川观智库研究员 黄爱林

前不久结束的2026世界人工智能大会上，工业和信息化部有关负责人表示，将加强人工智能科技创新和产业创新深度融合，实施“模数共振”行动，推动算力、算法、数据协同攻关。今年4月，工信部、国家数据局联合启动2026年“模数共振”行动，推动人工智能模型与数据资源协同互促、同频共振，进而形成“行业模型赋能应用实践、应用实践产生场景数据、场景数据优化行业模型”的良性飞轮。

继“智改数转”之后，“模数共振”被视为制造业迈向智能化的“下半场”。模数共振与智改数转是什么关系？四川该如何切入？围绕这些问题，川观智库邀请业内人士和专家展开讨论。

圆桌专家

徐苗苗　赛迪四川数据要素研究中心主任

丁国富　西南交通大学数字化制造创新研究中心主任

黄国文　四川智改数转数据赋能中心有限公司总经理

刘晓晓　四川省人工智能研究院技术总监

驱动逻辑彻底转变

模数共振是解决“从有到优”的决策智能化问题

●智改数转是“有什么用什么”的供给驱动，模数共振是“要什么产什么”的需求驱动。

●企业智改数转水平需至少达到L3层级，即实现生产、设备、财务、质量等全链路数据贯通，方可支撑模数共振的规模化落地。

川观智库：模数共振和智改数转是什么关系？前者是后者的“升级版”吗？

徐苗苗：不能简单理解为“升级版”。两者更像是从“修路”到“跑车”的关系，而不是同一赛道上的代际更替。智改数转解决的是企业信息化和数字化基础设施的“从无到有”——让机器能联网、数据能采集、流程能线上化。模数共振在此基础上，让数据和模型之间形成“以模引数、用数赋能”的闭环迭代。如果说智改数转是给工厂安装“感官神经”，那么模数共振则是为其构建“数字大脑”与“智能反射弧”。

黄国文：两者是强依托关系。智改数转的成熟度直接决定模数共振的落地可行性，模数共振不可能绕开智改数转直接落地，因为任何智能体的有效运行，都离不开对应环节的基础数据支撑。若一定要设定量化门槛，企业智改数转水平需至少达到L3层级（据《四川省制造业智能化改造数字化转型评价指标体系（2025年版）》，即实现生产、设备、财务、质量等全链路数据贯通）方可支撑模数共振的规模化落地。

川观智库：模数共振和智改数转要解决的底层问题一样吗？

丁国富：智改数转解决制造业数字化基础建设问题，通过部署MES、ERP等系统实现业务线上化，完成初步的数据互联互通。模数共振的核心是推动大、中、小各类AI模型与制造生产环节深度耦合，解决“数据如何用、模型如何与业务协同”的问题，释放深度耦合后的倍增价值。

黄国文：智改数转的核心在于业务数字化，解决的是管理及生产环节“从无到有”的问题，例如将产线纸质单据转化为信息系统，使管理者能直观看到产量、良率等数据，但决策仍需人工完成。而模数共振则更进一步解决“从有到优”的决策智能化问题，比如排产智能体可直接生成决策预案，管理者仅需审核其准确性便可快速执行。

徐苗苗：是的，智改数转是解决产线自动化、管理信息化、流程数字化；模数共振要解决“数据能不能变成决策、模型能不能读懂工业”的问题。

但二者最本质的区别在于驱动逻辑彻底转换，智改数转是“有什么用什么”，企业有什么数据、系统，就基于这些去改造；模数共振是“要什么产什么”，以模型训练需求和场景化应用为牵引，倒逼数据治理升级。前者是供给驱动，后者是需求驱动。前者是“建好了再想怎么用”，后者是“想好了要什么再建”。

破解数据与成本瓶颈

建立实效导向的落地评价标准

●全产业链数据打通属于伪命题，无企业愿意共享工艺、成本等核心数据。

●评判“真共振”，以智能体实际调用次数、Token消耗量及对应业务环节的提效数据为核心指标。

川观智库：智改数转过程中暴露出的数据问题，会成为模数共振的“拦路虎”吗？

徐苗苗：模数共振的政策设计恰恰是以解决数据问题为靶心的，它不是先修数据再找模型，而是用模型需求倒逼数据治理，不仅要求数据通，还要求数据精，能更有效地推动企业打通数据。

对于数据基础薄弱的企业，可从三个方面降低“爬坡”成本：借力行业通识数据集，让企业不必从零积累；依托模数共振空间等公共平台，实现“数据不出院、可用不可见”，让数据高效流通起来；从高价值小场景切入，先跑通一个闭环再扩展。

刘晓晓：数据问题仍很关键。传统智改数转需人工完成全量数据结构化、定义业务流程，而模数共振可依托大模型直接适配非结构化数据，降低时间和人工成本。更重要的是，模数共振落地过程会倒逼企业梳理、激活沉睡的数字资产。

黄国文：要看企业需求。单点环节智能体不受数据孤岛限制，可独立完成落地部署。但如果企业想要实现全流程排产、全局经营分析等智能体落地，需要更高水平的内部数据打通。需要指出的是，全产业链数据打通属于伪命题，除供应链供需、备品备件等可公开数据维度外，无企业愿意共享工艺、成本等核心数据。

川观智库：成本压力是否将同样传导至模数共振行动，困扰中小企业？

黄国文：传统智改数转成本高，主要来自企业的认知教育、自建服务器与运维等成本。模数共振可从三个层面压缩成本，服务商侧，面向制造业非标定制化的需求，采用低代码+ AI工具的轻交付体系，同一团队可同时服务多家企业，交付成本极大压缩；政府侧，可搭建公共服务平台，整合算力与存储资源，企业无需自建服务器、专职运维；智能体部署方面，算法模型可跨企业复用，仅需针对不同企业的工艺、流程做参数调整，无需从零开发。四川智改数转数据赋能中心的一个定位就是支撑中小企业数字化转型，目前我们基于中国雅云的存算资源，已经发布了可以自学习、自适应的“第二厂长”工业级通用智能体，解决智能排产、工艺优化、质检及设备运维等问题，正在构建模型即服务平台服务模式，所以我认为成本不会是最大问题。

刘晓晓：当前我们模数共振服务的客户确实以头部企业为主，但我认为并非由成本造成，而主要是因为中小企业整体接受进度偏慢。当前，国内主流云厂商均在推出低代码、智能体搭建类工具，叠加大模型技术持续迭代，中小企业的落地门槛已大幅降低。长远来看，Token价格也会越来越便宜。

徐苗苗：模数共振刚推开阶段，成本一定程度上会影响中小企业积极性，关键要帮他们算清几笔账：第一笔是共享账。中小企业不需要自己训练大模型，而是通过行业通识数据集和行业模型获得“共性底座”，基础设施投入由政府和行业龙头分担；第二笔是政策账。国家已启动普惠算力赋能中小企业专项行动，各地在建设综合性大模型公共服务平台，提供普惠化技术支撑，中小企业可以通过加入联合体、接入公共平台等方式参与共振，无需单打独斗。

川观智库：判断模数共振“真共振”的标准是什么？

徐苗苗：我概括为“三个必须”：第一，必须看模型在真实产线上的调用次数和频率。一个模型如果上线后没人调用、调用量逐月下降，说明它没真正嵌入业务流程。第二，必须看数据闭环是否形成。如果只有数据到模型的单向流动，没有模型到数据的反向优化，就不是真共振。第三，必须看业务指标的实质性改善。如良品率是否提升、能耗是否下降、排程效率是否提高、设备故障预测准确率是否达标。如果企业只是拿大模型做内部知识问答或生成几份报告，这只能算“浅层应用”。真正的共振必须让模型深度嵌入核心工艺、让数据驱动决策。模型得“干活”，不能只“聊天”。

黄国文：全行业目前缺乏成熟的模数共振统一标准。在过渡期内，评判“真共振”应立足实效。建议以智能体实际调用次数、Token消耗量及对应业务环节的提效数据为核心指标，以此构建客观、可信的评估闭环。

需警惕形式化风险

以高价值场景为牵引，打造示范标杆

●可以先在龙头企业内跑出参数模型，再面向产业链上下游的中小企业去适配落地。

●四川要做的不是追技术，而是造环境，把门槛降下来，把资金和技术送到真正需要的人手里。

川观智库：四川要规模化推动模数共振，该先建数据共享机制还是先找高价值场景？

徐苗苗：建议双线并行，以高价值场景为牵引、数据共享机制为保障。具体来看：第一步，选场景要“小切口、深穿透”。白酒行业可以从勾调工艺优化、窖池温控预测等环节切入；钒钛钢铁可以从冶炼参数优化、缺陷检测等环节切入。关键是选数据相对可控、投入产出账算得清、最有痛点场景；第二步，用模数共振空间破解共享难题。政策明确鼓励模数共振空间与国家数据基础设施互联互通，实现多主体数据高效可信流通。四川可以依托这一机制，打造行业级模数共振空间，让行业在可信环境下共享数据、共建模型。比如通过密文环境下的多方数据联合训练、区块链保障数据安全等方式，让企业敢共享；第三步，让模型和数据扎到产线里去。关键着力点在于行业Know-How的数字化转译，将“老师傅的绝活”转化为模型能理解的语料和规则，沉淀为高质量数据集，才能真正扎到核心工艺。

黄国文：从场景出发，自下而上做可能会比较容易走通。找到企业真实痛点或高价值场景，让懂工艺的和懂AI的联合攻关。模数共振的落地不应受限于行业数据有没有打通。可以先在龙头企业内跑出参数模型，再面向产业链上下游的中小企业适配落地。

丁国富：脱离场景都是空谈。真正可用的场景往往涉及业务与数据之间深层次的集成与耦合关系，要求颇高。因此，不能泛泛而选，必须以典型高价值场景为牵引，集中打造可复制的示范标杆。对四川而言，建议立足航空航天、轨道交通、电子信息、能源装备等优势产业，寻求突破。

川观智库：有哪些苗头性问题值得警惕？

徐苗苗：一是“重模型轻数据”。有些地方热衷于引进大模型、建算力中心，但在数据治理上投入不足。没有高质量数据，再好的模型也是空中楼阁。二是“重建设轻运营”。模数共振空间建起来了、联合体挂牌了，但如果后续没有持续的运营投入和机制保障，很容易沦为“挂牌工程”。三是“重龙头轻中小”。如果只盯着龙头企业，中小企业就会被晾在一边。四是“重展示轻实效”。这是“盆景化”老问题在新场景下的翻版，四川从一开始就要把能否算清经济账作为项目筛选和验收的硬标准。五是“各自为政、重复建设”。不同行业、不同城市各搞一套标准、各建一套平台，会造成资源浪费和新的数据孤岛。四川需要在省级层面做好统筹规划和标准统一，同时允许各市州、各行业差异化探索。

总之，模数共振是智改数转之后，制造业智能化的关键一跃，但这一跃不能急、不能飘，必须扎根产业、扎根数据、扎根场景。四川有深厚的产业基础和丰富的应用场景，完全有条件在这一轮行动中走在前列。关键是把产业痛点找准、把数据底座夯实、把价值闭环打通。

黄国文：需警惕形式化试点。试点项目须以实绩与付费意愿为硬性标准，避免出现“验收即闲置”。要夯实地基，大力提升区域智改数转水平。地方政府要加强培育本地人才队伍和服务商团队，确保全流程落地与可持续运维；统筹建设人工智能公共服务等相关平台、统筹好地方的存算资源面向区域制造业企业数字化转型提供支撑，系统降低企业转型及模型应用成本。

丁国富：相较于长三角、珠三角地区，四川要做的不是追技术，而是造环境。沿海的中小企业更敢试、敢改、敢投入。如果政策门槛不降、资金渠道不松、创新氛围不热，模数共振很难推动。政策设计要更透明、开放，给中小企业留出试错空间；资源分配要下沉，现在政策红利大多集中在头部企业，中小微企业申报难、够不着。要把门槛降下来，把资金和技术送到真正需要的人手里。

【未经授权，严禁转载！联系电话028-86968276】