“模数共振”打造智能经济新形态

2026年政府工作报告明确提出“打造智能经济新形态”，标志着我国人工智能产业发展进入全新阶段。这一表述既是从“互联网+”到“人工智能+”的政策演进，也回应了大模型技术快速迭代带来的产业变革机遇。大模型技术体系的成熟，为人工智能向千行百业渗透落地筑牢技术底座，但技术能力的跃升并不天然等同于产业价值释放。人工智能真正扎根实体经济，依然面临高质量行业数据供给短缺、企业内部工程化能力不足、组织业务流程适配滞后等多重现实阻碍。在此背景下，工信部联合多部委推出“模数共振”专项行动，推动数据与模型双向赋能、循环迭代，成为撬动智能经济规模化落地的关键抓手。

01智能经济：从能力跃迁到规模落地

我国人工智能发展已经形成完备的顶层政策布局。“十五五”规划纲要、“人工智能+”行动等顶层文件勾勒出人工智能发展的整体框架，工业、通信、医疗、教育等领域相继出台配套实施方案，人工智能治理体系持续完善，政策体系覆盖顶层设计、行业落地、风险治理等多个维度。产业层面，人工智能产业保持高速扩张态势，中国信息通信研究院测算显示，2025年我国人工智能核心产业规模达到1.2万亿元；2026年上半年产业延续高增长态势，全年增速预计超过30%。市场主体同样保持高度活跃，2026年一季度国内人工智能相关市场主体已超过6300家，大量不同领域的市场主体涌入赛道，面向各垂直行业提供智能化服务。

技术层面，国内开源大模型已经跻身全球第一梯队，不过与国际顶尖闭源模型之间仍存在客观差距，但二者的差距正在持续收窄。国内开源模型的能力突破呈现出清晰的节点特征，2025年春节前后DeepSeek-R1实现重要技术突破，大幅缩小国内开源模型与海外顶尖闭源模型的性能鸿沟；今年Kimi-K3的迭代升级，进一步拉近了国内外模型的能力距离，但全球大模型领域的技术竞争仍将持续演进。

展望未来，大模型的技术演进将并行两条发展主线。一条是通用能力持续提升，模型参数规模扩张、多模态能力拓展、运行效率持续优化，伴随各行业海量业务需求与多元数据不断涌现，模型的综合基础能力将持续变强。另一条则面向产业落地场景做能力内化，对于广大实体企业而言，模型的通用性能上限并非首要诉求，能否适配真实业务才是核心关切。面向行业落地，大模型将持续强化长上下文理解、输出安全可控、降低幻觉问题等实用能力，把产业场景的现实约束嵌入模型底层能力，实现从“能力强大”向“能用好用”转变。

但必须清醒认识到，模型性能提升不等于产业应用成功。即便拥有高性能大模型，企业实现人工智能落地，仍要跨过三道现实门槛。

第一道门槛是企业内部AI工程化体系建设。模型、工具不等于业务解决方案，企业需要搭建适配自身业务实际的工程化体系，完成模型调用、工具编排、应用封装等一系列工程化工作，将AI能力对接至现有业务链条，这是技术落地的基础载体。

第二道门槛是企业内部数据体系的AI化改造。算力、模型、工具都可以通过市场化采购获得，但企业沉淀的行业专属核心数据，是外部主体无法复制的核心资产。很多企业坐拥海量业务数据，却存在数据分散、标准不一、难以互通的问题。想要释放数据价值，就必须完成内部数据融合治理，对存量数据做面向人工智能应用的改造，把沉睡的业务数据转化为可被模型消费的有效数据资源。

第三道是组织与业务流程的重构，也是最容易被忽视的门槛。不少行业管理者存在认知误区，认为只要采购模型、集齐数据，人工智能就可以自动产生业务价值。现实中，AI落地必然伴随组织模式变革，一线岗位将逐步进入人机协同的工作模式，人员能力、业务流程、管理制度都需要适配新的生产模式。缺少组织层面的配套变革，再好的模型与数据，也难以转化为实际生产力。

工程体系、数据底座、组织流程三者缺一不可，共同构成人工智能产业落地的完整前提，这也是当前智能经济发展必须直面的现实鸿沟。

02“模数共振”：政策逻辑与实施重点

针对AI落地过程中的堵点，我国推出“模数共振”系列行动，打通数据与模型双向循环。早在2025年12月，工信部联合八部委启动“人工智能+制造”专项行动，就已经预埋“模数共振”的核心思路，明确提出“以模引数”“用数赋模”两大导向，核心目标就是推动高价值数据向生产一线流动。2026年4月，工信部与国家数据局联合实施2026年“模数共振”行动，进一步细化任务清单、明确工作路径，正式将“模数共振”从理念转化为可落地执行的专项工作。

“模数共振”直面两大核心现实问题。第一是高质量行业数据供给不足。高质量数据是驱动模型迭代进化的核心燃料，我国数据资源总量庞大，但大量高价值行业数据分散沉淀在各个主体内部，缺少流通复用的渠道，难以形成可供模型训练使用的高质量数据集。第二是企业数据资源向模型转化的链路不通畅。一方面模型训练、微调存在较高成本门槛；另一方面大量企业业务数据在格式标准、工程化处理上并不适配AI的使用要求，手握数据却无法赋能模型迭代。

“以模引数”和“用数赋模”正是破解上述难题的核心逻辑。“以模引数”依靠模型应用带来的业务价值，牵引真实业务场景中的高价值数据向AI体系汇聚；“用数赋模”把生产一线沉淀的场景数据反哺输入模型，持续迭代优化模型的行业适配能力，实现“模型驱动数据汇聚，数据滋养模型进化”的双向闭环。

“人工智能+制造”专项行动明确七大重点任务：构建行业通识数据集，打造行业模型；梳理高价值场景，构建行业专识数据集，打造特色智能体；建立健全评测数据集，完善模型评测机制；创建“模数共振”空间，探索协同机制；打造“模数共振”创新联合体，构建全栈方案；完善生态配套，加强关键要素保障；确定“重点城市”打造标杆。工信部将会同国家数据局组织对整体实施情况进行评估，发布行动完成名单和城市，梳理总结高价值场景、行业模型、专用智能体、高质量数据集、“模数共振”空间、“模数共振”创新联合体等系列工作成果，为各行各业人工智能落地提供参考。

03产业闭环：场景牵引构建数据飞轮

“模数共振”的价值落地，离不开高质量数据集、高效能行业模型、高价值业务场景三大核心要素。三者不能孤立建设，唯有打通相互之间的链路，形成循环迭代的数据飞轮，才能充分释放数据与模型的产业价值。

高价值场景是整个飞轮的起点。浙江等地已经先行开展大量场景探索实践。行业的共识已经从“要不要做AI”转向“做什么样的AI”，挖掘找准高价值场景成为产业实践的首要命题。筛选高价值场景，首先锚定企业核心业务目标，梳理拆解全业务流程，在流程节点中识别智能化改造机会。服务端、管理端已经沉淀大量可直接复用的成熟场景；而研发、生产制造环节，还有大量具备巨大潜力的待挖掘场景。场景的定义不能由技术人员单方面完成，必须业务人员与技术人员协同研判，兼顾业务诉求、技术可行性、投入产出，跑通业务与技术的融合路径，沉淀业务知识与数据，才能真正完成AI场景的落地。

场景落地之后，数据成为连接场景与模型的中间载体。随着大模型与智能体的普及，产业对数据的数量、类型、质量都提出更高要求。除传统图像、音视频数据之外，时序数据、点云等多模态工业数据需求快速增长，多模态数据处理能力成为基础能力。互联网公开数据已经被充分用于基础大模型训练，但扎根业务一线的行业专业数据，与模型的结合程度仍然不足，这正是千行百业智能化转型的突破口，也是企业获取AI红利的关键抓手，行业专业数据的价值将持续凸显。

智能体的兴起，进一步拓展了数据的边界，成为整个链路中的关键变量。传统模式下，数据经过处理输入模型训练，模型输出结果形成应用；而智能体具备自主执行能力，能够深度介入业务流程，它的每一步运行都需要数据支撑，数据不再仅仅用于前期训练，在运行过程中持续产生、消耗、沉淀各类新数据。

中国信通院分析认为，支撑智能体运行的数据主要分为四类。其一是环境状态数据，用于智能体感知所处业务环境；其二是任务与流程数据，将业务技能沉淀固化为稳定工作流；其三是工具与接口调用数据，智能体通过调用外部工具、接口，突破模型本身能力边界，实现复杂业务操作；其四是知识与反馈数据，业务运行中产生的反馈信息回流，驱动智能体实现自循环迭代，持续优化自身能力。业内很多先进的模型，如Kimi和MiniMax都是自循环、自迭代的方式，获取大量知识反馈数据，通过模型将数据反哺至模型后，进一步提升自己的能力。

数据形态的复杂化，倒逼企业数据底座迭代升级。传统BI体系以结构化数据为主，而面向智能体的业务体系，需要处理大规模、非结构化、多模态、高实时性的数据，多模态存储、高效处理、向量数据库等能力成为必备底座。与此同时，企业内部的隐性知识价值愈发凸显。过往RAG技术侧重文档检索与知识库挂载，而如今本体、实体交互等新思路兴起，企业系统架构、数据关联关系、业务交互逻辑等隐性知识，转化为智能体运行的上下文，打通企业知识向模型、智能体流转的全新链路。

智能体多轮调用、反复取数执行任务的运行模式，也带来数据治理的全新挑战。传统数据治理以人员访问权限管控为核心，而智能体可以自主访问海量数据，访问范围、访问频次大幅提升。如何管控智能体的数据访问权限，对智能体的数据获取行为、输出行为开展全过程监督审计，成为数据治理领域的全新命题，治理的边界与复杂度显著提升。

04制造业转型观察：AI走向生产核心环节

制造业是“模数共振”的重要试验场。从2024到2026年上半年的跟踪调研能够看到AI在制造业的应用结构正在发生深刻变化。2024—2025年，制造业AI应用大多集中于运营管理环节，研发环节占比有限，整体偏向后端业务。进入2026年，生产制造环节的AI应用占比实现明显提升，研发、生产、运营三端的应用占比逐步走向均衡，人工智能正在加速渗透制造业的核心业务环节，成为智能制造释放价值的关键方向。

办公运营类场景已经出现成熟通用智能体，豆包、WorkBuddy等通用智能体可以较好满足办公管理类需求。但是研发设计、生产制造等核心业务链条，涉及企业独有的工艺、流程、数据，无法依靠通用智能体直接解决问题，需要企业结合自身资源开展定制化建设，这既是产业实践的难点，也是未来产业发展的主要方向。

回望整个产业演进，数据的角色正在发生根本性转变。过去数据主要承担业务支撑、辅助决策洞察的作用；随着大模型普及，数据承担起喂养模型、构筑智能基座的职能；迈向智能原生时代，数据与智能将深度耦合共生，智能体的迭代进化高度依赖源源不断的高质量数据供给。“模数共振”正是抓住数据与模型双向互动的底层逻辑，打通从场景、数据到模型、智能体的闭环，推动智能经济从概念走向实实在在的产业价值。

本文原载《信息化建设》2026 年第 9 期，经作者授权发布。

根据作者在浙江省“十链百场万企”系列对接活动之“AI+制造”专场活动上的演讲整理。