模数共振是什么？20 个制造业重点行业的数据底座建设路径

模数共振不是一套新软件，也不是一句技术口号。工业和信息化部办公厅、国家数据局综合司在2026年4月印发的通知中，核心指向是推动人工智能模型与数据资源协同互促、同频共振。落到制造业，就是让行业模型赋能应用实践，应用实践产生场景数据，场景数据再优化行业模型。到2026年底，这个循环要在20个制造业重点行业或领域基本形成。

对制造企业来说，真正难的不是买一个模型，而是让数据变成模型可调用、场景可复用、结果可验证的底座。国家数据局发布的2025年全国数据资源调查报告显示，2025年全国数据生产总量达到52.26泽字节，同比增长27.28%，但结构化数据存储量只占22.13%。同年用于人工智能训练和推理的数据总量为199.48艾字节，同比增长42.86%。数据很多，能直接拿来训练和推理的并不多。模数共振的第一道门槛，不在算法，而在数据供给质量。这也是数据平台在人工智能阶段必须重新回答的问题。

一、模数共振是什么？先看一条能转起来的飞轮

用一句话说，模数共振是以高价值场景为牵引，把行业数据加工成高质量数据集，再训练行业模型或专用智能体，让应用产生的新数据回流，继续优化模型。数据供给模型，模型服务场景，场景反哺数据，三者同频，才叫共振。

这条飞轮有三个关键接口。数据要能跨主体汇聚，还要能追溯来源和使用边界。模型要懂行业机理，不是通用大模型换个名字。场景要能规模化复制，不能停在演示阶段。

政策把这三个接口拆成了可验收的动作。每个省级地区至少选择3个重点行业，每家央企至少选择1个。每个行业梳理不少于5个通识高质量数据集，研发不少于1个行业模型，落地不少于5个应用案例。每个行业凝练不少于30个高价值场景，每个场景至少构建1个专识数据集，打造1个专用模型或特色智能体，落地不少于3个案例。每个省级地区打造不少于3个模数共振空间，每家央企不少于1个。每个重点行业打造不少于1个创新联合体。

通知部署了7项任务，可以归为三件事，建数据集和模型，建空间和联合体，补评测和生态。

二、为什么数据底座决定模数共振的上限

数据底座不是数据中台的另一个叫法。它至少包含五层，数据采集、数据治理、语义与指标、模型与智能体、场景应用。少一层，飞轮就转不顺。

采集层要把设备、系统、图纸、试验、供应链和售后的数据接进来。治理层要解决主数据、编码、质量、血缘和权限。语义层要把业务对象、指标口径和行业知识统一起来。模型层要承载行业模型、专用模型、智能体和评测集。场景层要负责应用、反馈和数据回流。

很多企业卡在语义层。系统里有数据，但同一个良率有几种算法，同一台设备有不同的编码，模型拿到数据也不知道对应哪道工序。语义层不做，数据越多，模型越容易学错。统一指标口径 不是报表工作，而是模型能不能用的前提。

报告里还有两个数字值得注意。2025年高质量数据集数量超过11万个，规模超过908拍字节，同比分别增长61.13%和142.58%。全年词元调用量约21100万亿。高质量数据集在快速增长，但相对52.26泽字节的总量仍然是极少数。谁能把行业知识做成可复用的数据集，谁就掌握了模数共振的原料。

中国信息通信研究院副院长魏亮在解读行动时提到，产业需求是出发点和落脚点，要用场景应用持续反哺数据迭代与模型优化，避免技术与场景脱节、数据与应用错位。翻译成企业语言就是，不要先建一个大而全的底座，再去找场景。

三、20个重点行业，先分成四类再谈路径

20个行业的数据基础、工艺知识和监管要求差异很大，照搬一套模板一定失败。更现实的做法是先按数据形态分成四类，再确定底座的最小可用范围。

1、流程型基础工业

钢铁、石化化工、有色金属、建材属于这一类。数据底座的核心是设备时序、工艺参数、质量检测、能耗排放。先把控制系统、生产执行系统、实验室系统的数据按工序打通，建立设备与批次的主数据，再把老师傅的工艺经验变成可检索的知识。优先做炉况稳定、反应优化、电解槽优化、窑炉能耗等场景。这类行业的胜负手是时序数据治理和机理知识沉淀，不是报表数量。

2、离散装备与电子制造

工业母机、汽车、医疗装备、电力装备、船舶、航空航天、电子元器件、消费电子、新型显示属于这一类。数据底座要围绕产品全生命周期展开，把设计、工艺、制造、检验、供应链和运维的数据串起来，建立工程知识库和变更追溯。优先做工艺参数推荐、排产、质量追溯、预测性维护、研发知识问答。这类行业最怕图纸、工艺文件和检验记录散在不同系统，模型无法回答一个零件为什么这样加工。

3、民生消费与生物制造

家居、医药、生物制造、历史经典属于这一类。数据底座以批次追溯、配方版本、渠道反馈和合规文档为核心，打通研发、生产、质检和渠道。优先做柔性定制、配方优化、质量放行、需求洞察。医药和生物制造还要把合规审计要求写进数据模型，不能等模型上线后再补。

4、数字与安全支撑

软件、信息通信、网络安全属于这一类。数据底座的主线是研发和服务流程，要建立代码、配置、工单、告警和漏洞的统一标识。优先做代码生成与审查、运维排障、威胁检测、安全知识问答。这类行业更接近知识工程，重点是把隐性经验变成可调用的技能。

把20个行业放在一张表里，路径会更清楚。

四、数据底座怎么建？五步走

把20个行业放在一起看，建设路径可以归为五步。顺序不能反，尤其是先场景后底座。

1、盘家底，先定一个高价值场景

不要从全量数据目录开始。先选一个能算清投入产出比的场景，再倒推需要哪些数据。盘家底至少写清四件事，产数主体、数据类型、资源规模、更新频率。输出物是一张场景数据清单，不是一份几百页的资产目录。

2、统一口径和主数据

主数据解决你是谁，指标口径解决怎么算。设备、物料、工序、供应商、客户要有唯一标识。良率、能耗、设备综合效率等指标要有唯一算法。这一步做不实，后面的数据集和模型都会返工。

3、先做通识数据集，再做专识数据集

通识数据集解决行业共性问题，专识数据集解决场景特有问题。每行业不少于5个通识数据集，每场景不少于1个专识数据集，是政策给出的最低要求，不是上限。数据集要带版本、来源、标注规则、适用范围和更新机制。没有这些元数据，数据集只是一堆文件。

4、用评测集倒逼模型可用

行业模型不是参数越大越好。要建立面向场景的评测集，把老师傅的判断、历史故障和质检结果变成测试题。模型评测结果要能反向指导数据集优化，形成评测诊断、数据集定向优化、模型能力提升的循环。没有评测集，模型上线只能靠演示效果，无法判断能不能进生产。

5、把空间和联合体用起来

单个企业很难凑齐跨主体数据。模数共振空间解决跨主体数据汇聚、模型协同训练和安全合规应用。创新联合体解决算力、模型、数据和应用开发的分工。对中小企业来说，加入联合体比自己建平台更现实。对龙头企业来说，空间不只是机房，更是一套数据协同和责任划分机制。

这一章的五步路径可以压缩成三张图，分别看底座结构、行业分类和90天启动节奏。

图1 数据底座五层架构，底层负责接入，中间靠治理和语义打通，上层承接模型与场景。

图2 四类行业的数据底座路径，先按数据形态分类，再确定最小可用范围。

图3 90天启动节奏，先跑通一个小闭环，再复制到更多产线和工厂。

五、三个误区，会让数据底座变成新孤岛

1、先建平台再找场景

平台上线了，没人用，最后变成汇报系统。正确顺序是场景、数据、模型、平台。

2、把数据集中当成数据治理

数据都进了湖，口径还是各算各的。集中只解决存放位置，治理才解决可用性。

3、只关注模型，不关注数据回流

应用跑完不留痕，场景数据不回流，模型永远停在第一版。要在应用设计时就埋好反馈点。

六、企业现在能做什么？一份90天启动清单

如果你负责一家制造企业的人工智能项目，可以先做四件事。

第一，选一个场景。质量追溯、能耗优化、设备运维、工艺参数推荐，选一个能算清账的。

第二，定一个数据负责人。场景负责人和数据负责人共同对结果负责。

第三，建一个最小数据集。覆盖关键工序、关键设备和关键质量特性，先求可用，再求全。

第四，做一次评测。用历史数据回放，和老师傅的判断对比，确认模型是否可用。

90天不追求建成大底座，追求跑通一个小闭环。闭环跑通后，再复制到第二条产线、第二个工厂。

这也是ThinkingAI这类企业级智能体平台的价值所在。数据底座解决数据和知识能不能被调用，智能体解决谁来用、怎么用。ThinkingAI已服务全球超1500家企业，接入产品超8000款。其Agentic Engine支持私有化部署，可以把企业数据、指标口径和场景技能组织成可执行的智能体能力。对制造企业来说，重要的不是再买一个工具，而是让数据底座上长出自己的智能体团队。想了解从试点到规模化的节奏，可以参考企业智能体落地路线图。

七、常见问题

1、模数共振和数字化转型有什么区别？

数字化转型范围更大，强调业务、组织、技术整体升级。模数共振更聚焦模型与数据的双向循环，抓手是高质量数据集、行业模型、专用模型或智能体，以及高价值场景。可以把它理解为数字化转型在人工智能阶段的一个专项打法。

2、20个行业必须全部做吗？

不是。政策要求每个省级地区至少选择3个重点行业，每家央企至少选择1个。企业应结合自身产业基础和数据资源选择切入点，不必追求20个行业全覆盖。

3、中小企业没有算力，怎么做模数共振？

优先接入重点城市、模数共振空间或创新联合体，用共享算力和行业模型降低门槛。先从单个高价值场景做起，把场景数据做扎实，比自建大平台更现实。

4、数据底座和数据中台有什么区别？

数据中台更强调数据汇聚、加工和服务，数据底座的范围更宽，除数据平台外，还包括语义与指标、模型与智能体、场景应用和安全流通机制。数据底座的目标是让模型和智能体能够直接调用企业知识。

5、模数共振空间是什么？

它是跨主体数据汇聚、模型协同训练和安全合规应用的载体，包含软硬件基础设施和管理机制。政策鼓励它与国家数据基础设施互联互通，逐步打造成智能体工厂。

6、数据安全怎么保障？

要在数据采集、传输、存储、使用、销毁全流程做权限控制、脱敏、审计和溯源。涉及跨主体数据时，还要明确责任划分和使用边界。私有化部署和可信数据空间是常见选择。

7、多久能看到效果？

以90天为一个小周期，先看场景是否跑通、数据是否可复用、模型判断是否可验证。不要用上线了多少系统衡量，要用场景效率、质量、能耗或响应速度的变化衡量。