当前，人工智能正加速与实体经济深度融合，已成为推动我国制造业高端化、智能化、绿色化发展的核心引擎。我国AI+制造已从早期的概念验证阶段迈入规模化落地的关键窗口期，数据要素供给能力持续增强，工业模型体系梯次形成，应用场景不断向核心生产环节渗透。但与此同时，数据“有库无链”、模型“有品无系”、场景“有试无范”三大挑战依然突出。为破解行业难题，工业和信息化部、国家数据局两部门联合启动实施“模数共振”行动，构建了“行业通识—场景专识—评测基准”三级数据集与模型体系，将分散的数据、模型、场景要素整合为协同联动的有机整体，形成了“共性底座支撑个性应用、个性应用反哺共性底座、评测机制驱动闭环迭代”的运行逻辑，为工业AI规模化落地提供了解决方案。

一、我国AI+制造发展现状

上下联动推进工业数据要素提质增效。政策链条持续向工业领域纵深延伸。我国先后发布《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》《“数据要素×”三年行动计划（2024-2026年）》《关于工业大数据发展的指导意见》等文件，持续推动数据要素价值向工业制造核心环节深度渗透。工业领域高质量数据供给能力稳步提升。工业和信息化部于2026年3月正式启动工业数据筑基行动，以推进工业数据开发利用为主线，聚焦关键环节关键场景“小切口”开展先行先试，着力突破工业数据“采”“集”“用”瓶颈；七大国家级数据标注基地标注总规模达17282TB，形成工业、医疗、教育等领域高质量数据集524个，服务大模型163个。地方创新实践多点开花。北京率先建设数据基础制度先行区，推出人工智能数据“监管沙盒”，破解数据流通难题。无锡出台《无锡市数据标注产业发展和高质量数据集建设2026年行动方案》，重点攻坚工业制造等14个领域高质量数据集建设。

梯次构建推动工业模型供给走向体系化。工业模型供给能力持续增强。截至2026年1月，超50家央国企已密集推出工业大模型产品，覆盖能源电力、装备制造、交通物流等核心赛道，实现从2023年概念验证到2025年规模化落地的爆发式增长。初步形成“工业底座模型+行业模型+特色智能体”梯次供给格局。面向工业需求，已建成盘古工业大模型、海康观澜大模型、九天·工业大模型、元景工业大模型等一批沉淀全产业链核心机理、适配全行业共性场景的工业底座大模型，实现工业知识的标准化沉淀与规模化复用。面向具体行业需求，已研发中国商飞“东方·翼风”航空仿真大模型、中国石化长城大模型、宝武钢铁“宝联登”钢铁行业大模型、国能集团“擎源”发电大模型及系列智能体等一批适配航空航天设计、石化工艺优化、钢铁流程管控、电力调度运维等核心环节的专用模型与特色智能体，突破物理信息融合、机理嵌入、低样本训练等关键技术。

多点突破推动人工智能赋能从局部试点向全域渗透升级。随着“人工智能+”行动以及人工智能赋能新型工业化系列政策深入实施，大模型赋能传统工业革故鼎新。以钢铁行业为例，据河北省工业和信息化厅数据，截至2025年底，全省钢铁企业均已不同程度应用人工智能大模型，超过半数企业正深化大模型在工业智能控制领域的应用。如河钢数字公司与移动九天研究院合作研发的全国首个通过中央网信办备案的钢铁行业大模型WeShyper（威赛博），实现排程时间缩短30%、重点客户准时交付100%。应用场景从客户服务、知识问答等轻量应用向研发设计、生产制造、安全检测等核心业务环节迈进。目前中央企业聚焦能源、制造等重点行业，已联合头部企业打造超1000个应用场景。如国家管网集团“全国天然气管网供销运预测与资源优化”实现全国及区域天然气消费的精准日预测、预测准确率达96%；万华化学联合中控技术打造全国首套化工“无人调度”系统，实现“生产状态自监督、异常工况自干预、运行过程自优化”的全厂级自主运行。

二、AI+制造纵深发展面临三大挑战

数据“有库无链”，高质量工业数据供给不足。我国工业数据存量丰富，但数据资产化程度较低，未能形成从采集、治理到流通、复用的完整价值链条。一是数据“存而不用”，有效信息转化率极低。工业设备产生的数据多具有低信噪比、强时序性、多源异构的特点，大量原始数据混杂噪声和冗余，真正蕴含业务价值的有效数据占比较低。调研中有企业专家指出，“一台设备一天产生超1G数据，但一周内可用于训练的不足5条”。同时，多数企业缺乏系统化的数据治理能力，数据清洗、标注、分类等环节标准缺失，进一步加剧了“数据海量、信息稀缺”的矛盾。二是数据“孤而不通”，数据烟囱问题突出。OT与IT之间、不同厂商设备与软件之间、产业链上下游企业间数据壁垒尚未打破，跨企业数据流通缺乏可信机制和利益分配模式，导致分散在单个企业的有效数据无法汇聚成规模化数据集，制约AI技术整体落地见效。

模型“有品无系”，缺乏体系化设计与机理融合。当前工业AI模型数量快速增长，但整体呈现碎片化格局，既缺乏对工业机理的深度融合，也未形成协同联动的模型体系。一是大模型“水土不服”，现实工业场景适配性不足。生成式AI的概率性特征与工业生产的精确性要求不相适应，大模型内生“幻觉”问题尚未根本解决，在化工、电力等高风险领域，任何决策失误都可引发重大安全事故。许多基于通用大模型微调的工业模型，仅学习了表层数据规律，未融入行业技术机理，导致“实验室的学霸，进了车间就挂科”的现象出现，难以获得一线员工的信任。二是模型“碎片化割裂”，跨环节协同能力薄弱。复杂工业生产需要全流程系统性优化，但市场上的工业模型大多是针对单一环节或单一场景的单点解决方案，彼此之间接口不统一、数据不互通、能力不兼容。而当前工业领域多智能体任务拆解、集群调度机制仍不完善，难以支撑端到端的智能化改造。

场景“有试无范”，规模化复制面临推广难题。工业AI应用长期存在“试点成功、推广失败”的行业怪圈，未能形成可复制、可推广的标准化模式。一是定制化高成本与中小企业普惠需求严重错配。当前工业智能产品与解决方案大多围绕大型企业个性化需求定制开发，耗时数月的开发周期、动辄百万的研发投入让中小企业望而却步。轻量化、低成本、易运维的标准化产品的稀缺，阻碍了AI在制造业领域的广泛落地。二是商业价值量化困难，投资回报周期较长。AI赋能制造的价值更多体现在长期的生产效率提升、管理流程优化与产业模式创新，短期经济效益并不直观。麦肯锡《2025年AI应用现状调研》显示，在来自105个国家的1993位企业受访者中，仅39%认为AI对企业息税前利润（EBIT）产生了某种程度的影响，其中多数表示贡献率不足5%。投入与产出的感知落差，直接导致制造企业对AI产品及服务的付费意愿较低，规模化推广的内生动力不足。

三、“模数共振”体系逻辑：从行业通识到场景专识的分层构建与协同共振

针对上述矛盾，传统“企业单打独斗、一厂一策”的工业AI发展模式已难以为继。“模数共振”行动正是从这一现实痛点出发，构建了“行业通识—场景专识—评测基准”三级数据集与模型体系，通过分层分类的制度设计，将分散的数据、模型、场景要素重新组织为协同联动的有机整体，形成“共性底座支撑个性应用、个性应用反哺共性底座、评测机制驱动闭环迭代”的运行逻辑，有效破解工业AI规模化落地的核心障碍。

行业通识层以“共建共享”为核心，打造支撑个性应用的统一共性能力底座。行业龙头企业、科研院所联合梳理全行业通用的工艺原理、技术规范、设备标准、安全规程等核心知识，将原本存在于纸质文档、技术图纸、工程师头脑中的隐性经验转化为标准化、结构化的行业通识数据集，有效解决数据“有库无链”的资源分散问题，实现行业数据从“企业私有”到“行业共有”的转变。基于这些高质量数据集训练的行业通用模型，深度融合行业核心技术原理与工艺运行规律，可显著减少模型幻觉，统一的技术架构和标准化的接口规范为跨环节、跨系统的模型协同提供了基础，从底层缓解模型“有品无系”问题。这种“全行业共建，全主体共享”的模式，为所有企业提供了平等的技术起点，任何企业开发场景应用时，都无需从零开始收集数据、训练模型，只需在行业通用模型的基础上，针对自身需求进行微调即可快速落地，从根本上解决了重复建设问题，为AI技术的规模化普及奠定了基础。

场景专识层以“场景牵引”为导向，实现共性能力的个性化落地与价值反哺。通过从行业层面系统梳理应用潜力大、推广范围广、可复制性强、适合人工智能技术改造的细分应用场景，可为行业提供清晰的场景开发指引和可参考的落地范本。企业结合场景范本和自身需求，基于行业通用底座，融合自身产线的设备状态、工艺参数、操作习惯等个性化数据，构建场景专识数据集，打造专用模型或特色智能体，即可快速完成适配自身发展的智能化改造。这种“场景牵引、通识打底、专识定制”的模式，让利润微薄的中小企业也能以轻量化方式参与智能化转型，从而解决定制化高成本与普惠需求的结构性错配，缓解场景“有试无范”的规模化推广难题。此外，场景应用中产生的新数据和验证成熟的经验，将通过标准化渠道向上反哺行业通识层，当某类场景的解决方案被证明具有普遍适用性时，就会被提炼为共性知识纳入公共底座，供全行业共享复用。通过这种数据支撑模型能力提升，模型赋能场景应用落地，场景反哺数据高质积累的创新模式，形成数据、模型、场景三者相互促进、循环迭代的协同共振机制，为AI+制造的持续升级注入不竭动力。

评测基准层以“实效导向”为原则，构建“评测诊断-数据集定向优化-模型能力提升”的良性循环机制。依托有条件的专业机构，面向行业模型、特色智能体的能力评估需求，构建特色化、定制化的评测数据集，建立面向行业通用应用、特殊细分场景的差异化模型能力评测体系，把评测的标尺锚定在生产一线的实际需求上，既考核行业通用模型的基础认知能力，也验证场景专用模型的实战表现，为工业AI的价值衡量提供了统一、客观的标尺。更重要的是，评测结果不再是简单的排名打分，而是直接转化为数据和模型优化的精准指引，通过评测定位模型的能力短板，再针对性地补充数据样本、完善知识体系，用高质量数据反哺模型迭代，形成“问题诊断-精准补全-能力升级”的正向循环，让整个体系始终保持动态进化，为工业AI从试点走向规模化普及提供了坚实的质量保障。