【赛迪网讯】4月28日，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，面向钢铁、汽车、航空航天等20个重点行业，以七大任务为牵引，打通“数据—模型—场景应用”的良性循环。这是一场系统性的制造业AI化攻坚战，既瞄准“高质量工业数据匮乏”与“行业模型非通用化”两大痼疾，也试图为千行百业的工厂打通从“数字化”迈向“智能化”的关键一跃。

从“灯塔”到“智能体”

理解“模数共振”行动的意义，需要先看清制造业AI落地的一条进化主线：从自动化到数字化，再到智能化。

过去十年，中国制造业大力推动数字化转型，一批“灯塔工厂”拔地而起，实现了设备联网、数据采集和可视化监控。这一阶段的特征可以概括为“数据看得见”，工厂管理者能够实时掌握产线状态，但决策指令仍需人工下达。智能化的核心区别于数字化，恰在于“带脑子”：工厂不再只是被动呈现数据，而是由模型和智能体主动分析、自主决策、协同调度。

这正是“模数共振”行动锚定的核心方向。通知明确提出，推进人工智能发展要从“技术驱动”向“价值驱动”迈进，推动产出一批高价值场景、典型案例、行业模型、特色智能体、高质量数据集等成果，到2026年底基本形成“数据—模型—场景应用”良性互促的循环。换言之，政策要实现的是让“看不见的智能体”入驻工厂的核心环节，实现从“人看数据做决策”到“智能体调度产线”的范式跃迁。

行业研究数据显示，在典型离散制造场景中，由智能体驱动的产线转产协同效率可提升数倍，非计划停机时间可压缩30%以上，质量缺陷检出率显著优于人工抽检。这些效益增量，正是“智能体工厂”相较于传统“灯塔工厂”所能释放的价值空间。

打破“数据孤岛”

然而，将上述图景从标杆案例推广至全行业，面临两道绕不过去的坎，高质量工业数据匮乏、行业模型的非通用化。

制造企业的数据困境具有鲜明的结构性特征。一方面，大量中小企业数字化基础薄弱，设备联网率低、数据采集不完整；另一方面，即便头部企业沉淀了海量数据，也往往以“数据孤岛”形式存在于各业务系统中，跨部门、跨企业的数据流通面临技术与制度双重壁垒。此外，工业场景的数据标注成本极高，一条产线的异常工况数据稀缺且难以复现，这直接制约了AI模型训练的覆盖面和精度。

行业模型的非通用化则是另一重挑战。与通用大模型可在开放域数据上训练不同，工业模型需要深度理解特定行业的工艺机理、设备参数和业务逻辑。为一个行业训练的模型，几乎无法直接迁移至另一个行业。这就导致“重复造轮子”现象严重，每个细分场景都要从头做起，AI落地成本陡增。

“模数共振”行动的七项重点任务正以此为靶心，构建行业通识数据集，打造成本可分摊的共性行业模型；搭建“模数共振”空间，实现多主体数据不出域联合训练，在保障数据安全的前提下破解“孤岛”难题；深挖高价值细分场景，打造专用模型或自主智能体，推动通用能力向具体应用的转化。

智能制造的“最后一公里”

如果将视线从政策文本抬升至产业全局，一个更本质的问题浮出水面：“模数共振”行动能否真正解决制造业AI落地的“最后一公里”？

中小制造企业的集体困境，构成了这一问题的最大变量。业内普遍共识是，AI应用的效果高度依赖业务参与程度和基础数据质量，如果企业数字化基座薄弱、数据不完备，模型效果就会大打折扣。而在人才储备和场景选择能力上，中小企业的短板更为突出，“想转不会转、想转转不起”是广泛的现实写照。

“模数共振”行动给出的解题思路，是以标杆带动规模、以政策降低门槛。根据通知，每省级地区需打造不少于3个“模数共振”空间，每个行业至少研发1个共性行业模型并形成不少于5个应用案例，以量化硬指标确保成果可复制、可推广。这种“先行者探路、后来者跟随”的模式，在制造业转型升级中已有先例可循。此前的工业互联网平台培育工程，便是通过头部平台沉淀共性能力，再以低成本方式向中小企业输出。

更深层的变化在于产业生态的重构。当行业通识数据集和共性模型逐步成熟，AI在制造业的渗透将从“项目制”走向“产品制”。不再是每个工厂都要从零定制，而是基于行业基座模型进行轻量级适配。一旦这一拐点到来，制造业AI化的边际成本将大幅下降，规模化复制的飞轮才能真正转动起来。

从中国制造到中国智造，这场由“模数共振”引爆的攻坚战，瞄准的不仅是一批工厂的效率跃升，更是一次制造业生产力范式的整体升维。当数据与模型在千行百业的工厂深处持续共振，一场静水流深的产业变革，正在每一道产线、每一道工序中悄然发生。