摘要：工信部与国家数据局联合启动的 2026 年“模数共振”行动，真正重要的地方，不是又多了一个政策名词，而是它把“AI+制造”从宏观倡议推进到了更具体、更可考核、更接近工程实施的层面。
过去一年，中国制造业谈 AI，常常有两个声音。一边是大模型能力快速跃迁，企业都在问“我们能不能也接一个大模型”；另一边是工厂现场非常冷静，数据不通、工艺复杂、系统割裂、场景太碎，通用大模型很难直接进入生产核心。
所以，工信部与国家数据局联合启动的 2026 年“模数共振”行动，真正重要的地方，不是又多了一个政策名词，而是它把“AI+制造”从宏观倡议，推进到了一个更具体、更可考核、更接近工程实施的层面。
这份通知的核心目标非常明确：面向钢铁、石化化工、有色金属、建材、工业母机、汽车、医疗装备、电力装备、船舶、航空航天、家居、医药、生物制造、历史经典、电子元器件、消费电子、新型显示、软件、信息通信、网络安全等 20 个行业或领域，推动形成“数据—模型—场景应用”的良性互促循环。到 2026 年底，要产出一批人工智能应用场景、行业模型、专用模型、特色智能体、高质量数据集和创新联合体。(国家知识产权局)
如果把这句话翻译成产业语言，其实就是一句话：中国工业 AI 不再只靠单点试点，而是要把数据、模型、场景、组织、评测、城市和产业联合体放进同一个实施框架里。
为什么叫“模数共振”，重点不是模型，也不是数据，而是闭环
“模数共振”这个词，表面上看是模型和数据的共振。更准确地说，它想解决的是工业 AI 长期存在的三个断裂。
第一个断裂，是数据与模型断裂。工厂里并不是没有数据，恰恰相反，很多制造企业已经积累了大量设备数据、工艺数据、质检数据、能耗数据、订单数据和供应链数据。但这些数据往往分布在 PLC、SCADA、MES、ERP、PLM、质检系统、能源系统和设备管理系统里。数据存在，却难以训练模型；模型存在，却不了解真实工艺。
第二个断裂，是模型与场景断裂。通用大模型可以写文案、写代码、做问答，但到了钢铁冶炼、化工流程、工业母机、航空制造、医疗装备这些场景，它必须理解行业机理、设备约束、安全边界和业务流程，否则就只能停留在“助手”层面，很难进入“决策”和“执行”层面。
第三个断裂，是试点与规模化断裂。很多工业 AI 项目能做样板，却很难复制。原因就在于每个企业的数据结构不同、工艺路径不同、设备状态不同、管理制度不同。没有标准化的数据集、评测体系和场景档案，AI 应用就很容易变成“一厂一策、一线一策、一项目一重来”。
“模数共振”行动的真正价值，就在于试图把这三个断裂接起来。它不是单纯鼓励企业“上模型”，而是要求从行业通识数据集、行业模型、高价值场景、专识数据集、专用模型、特色智能体、评测机制、共振空间和创新联合体等多个层面系统推进。(国家知识产权局)
这不是孤立政策，而是“人工智能+制造”的年度施工图
理解这份通知，不能孤立看。它其实是《“人工智能+制造”专项行动实施意见》的落地化动作。
在此前的《“人工智能+制造”专项行动实施意见》中，政策已经提出，到 2027 年推动 3 到 5 个通用大模型在制造业深度应用，形成特色化、全覆盖的行业大模型，推出 1000 个高水平工业智能体，打造 100 个工业领域高质量数据集，推广 500 个典型应用场景。(国家知识产权局)
而“模数共振”行动更像是 2026 年的阶段性施工图。它回答的是：这些行业模型、工业智能体和高质量数据集到底从哪里来？谁来组织？在哪些行业先做？用什么机制评测？如何形成可复制样板？
所以，这份通知真正释放出的信号非常清楚，国家层面对工业 AI 的判断，已经从“模型能力是否足够强”，转向“模型、数据、场景、工程化组织是否能形成闭环”。
这也是工业 AI 和消费级 AI 最大的不同。消费级 AI 可以靠用户规模和在线反馈快速迭代，但工业 AI 必须进入具体生产系统。它不仅要回答问题，还要支持排产调度、工艺优化、质量追溯、设备维护、能耗控制、安全预警、供应链协同等高约束任务。工业场景里的 AI，不能只“会说”，还要“懂现场、懂机理、懂边界、可验证、可复用”。
行业通识数据集和行业专识数据集，才是真正的突破口
通知将第一项重点任务放在“构建行业通识数据集，打造行业模型”上，这一点非常关键。
所谓行业通识数据集，可以理解为一个行业的共性知识底座。比如钢铁行业，它可能涉及冶炼、连铸、热轧、冷轧、质检、设备、能耗、安全等共性数据与知识；汽车行业可能涉及研发设计、供应链、制造、质检、售后等共性流程；工业母机则涉及加工参数、刀具、材料、精度、振动、热变形和工艺路径等专业知识。
通知要求，各省级地区至少选择 3 个重点行业，每家央企至少选择 1 个重点行业；每个行业梳理不少于 5 个行业通识高质量数据集，并研发不少于 1 个行业模型，每个行业模型应用案例不少于 5 个。(国家知识产权局)
这说明政策不是泛泛而谈，而是给出了明确的数量约束。它背后的逻辑也很直接，没有高质量行业数据集，就不会有可靠的行业模型；没有行业模型，就很难沉淀共性能力；没有共性能力，每个企业都要从零开始做小项目，成本高、周期长、复制难。
但更值得关注的是第二类数据，也就是行业专识数据集。
通知要求围绕高价值场景，构建蕴含场景特殊知识的行业专识高质量数据集，并打造专用模型或特色智能体。每个行业要凝练不少于 30 个重点行业人工智能高价值场景；每个场景构建不少于 1 个专识数据集，打造不少于 1 个专用模型或特色智能体；每个专用模型或特色智能体落地案例不少于 3 个。(国家知识产权局)
这个设计非常专业。因为工业 AI 不能只靠行业通识，它必须深入到具体任务里。比如钢铁里的质量缺陷溯源、化工里的安全生产预警、机床里的加工参数优化、航空航天里的复杂装配、医疗装备里的故障诊断，背后都需要非常具体的场景知识。通识数据集解决的是行业基础能力，专识数据集解决的则是场景落地能力。
这其实就是“通识+专识”的两层结构，也是工业 AI 从概念验证走向规模化复制的关键。
工业智能体不是聊天机器人，而是面向任务的执行系统
这份通知中反复出现“特色智能体”，说明政策层面对 AI 应用形态的认识已经进一步深化。
过去很多企业理解 AI，是把大模型接入知识库，做一个问答助手。但在制造业里，真正有价值的智能体，不只是回答“这个设备怎么保养”，而是能够围绕任务进行规划、调用工具、读取数据、生成方案，并在安全边界内推动流程执行。
通知也明确区分了专用模型和智能体：如果场景应用需要具备自主规划、执行能力，则打造智能体；其他情况打造专用模型。(国家知识产权局)
这句话非常重要。它意味着不是所有工业 AI 都要做成智能体。对某些场景，做一个预测模型、优化模型、识别模型就已经足够；但对涉及多步骤、多系统、多角色协同的场景，比如排产调度、供应链协同、设备检修计划、质量异常闭环处理，就需要智能体承担更复杂的任务编排能力。
所以工业智能体的价值不在拟人化，而在流程化。它不是陪人聊天，而是把行业模型、数据接口、业务规则、工具系统和审批机制连接起来，成为面向具体任务的执行系统。
“模数共振空间”，本质上是工业 AI 的可信协同基础设施
通知第四项重点任务提出创建“模数共振”空间。各地区可选择第三方中立机构或龙头企业，各央企可选择集团内专业单位作为建设运营主体，打造能够承载跨主体数据汇聚和模型训练的软硬件基础设施，以及跨主体数据协同、模型共建、责任划分、安全保障的管理机制。通知还提出，鼓励“模数共振”空间与国家数据基础设施互联互通，逐步打造为“智能体工厂”。(国家知识产权局)
这可能是整份文件里最值得产业界重视的一部分。
工业 AI 最大的问题之一，是单个企业的数据不够完整，单个模型企业又不懂行业现场，单个应用商也很难承担全栈工程。要训练行业模型、打造工业智能体，往往需要制造企业、数据服务商、模型企业、算力企业、工业软件企业、行业协会、科研机构共同参与。
但只要涉及跨主体数据流通，就会遇到数据安全、商业机密、责任边界、收益分配、模型归属、合规审查等问题。“模数共振空间”的本质，就是要为这种跨主体协作提供可信基础设施和治理机制。
所谓“智能体工厂”，也不能简单理解为批量生产聊天机器人。更准确地说，它是把行业数据、行业模型、场景知识、工具接口和评测机制组合起来，形成一套能够持续生产工业智能体的工程体系。
如果这个机制真的跑通，中国工业 AI 就可能从“项目制交付”走向“平台化生产”。
重点城市和创新联合体，说明工业 AI 必须靠产业集群打出来
通知还提出，要打造“模数共振”创新联合体，引导算力企业、模型企业、数据企业和应用开发企业组建联合体，每个重点行业至少打造 1 个，并与“模数共振”空间协作，开展模型研制、软硬适配、数据处理、应用方案设计与开发。(国家知识产权局)
这说明工业 AI 不是单一企业能完成的事情，它需要产业集群式推进。
为什么要强调重点城市？因为工业 AI 落地高度依赖产业基础。有钢铁产业基础的城市，更适合做钢铁行业模型和智能体；有汽车产业链的城市，更适合做汽车研发、制造、供应链和售后场景；有电子信息基础的城市，更适合做消费电子、新型显示、电子元器件和信息通信场景。
通知要求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；国家数据要素综合试验区、国家人工智能创新应用先导区、制造业领域国家人工智能应用中试基地所在地区，可以优先选取相关城市。(国家知识产权局)
这是一种很务实的政策设计。工业 AI 不能脱离产业土壤。哪里有产业链，哪里有龙头企业，哪里有真实场景，哪里就更可能长出可复制的行业模型和智能体。
真正的难点，不是做出模型，而是让模型进入生产责任体系
当然，“模数共振”行动要真正落地，也面临不少挑战。
第一，工业数据治理仍然是基础瓶颈。很多企业的数据采集、标注、清洗、权限管理、主数据体系、数据质量评估还不成熟。没有稳定可信的数据工程能力，所谓行业模型很容易变成“样板间模型”。
第二，行业模型必须融合工业机理。制造业不是纯文本世界。钢铁、化工、装备、航空、医疗装备等场景都有大量物理规律、工艺知识、设备边界和安全约束。模型如果只靠统计相关性，而不能与机理模型、仿真系统、知识图谱、专家规则结合，就很难承担高风险决策。
第三，智能体必须有安全边界。工业智能体一旦进入生产现场，不能像消费级应用那样“先试试看”。它需要权限控制、操作审计、回滚机制、人机协同、异常告警和责任划分。通知中特别强调在符合法律政策、保障安全要求的前提下稳妥有序开展应用，这一点非常关键。(国家知识产权局)
第四，评测机制必须真实有效。通知提出建立特色化、定制化评测数据集，构建面向行业应用、特殊场景的模型能力评测体系，并形成“评测诊断—数据集定向优化—模型能力提升”的循环。(国家知识产权局) 这意味着工业 AI 不能只看通用榜单，而要看在具体行业任务中的可靠性、鲁棒性、可解释性和经济价值。
这是一场从“模型热”走向“产业深水区”的转向
“模数共振”行动真正重要的地方，在于它把中国工业 AI 的竞争焦点，从“谁的大模型参数更大”，拉回到“谁能把模型、数据和场景真正闭环”。
未来的工业 AI，不会只是一个通用大模型加一个企业知识库。它更可能是一套分层体系，底层是可信数据基础设施，中间是行业通识数据集和行业模型，上层是面向高价值场景的专识数据集、专用模型和特色智能体，外部再配套评测体系、创新联合体、重点城市和安全治理机制。
这也是为什么这份通知值得高度关注。它不是一次简单的政策表态，而是在为工业 AI 规模化落地搭建工程路线图。
如果说过去几年，中国制造业数字化的关键词是“上云、上平台、建系统”，那么 2026 年之后，一个新的关键词可能会越来越清晰：让数据、模型和场景真正共振，让 AI 从实验室走进生产线，从展示大屏走进工业流程，从概念验证走向新型工业化的核心能力。