聚焦前沿 赋能决策
中茗汇产业研究
2026年11月10日，自然资源部、国家发展改革委联合印发《关于“人工智能+自然资源”的实施意见》（自然资发〔2026〕150号）。
文件的目标写得非常具体：到2028年，建成时空地理信息、国土空间规划与治理、海洋、地质矿产、林业草原五大重点方向的高质量数据集、大模型和智能体，“一张图”智能化水平全面提升；到2030年，人工智能深度融入自然资源管理全链条，数智化治理水平总体达到国际领先。
这不是一份“鼓励AI+自然资源”的原则性文件。它的推进逻辑，可以用八个字概括：中试平台建能力，应用场景出效果。 两条线同时铺开，指向的是同一件事——把AI从“演示工具”变成自然资源管理的“日常基础设施”。
五座中试平台：把“算力、模型、场景验证”打包成行业公共品
《实施意见》首先部署了五个方向的人工智能中试平台，定位是“集算力供给、模型训练、算法迭代、场景验证和生态构建于一体的共性服务体系”。
这五个平台，对应自然资源管理的五条核心业务线，每一条都指向一个具体的产业命题。
时空地理信息方向，目标是“构建自然资源领域统一的时空智能感知底座”，“推动时空智能规模化商业化应用，孵化培育领先的时空智能企业和产业集群”。这是整个AI+自然资源的“感知层”——没有统一的时空底座，国土规划、地质找矿、耕地监测都缺乏共同的数据参照系。
国土空间规划与治理方向，聚焦“规划全生命周期管理、自然资源资产价值提升和城市精细化管理”，推动“空间智能相关技术创新应用和成果转化”。这是“决策层”——让规划从“画图”变成“可计算、可推演、可预警”的智能流程。
地质矿产方向，聚焦“战略性矿产资源探、采、选三大环节”，推动“智能地质勘查装备、AI找矿模型、智慧开发体系”向现实生产力转化。这是“资源安全层”——在深部找矿难度越来越大的背景下，算法正在成为勘探队的“第二双眼睛”。
海洋方向，要求“建立全链条国产化海洋人工智能技术底座”。林业草原方向，聚焦自然保护地体系、森林草原火灾预防和现代化国有林场建设。
五个中试平台的共同特征，是“公共品”属性：算力、模型、验证环境由平台集中供给，企业不需要从零搭建一套AI基础设施，就能在真实场景中测试和迭代自己的产品。这解决的是AI落地自然资源领域最现实的门槛——单个项目的AI投入产出比算不过来，只有把基础设施公共化，规模化的商业闭环才成立。
效率提升不是“百分比”，是“数量级”
政策的第二部分是 “加快应用场景示范” ，覆盖“天空地海网”一体化监测监管、国土空间规划与治理、地质矿产、海洋、林草等多个方向。而已经落地的案例，给出的效率提升幅度远超一般意义上的“优化”。
在国土空间规划与审批端，广西国土规划集团的“报批通”智能体，整合土地利用现状、规划、永久基本农田、生态保护红线、林地保护等多源数据，归集政策法规和历史案例建立专业知识库，围绕政策咨询、智慧选址、林地分析、征地风险评估开发专项智能体。过去需要数周反复打磨的报批材料，现在数个工作日即可成形。苏州相城区的“规则+AI”智能审查体系，一键生成空间冲突分析报告，空间分析效率提升90%，有效避免了“同案不同审”。安徽滁州的“一张图”系统，单项目用地审查效率提升68%，审查时间从2.5个工作日压缩至0.8个工作日。
在地质找矿端，变化更为根本。自然资源部在2026中国国际矿业大会上发布的 “智能填图” 系统，将地质体识别精度做到总体超过90%，数据处理与编图效率较传统方法提升50%以上，已在青海、西藏、新疆等省区试用，并在摩洛哥、沙特、秘鲁等国家推广应用。四川发布的“矿山大模型”集群中，岩矿鉴定多模态大模型可智能识别超40类矿石矿物，自动生成鉴定报告；智能钻探决策系统可缩短大型矿产勘查周期60%以上，降低成本超20%。其“人工智能找矿平台”完成全国首份省级AI找矿区划，圈定36处找矿预测区，平台智选的勘查区块成交溢价率高达1572.22%，累计实现财政收益8415万元。
在耕地保护端，安徽构建“卫星遥感+无人机+高塔视频”的三层监测体系，实现耕地变化“早发现、早预警、早处置”。黑龙江五常依托AI解译对全域耕地开展常态化动态监测，推动问题发现从 “人找问题”转向“问题找人”。湖南在90多万亩永久基本农田核查中引入“五问”大模型，对全域图斑开展全覆盖智能识别，自动完成地块现状甄别、合规性研判和空间匹配分析。
这些数字的共同指向是：AI在自然资源领域的价值，不是“把一件事做快10%”，而是把“数周”变成“数日”、把“人找问题”变成“问题找人”、把“人工判读”变成“算法洞见”。 当效率提升达到数量级，它改变的就不只是工作方式，而是整个行业的产能边界。
产业拉动：四条最清晰的受益链条
第一条：时空地理信息与测绘地理信息的智能化升级。 政策明确要“孵化培育领先的时空智能企业和产业集群”。测绘地理信息企业、遥感数据服务商、空间数据治理服务商，是“统一时空智能感知底座”建设的第一批承接方。谁能把多源、多尺度、多时相的时空数据整合成可被AI调用的“底座”，谁就掌握了整个AI+自然资源的入口。
第二条：行业大模型与智能体开发。 五大方向各自需要“高质量数据集、大模型和智能体”。广西“报批通”、四川“矿山大模型”、苏州“规则+AI”审查体系、商汤参与的上海量子城市智能体——这些案例说明，垂直场景的智能体开发正在从“定制项目”走向“可复用的产品”。能够把自然资源业务逻辑封装成标准化智能体的团队，将获得跨区域复制的能力。
第三条：智能装备与边缘AI。 地质矿产方向明确要求“智能地质勘查装备”。AI找矿不仅需要算法，还需要能搭载算法的钻探设备、传感器、边缘计算单元。算法效率的提升，会倒逼硬件装备的同步升级——能跑AI模型的勘探设备，和只能采集数据的设备，是两个不同的市场。
第四条：数据治理与合规服务。 高质量数据集是五大中试平台的共同基础。地质数据涉及多源异构的物探、化探、遥感、钻探资料，数据治理的复杂度和合规要求都很高。数据清洗、标注、标准化、安全流通的服务需求，会随着中试平台的铺开而系统性地释放出来。
数据底座是“慢变量”
政策的方向和场景的效率数据都是清晰的，但AI在自然资源领域的规模化落地，有一个绕不过去的“慢变量”：数据底座的质量，决定了模型能力的天花板。
中国地质学会在推进AI找矿时给出的判断很直接：“首要任务是补齐地质数据底座，把海量异构的地质、物探、化探、遥感、钻探等资料完成数字化整合，只有高质量数据集作为依托，智能算法才能落地服务深部找矿、灾害防控”。
这意味着，五大中试平台的建设节奏，不会完全由算法迭代的速度决定，而会受制于数据整合的深度和广度。 一个地区的AI找矿模型能不能跑出效果，取决于这个地区几十年积累的地质资料是否被数字化、标准化、可计算化。算法可以快速迭代，数据底座只能逐层夯实。
结语
从“智能填图”在地质体识别上做到90%以上的精度，到“报批通”把数周的审批材料压缩到数日，再到AI找矿平台智选区块超过1500%的溢价率——“人工智能+自然资源”已经走过了“能不能用”的阶段，进入了“用起来能改变什么”的阶段。
政策的落点很清晰：五座中试平台解决“能力从哪来”，多场景示范解决“效果在哪验证”。 当算力、模型和验证环境被公共化，当真实场景的效率数据被逐一跑出来，AI在自然资源领域的角色，就从“锦上添花的工具”变成了“重新定义产能边界的基础设施”。
而这场深度融合最深远的影响，可能不在某一个具体的审批提速或找矿突破上，而在于自然资源管理从“经验驱动”走向“数据驱动”的底层范式切换。当每一张规划图、每一次审批、每一轮勘探背后，都有一套持续学习和迭代的智能系统在支撑，“数智化治理”就不再是一个目标，而是一种日常。
