4月28日，工信部与国家数据局联合启动2026年“模数共振”行动，圈定钢铁、石化、汽车、航空航天、医疗装备、电子元器件、消费电子、家居、医药，以及丝绸、陶瓷等20个重点行业。
行动的核心目标：推动行业大模型与工业数据深度融合，形成“数据—模型—场景应用”的良性循环。
这不是一次单纯的技术升级，而是产业落地逻辑的调整——从侧重算力和参数比拼，转向数据、模型、场景三者的协同推进。
01
三个关键词解读政策
“模”：行业大模型、专属AI智能体。
“数”：各行业沉淀的生产数据、业务数据、工艺数据。
“共振”：让数据和模型在实际业务中相互适配、相互增强。
政策设定了明确的量化指标：
每个行业至少形成5个通识高质量数据集
每个行业至少挖掘30个高价值细分场景
每个行业至少打造1个行业模型
TalkingData快评
过去不少制造企业对AI存在“不敢用、不会用、用不起”的顾虑。
此次政策将“数据-模型-场景”拆解为可量化任务，相当于提供了清晰的操作框架。其中“通识数据集+专识数据集”的双层设计，兼顾了行业共性和企业个性。
02
20个行业的受益差异
选取的20个行业，按特点可分为三类：
1、数据基础好的规上企业。
钢铁、石化等流程型行业，传感器数据完备，缺的是能读懂数据的模型。
2、场景丰富、痛点明确的离散制造业。
汽车、工业母机等，工序复杂、质量要求高，AI最擅长在复杂系统中找规律。
3、看似传统、实则潜力巨大的特色行业。
丝绸、陶瓷等传统工艺，过去离AI较远，但纹样设计、工艺传承等环节恰恰是AI图像生成与知识图谱可以大展拳脚的蓝海。
TalkingData快评
我们注意到，这次“历史经典”被单独列出，释放了一个重要信号——AI+制造的视野不再局限于“高精尖”，也正在关注“老手艺”。
这些行业的核心资产往往是老师傅的经验和纹样知识。若能将其转化为数据集和模型，不仅是产业升级，也是文化遗产的数字化保存。
03
七项重点任务：
一条完整链条
通知部署了七项重点任务，环环相扣：
数据筑基：每个行业至少5个通识数据集、30个场景专识数据集。数据须经标注、清洗、知识工程处理。
模型攻关：研发行业模型和专用智能体。智能体具备自主规划与执行能力。
评测闭环：构建特色化评测数据集，形成“评测—优化—提升”的迭代机制。
空间载体：每个省级地区打造至少3个“模数共振”空间，集成数据汇聚、模型训练、安全合规。建立“数据安全屋”，实现“可用不可取”。
联合体攻关：每个行业至少组建1个创新联合体，算力、算法、数据、应用企业协同。
生态配套：通过“深度行”推广成果，“揭榜挂帅”激发创新，“标准行”规范秩序。
城市示范：有条件省份选择不超过3个城市先行先试，成熟后推广。
TalkingData快评
这七项任务构成完整价值链条：
数据是基础，模型是引擎，场景是出口，评测是质检，空间和联合体是实施主体，城市示范是推广路径。“可用不可取”的数据共享机制，精准回应了企业对数据安全的核心关切。
04
先行者已经探路
在政策出台前，部分地方和企业已开展探索
这些案例显示，AI在工业落地的主要瓶颈往往不是技术能力，而是行业知识与数据机制的匹配度。“模数共振”行动正是从国家层面为打通这一瓶颈提供制度支持。
此次行动的标志性意义在于：政策视角从“模型中心”转向“数据-模型-场景”三方协同。数据不再是模型的被动燃料，模型也不再是数据的终点——两者在真实生产场景中相互验证、相互迭代。
通过数据集建设、评测机制、共振空间、联合体、城市示范等组合措施，政策意在构建一个可持续进化的产业生态。
2026年，“模数共振”已启动。后续值得关注的核心问题是：数据和模型能否在实际车间中实现有效协同。我们将持续追踪。
您所在的行业，数据基础如何？“模数共振”落地的最大难点在哪里？
欢迎评论区聊聊。
免责声明：
本文基于工信部、国家数据局公开发布的《关于联合实施2026年“模数共振”行动的通知》及官方解读材料撰写。文中数据、指标与任务安排均源于官方文件，分析观点为基于实践经验的独立判断。政策的具体推进节奏与落地成效，以各地、各行业实际执行情况为准。
END
关注TalkingData，获取更多数据洞察与行业分析。
高质量数据集是未来AI 发展的支撐。
为人工智能提供所需的一切数据
Delivering Comprehensive AI Data for All Industries.
#Data AI# #万亿数据要素市场#
推荐阅读：
TalkingData
用数据优化决策、加速转型
欢迎关注分享
