4月底，工信部和国家数据局联合发布了"模数共振"行动通知。这个文件明确面向石化化工、钢铁、汽车等20个重点行业，要求每个行业建数据集、训行业模型、打造智能体工厂，核心目标是推动AI赋能新型工业化。
对企业来说，这是一次需要认真对待的政策信号。
但说句不客气的话。大部分石化化工企业的数字化负责人看到这份文件，第一反应是想——"又要做什么项目、报什么材料"。
这种反应没错，但错过了文件里真正要命的信息——它可能是推动石化化工行业工业AI落地和数字化转型最务实的一份操作指南。
这份文件的核心不是"鼓励大家搞工业AI"。它是一份告诉你怎么搞工业AI的操作手册。
而石化化工行业在数字化转型中长期卡住的，恰恰不是想不想搞的问题，是怎么搞的问题。
一、石化化工AI落地现状：不是不想搞，是不知道怎么搞
石化化工行业在工业AI这件事上，有个挺尴尬的处境。一方面智能制造大势所趋、集团有要求、上面在推、同行在动，不做显得落后。但真做了才发现，之前那些工业AI项目产线上用起来的没几个。汇报PPT做得很漂亮，运行一阵就搁置了。
真问题出在两个地方。
一是被供应商推着走——厂商说什么好就上什么，做完发现跟自己的工艺对不上。二是内部想当然——觉得AI就是找开源大模型训练一下，结果数据不能用，模型根本跑不起来。
说白了，不是不想搞工业AI落地，是不知道怎么搞。 而且这个"不知道"，不是某一家的问题，是这个行业的通病。
二、模数共振行动：从数据治理到工业大模型的全链条设计
政策的设计理念很清楚：从数据到模型到场景到智能体，一条线串起来。
七个任务归结起来是一句话：先建数据集，再训行业模型，再找高价值场景做专用智能体，最后形成可复制的东西。
每个环节都给了量化指标：每行业不少于5个高质量数据集、不少于1个行业模型、不少于30个高价值场景、每个场景不少于1个专用模型或特色智能体。
这个框架本身没毛病。问题在于，对石化化工企业来说，这四个环节的难度完全不是一个量级。
三、石化化工AI落地生死线：不是场景不够，是数据治不好
最不缺的是场景。设备预测性维护、工艺参数优化、能效优化、安全巡检、质量预测与软测量——随便数一数就超过30个。我们服务过的石化化工企业，光装置层面的优化需求就能列出一二十个。
场景从来不是瓶颈。
最要命的是数据。这不是说没有数据。相反，石化化工的数据量大得很。DCS系统天天产数据，成千上万个传感器也在跑。但问题出在可用性——数据有，但接口不通。数据有，但质量一塌糊涂。数据有，但没有标准化。数据有，但散布在几十个系统里，格式、粒度、时间戳全对不上。
更要命的是，石化化工行业的数据治理，难度远高于离散制造业。一条生产线的DCS数据涉及温度、压力、流量、液位等上百个测点，数据频率从秒级到分钟级不等，数据缺失、异常值、时间不同步是常态。光是把这些数据清洗对齐变成一个可用的训练集，就不是技术问题，是工程问题。
而且还有一层很多人没想到的：数据有，不等于你能拿到。 石化化工企业里，不同部门之间的数据壁垒、不同系统之间的接口权限、OT网络的安全约束，每一层都是坑。
四、数字化转型三步行动方案：数据盘点、场景评估、模型策略
第一步，盘清楚自己的数据。 这个事别想得太简单，也别想得太复杂。不用全厂普查，但要弄清楚几件事：哪些业务环节的数据已经数字化了？质量能不能用？数据在谁手里、在哪个系统里、接口能不能打通？这件事一到两个月能出初步判断，但别指望两到三周。
第二步，选对场景。 选场景的标准就三条——数据条件好、业务价值高、示范效应强。三个同时满足的是最佳选择。比如一条DCS数据已经稳定运行了两年的产线，用它做工艺参数优化或能效优化，启动成本低、说服力强。但如果一个场景需要花半年整数据，建议先换个方向。
选场景时别忘了产出比的概念。不是一个场景有数据就值得做。 算清楚投入和数据产出，这比单纯讨论场景本身更重要。
第三步，想清楚模型策略。 模数共振把模型分成行业通识模型和专识模型，这其实就是工业大模型落地的两种路径。对石化化工企业来说，如果数据基础一般，最务实的路径确实是从专识模型切入。专识模型针对具体场景微调，投入小、闭环快。
但如果你的数据底子本来就不错，通识模型反而有可能是更快的路子。它的覆盖面广，可能一个模型解决多个场景的问题，省掉反复训练的成本。两种路径没有绝对优劣，关键看你的数据和业务匹配度。
五、从试点到工程：工业AI落地的底层基础设施
数据治理、模型训练、场景验证，三个环节都不轻松。尤其是数据治理——数据在哪个系统里、怎么取、怎么清洗、质量怎么保证，这些是AI项目的生死线。数据搞不定，后面模型再先进都没用。
这正是很多石化化工AI项目止步于试点的根因。AI+制造这件事，缺的不是单点技术，而是一个能把数据采集、存储、清洗、标注、训练、部署、运维全流程打通的工程化底座。每环都要靠人工对接协调，效率低、成本高、不可复制。
这个底座本来就是这个行业需要的——它不是一个产品概念，是AI落地必须有的工程基础设施。像我们自己的HAP工业AI平台走的就是这个方向，数据底座、模型工厂、推理服务三块各管一段。不是说它有多特别，而是只有把数据到模型的链路工程化，AI落地才能从"做试点"变成"做工程"。
模数共振要求每个行业打造不少于1个创新联合体，这个设计是有道理的。AI落地这件事，靠企业自己单干确实吃力——既要懂工艺又要懂数据又要懂模型，这种复合能力市场上极为稀缺。有平台能力的厂商、有行业经验的甲方、有技术积累的机构，三家凑在一起才是完整的拼图。
六、写在最后
模数共振给了一套从数据到模型的方法论。但方法论归方法论，每个企业能走到哪一步，取决于自己的数据基础和组织能力。
政策给了方向，但路要自己走。
对于石化化工企业的数字化负责人来说，现在最该做的不是急着找供应商、上系统，而是先回答一个问题：我的企业，数据基础到底在哪个阶段？
你的数据在什么位置，你就知道下一步往哪走了。