导算力企业、模型企业、数据企业和应用开发企业组建“模数共振”创新联合体，选择人工智能产业基础较好、数据资源丰富的城市作为重点城市。

与前序政策的衔接

行动是为贯彻《国务院关于深入实施“人工智能+”行动的意见》和《“人工智能+制造”专项行动实施意见》要求而制定的具体落地举措。与2026年3月工信部启动的“工业数据筑基行动”形成政策接力——前者侧重数据资源汇聚与流通，后者侧重数据与模型的协同融合，共同构建起从“数据盘家底”到“数据驯模型”再到“模型赋应用”的完整链条。

四、政策背后的“三重变革”视角

从“工具级应用”到“基因级融合”

1. 认知变革：AI不仅是工具，更是“工业操作系统”

过去，AI被视为辅助工具——检测缺陷、预测故障、优化排产。而在“模数共振”框架下，AI将深度嵌入生产决策中枢，从“研发什么就生产什么”转向“模型预测什么就优化什么”。

2. 治理变革：数据从“副产品”升级为“核心资产”

“以模引数”意味着：数据的价值不再由其规模决定，而是由其与模型需求的匹配度决定。工厂需要重新审视数据采集、治理和标注的优先级——不是所有数据都值得投入，只有能驱动模型进化的数据才是战略资产。

3. 路径变革：从“盆景”走向“风景”

“盆景”式试点到“风景”式规模化，核心在于构建可复制、可推广的“行业通识+场景专识”双层知识底座。通识数据集解决“通用认知”问题，专识数据集解决“深度认知”问题，两者叠加才能真正实现AI在工业生产中的体系化赋能。

“模数共振”行动的本质，不是给工厂再多加一套系统，而是重构工业智能化的底层逻辑——让数据不再是产线的“副产品”，而成为驱动模型进化的“燃料”；让模型不再是实验室的“算法玩具”，而成为理解工艺、优化生产的“数字大脑”。这场“双向奔赴”的要义在于：只有数据“懂行”，模型才“管用”；只有模型“落地”，数据才“生钱”。对工厂而言，现在要做的不是等待标准答案，而是主动盘点数据家底、对齐业务场景、对接政策通道，把“模数共振”从文件里的热词，变成车间里的实效。