“模数共振”：赋能中国制造业迈向人工智能新高度
以“模数共振”构筑“人工智能+制造”新优势
中国工业互联网研究院副院长 田野
《中华人民共和国国民经济和社会发展第十五个五年规划纲要》明确提出，要把握数字化、网络化、智能化发展大势，激活数据要素潜能，加快数智技术创新，深化拓展“人工智能+”。制造业是国民经济的主体和新型工业化的主战场，推动人工智能与制造业深度融合，是加快形成新质生产力、实现高水平自立自强的战略必然。2025年12月，工业和信息化部等八部委联合印发《“人工智能+制造”专项行动实施意见》，为加快推进人工智能在制造业融合应用提供了系统指引。近期，工业和信息化部、国家数据局联合印发通知，正式启动2026年“模数共振”行动，面向制造业领域20个重点行业，确定一批重点城市，探索场景、模型、智能体、数据集、案例等关键技术成果的产出路径，推动人工智能高水平赋能新型工业化。
一、把握“人工智能+制造”应用落地的主要矛盾
推进工业智能应用，往往是“七分在数据、三分在模型”。当前我国制造业数字化底座日趋坚实，工业数据体量持续攀升、采集覆盖面不断扩大，但人工智能在制造业规模化、高质量落地仍面临三大核心数据矛盾。
（一）数据“多而不优”矛盾
经过一段时期数字化转型实践，我国制造业已积累了海量数据。据统计，截至2025年年末，重点行业企业的关键工序数控化率达到了68.6%，规上制造业企业人工智能技术应用普及率超30%，重点工业互联网平台设备连接数超过1亿台（套）。然而，庞大的数据规模多为“沉睡资源”，并未有效转化为AI模型能力。一方面，大量企业对自身智能化需求梳理不清，场景碎片化、价值不清晰，难以形成有效数据清单。另一方面，工业数据多元异构，且背后深度耦合专家经验和隐性知识，造成其标注难度大幅攀升，平均每条工艺参数数据的标注成本是通用数据的数倍乃至数十倍。高质量标注数据集极度稀缺，直接导致模型“无粮可训、训而不精”。
（二）数据“散而不通”矛盾
制造业数据呈现多级分布特征：在物理空间上，分散于设备、产线、车间、工厂、企业各层级，各层级的数据的格式、标准、采集和应用方式具有较大差异，相互间语义不通，人工智能模型难以统一“阅读”与理解数据背后的因果逻辑，无法形成规模化训练数据；在业务流程上，ERP、MES、PLC等各系统互不兼容，数据无法在各环节之间流转贯通；在技术特征上，DT（数据技术）与IT（信息技术）、OT（运营技术）和CT（通信技术）融合不足，导致工业数据的价值无法充分释放。这种孤岛状态导致无法形成完整的业务视图，AI模型只能基于局部数据进行“盲人摸象”式分析，价值十分有限。
（三）生态“闭而不强”矛盾
工业数据承载企业核心工艺、商业秘密与产业安全，企业普遍存在“不敢共享、不愿共享、不能共享”的顾虑。当前我国工业领域数据共享、模型协同生态整体封闭薄弱、协同效能不足，跨主体、跨行业、跨区域的常态化协同机制尚未建立，缺乏数据贡献激励、收益公平分配、责任清晰划分、安全全程保障的协同机制，企业间数据协同多为临时对接、零散合作，难以实现规模化、可持续流通；工业模型研发训练呈现“各自为战、重复投入”的碎片化格局，行业共性能力无法沉淀、协同效应难以释放。数据要素难以从“个体资源”转化为“生态资产”，严重制约模型协同训练与迭代升级值。
二、以“模数共振”破解工业人工智能落地难题
“模数共振”揭示了工业智能化转型“应用需求—数据供给—模型提升”的主线逻辑，其背后是对当前工业人工智能落地困境的精准诊断。
（一）强化场景需求牵引
破解工业领域数据体量庞大但质量偏低、场景适配性不足的现实问题，核心路径就是坚持需求牵引、场景导向，构建全流程高质量工业数据供给体系。一是全面开展工业场景摸排与智能化需求凝练，按行业建立高价值场景档案。二是分层分类打造行业通识数据集与场景专识数据集，通过专业数据标注、知识工程嵌入等手段，补齐工业数据专业性不足、稠密性不够、均衡性缺失的短板。三是配套建设承载跨主体数据汇聚与模型训练的软硬件基础设施，对接国家数据基础设施，构建标准化行业数据目录与资源管理体系，实现数据资源的精准分类、高效治理与合规使用。通过“场景定数据、数据育模型、模型验场景”的闭环推进，从源头破解工业数据“量大质低、训用脱节”难题，为行业模型、特色智能体研发提供优质数据底座。
（二）构建数据协同机制
针对数据孤岛、系统壁垒与语义不通的问题，行动提出建设“模数共振”空间，打造跨主体数据可信流通的核心能力，彻底打通数据“散而不通”梗阻。一方面，建立分布式数据供给网络，利用数据路由寻址、数据可信互联等技术，打通各层级数据壁垒，实现数据语义贯通、逻辑集中与高效流转。另一方面，采用联邦学习、安全多方计算、密态计算等隐私计算技术，构建“数据不出域、可用不可见”的协同训练模式。进一步实现跨企业、跨层级数据高效共享与模型联合训练，从技术层面打破数据物理边界制约。通过统一的模型版本管理、梯度聚合与贡献追踪机制，有效避免模型训练碎片化问题，实现多主体数据协同、模型协同训练，全面激活数据要素流通价值。
（三）做强开放共享生态
针对工业领域企业数据开放共享意愿低、产业生态封闭的发展困境，行动提出建设协同机制与培育创新联合体的要求。制度层面，建立跨主体数据协同、模型共建、责任划分、安全保障四位一体管理机制，量化数据贡献标准、明晰收益分配规则、厘清法律责任边界、强化安全全周期管控，从制度层面破解企业“不敢共享、不愿共享、不能共享”的核心顾虑。产业层面，通过创新联合体整合算力企业、模型企业、数据企业、应用开发企业等多类主体，形成全栈式解决方案供给能力，通过“揭榜挂帅”、供需对接、项目联合攻关等形式，打造人工智能赋能行业“样板间”，推动数据、模型、智能体成果跨域共享与规模化推广，构建政府引导、企业主体、机构支撑、市场运作的协同生态，彻底改变工业AI各自为战、生态封闭的局面。
三、把握工业人工智能实践路径
聚焦“人工智能+制造”的核心需求，推动模型与数据在产业落地中深度融合，形成可落地、可复制、可推广的工业人工智能实施路径。
（一）筑牢工业数据基础设施
基于工业数据要素价值化“探数—供数—用数”路径，构建以工业数据资产登记为基础的分布式数据供给体系，强化工业数据的流通利用。基于“分布式存储、统一目录供给”模式，构建适配工业数据动态更新特性的分布式供给体系，确保数据在流转过程中可管、可控、可追溯，破解工业数据流通难题。创新大模型分布式训练/微调方式，通过市场化分配机制，根据数据质量与贡献度给予企业算力、技术服务或经济收益，激活数据供给动力。同时，鼓励跨行业数据应用与模型交互，推动龙头企业开放自建大模型，形成行业模型生态，以模型精度提升释放数据价值，实现“越开放越获益”。探索可持续的数据供给机制持续微调优化，构建“供给—训练—应用—价值释放”的良性循环，推动工业数据要素高效流通与行业创新发展。
（二）分类构建高质量工业数据集
破解“数据多而不精”的数据要素瓶颈，对海量、多源、异构的工业数据实行分类，进一步形成三类高质量工业数据集。产业链主体数据，聚焦重点产业链与产业集群，全面梳理链上各环节的企业实体信息，包括企业基本情况、主营业务、核心产品、产能规模、技术能力等。产业管理数据，聚焦政府在履行管理职能时，要求企业填报的各类经营与管理信息。具体包括技术改造项目投资、研发经费、新产品产值、能耗与碳排、安全生产、人才结构、数字化水平自评估等。链主企业运行数据，聚焦龙头企业与产业链关键节点的内部实时运行数据。主要包括反映供需波动的供应链数据（订单、采购、库存、物流等）和反映生产过程的制造过程数据（设备状态、工艺参数、产能、良率等）。
（三）建立行业“数据—模型—智能体”评测体系
面向重点行业构建“数据集—大模型—智能体”三级协同评测机制。开展行业数据集质量测试，在通用数据质量评价标准的基础上，进一步围绕专业性、通用性、稠密性、均衡性、安全合规性、全面性、可回溯性和可解释性等特色指标开展测试评估。实施行业大模型测试，构建行业通识和专识评测数据集，从基础能力、场景能力、行业能力三个维度，验证工业场景适配与推理泛化水平。推进场景智能体测试，评估核心组件、业务落地、平台运营三大能力，保障生产可用、运营可控。建立“评测诊断—数据集优化—模型迭代—智能体升级”闭环，将评测结果作为数据治理、模型微调、场景落地的核心依据，以常态化评测驱动能力持续提升，推动工业AI从试点验证走向规模化高效应用。
（四）完善供需对接生态
加强“人工智能+制造”供需对接生态建设。区域方面，引导国家人工智能产业创新应用先导区和工业大市等，聚焦地方主导产业和特色产业集群，立足区域产业基础与发展定位，重点围绕地方支柱产业，结合地方产业政策导向，整合本地乃至全国优质人工智能资源，开展区域性供需对接活动。行业方面，引导产业链重点企业、国家人工智能行业应用中试基地等，针对特定行业共性痛点与发展需求，聚焦20个重点行业，围绕质量控制提升、供应链协同优化、安全生产等关键领域，组织开展行业专属供需对接活动。邀请行业龙头企业、骨干人工智能企业、科研院所及行业协会专家参与，推广行业成熟智能化解决方案和典型案例，强化行业技术交流与标准引领，推动行业整体智能化水平提升，促进行业内资源共享与协同创新。
中国工业互联网研究院基于国家工业互联网大数据中心，探索建设全国统一数据资源目录，在钢铁、石化、有色、纺织等重点行业打造了一批高质量工业数据集。构建“模数共振”评测体系，对100余个大模型、智能体在工业应用效果进行测试。研发工业智能体平台，为汽车、材料等行业提供工业智能体服务。建设国家人工智能赋能新型工业化供需对接平台，提供涵盖技术咨询、方案设计、智能应用部署和运维优化在内的端到端服务，为3000余家企业精准匹配制造业需求，缩短智能化方案落地周期。