010-68332837
全国咨询热线
当前，人工智能正加速从技术突破阶段迈向规模化应用与价值创造的新阶段。2026年《政府工作报告》提出“打造智能经济新形态”，并对深化拓展“人工智能+”作出系统部署。工业和信息化部、国家数据局联合启动“模数共振”行动，明确提出以模型与数据协同进化、技术创新与产业应用双向赋能为主线，构建“高质量数据—高效能模型—高价值应用”的数据飞轮。这一战略部署抓住了人工智能产业发展的关键，为破解“有模型、缺数据；有数据、难落地”的深层次矛盾提供了突破口。
“模数共振”：从技术驱动转向价值驱动的战略支点
过去几年，我国人工智能领域涌现出大量大语言模型、行业大模型，技术能力快速提升。但也要看到，不少模型存在“叫好不叫座”的现象：通用能力虽强，却在具体行业中“水土不服”；企业积累了大量数据，却难以高效赋能模型训练与推理。究其根源，在于模型与数据之间缺乏深度协同——数据治理滞后于模型需求，模型迭代又受限于数据质量，形成“两张皮”困境。
“模数共振”行动的核心，正是打破这一僵局。它强调“以模引数、用数赋模、模数共振”三位一体：以模型需求牵引数据治理，让沉睡的数据资源按照模型训练与场景适配的标准进行清洗、标注、知识化，变“数据囤积”为“数据流动”；以高质量行业数据反哺模型优化，推动模型在真实业务场景中精准迭代，提升推理精度与鲁棒性；最终在模型与数据的同频共振中，激活产业协同效能，实现“应用越广、数据越优、模型越强、价值越大”的正向循环。这一逻辑的深刻之处在于，它将人工智能的发展重心从参数竞赛、算力比拼拉回到价值创造的原点。技术再先进，如果不能解决产业痛点、创造经济与社会效益，就难以持续。因此，“模数共振”本质上是一场从“技术驱动”向“价值驱动”的范式转变，是人工智能从实验室走向生产线、从通用能力走向行业生产力的必由之路。
场景牵引：让“模数共振”在产业需求中落地生根
“模数共振”不是空中楼阁，必须有明确的产业锚点。要聚焦重点行业，筛选可复制、易推广的高价值细分场景。场景是模型与数据发生“化学反应”的试验场，也是价值创造的最小单元。以制造业为例，质量检测、设备预测性维护、生产工艺优化、供应链协同等场景，数据积累相对丰富、痛点多、效益可观。在这些场景中构建行业专识数据集——即针对特定业务环节的高质量标注数据，能够大幅提升模型的场景适配能力。
例如，在汽车焊装车间，通过采集焊接电流、飞溅图像、传感器时序数据，构建焊接质量专识数据集，再依托行业底座模型训练出焊接质量智能体，可实时判断焊点缺陷，大幅降低漏检率。这种“专识数据+特色智能体”的模式，投入可控、见效快，且能在同行业内快速复制。
医疗健康领域同样潜力巨大。围绕病历结构化、影像辅助诊断、合理用药审核等场景，构建符合医疗隐私与伦理规范的专识数据集，训练出面向基层医院的辅助诊疗智能体，能够有效缓解优质医疗资源分布不均的问题。这些高价值场景的落地，反过来会对数据治理提出更高要求，倒逼医院、药企、医保机构之间建立合规的数据流通机制，从而推动更大范围的“模数共振”。
机制创新：构建支撑“模数共振”持续深化的制度框架
“模数共振”要从小范围试点走向大规模普及，离不开系统性的机制创新与生态配套。重点应在评测体系、协同载体、人才标准等方面下功夫。
一是建立“模数”闭环评测机制。当前行业普遍缺乏面向数据质量与模型性能的联合评测标准。不少企业投入巨资训练模型，却因训练数据存在偏见、噪声或滞后，导致模型在真实场景中失效。“模数共振”要求构建动静结合的评测能力：静态评测聚焦数据集的完整性、标注一致性以及模型的基础性能指标；动态评测则是在实际业务环境中持续跟踪模型表现，并将误差反馈至数据治理环节，形成“评测—优化—提升—再评测”的闭环。只有让数据质量与模型性能互相“拉着跑”，才能实现螺旋式上升。
二是建设“模数共振”协同创新载体。单打独斗很难打通数据、模型、应用全链条。要鼓励算力企业、模型企业、数据服务商、应用开发商组建“创新联合体”，围绕特定行业共建“模数共振”空间。这类空间既是一个物理或虚拟的协作平台，汇聚行业数据资源、模型研发工具、测试环境与应用解决方案；也是一个制度创新试验田，探索数据可信流通、收益分配、知识产权保护等规则。通过“空间+联合体”的模式，大幅降低中小企业参与“模数共振”的门槛，形成“大手牵小手”的产业生态。
三是完善人才培养与标准配套。“模数共振”需要既懂行业业务，又懂数据治理，还能理解模型原理的复合型人才。当前这类人才极为稀缺。建议通过专项培训计划、产教融合实训基地等方式，构建“高校培养+企业实训+在职培训”的多层次人才体系。同时，鼓励行业协会、龙头企业牵头制定“模数共振”相关标准，涵盖数据分级分类、模型评测规范、接口协议等，为跨企业、跨行业协同提供通用语言。
文章来源：中国工业报公众号
