国家'模数共振'行动正在重塑AI产业竞争格局。工信部与国家数据局联合出台硬性指标，要求20个重点行业在2026年底前完成数据-模型-场景的闭环建设。这场数据革命直指AI落地最大痛点：高质量行业数据短缺。本文深度解析政策背后的产业逻辑，以及企业如何在这场数据竞赛中找到自己的生态位。

工信部与国家数据局2026年4月联合启动”模数共振”行动，面向20个重点行业，以”数据-模型-场景应用”良性循环为目标。行动带硬性KPI：每行业≥5个通识数据集、≥1个行业模型、≥30个高价值场景；每省≥3个”模数共振空间”；企业可通过数据供给方、场景定义方、加入创新联合体三种方式切入。AI落地的瓶颈已从模型能力转向数据质量。

你的大模型很强大，但它吃的是垃圾数据

有个残酷的事实，很多AI企业不愿意承认。

过去两年，企业砸了几千万甚至上亿训练大模型。算力租了、框架搭了、参数调了、提示词工程也做了——但一到业务场景落地，效果就是不行。生成的内容不准确，行业知识一知半解，决策建议脱离实际。

症结在哪？

换个角度想想：你用全球顶级的烹饪设备，往锅里倒的全是发霉的食材。做出来的菜能好吃吗？

AI行业正在经历同样的困境。算力不缺、算法不差、框架成熟——缺的是高质量的数据。

2026年4月24日，工业和信息化部办公厅、国家数据局综合司联合印发通知，正式启动2026年”模数共振”行动。（来源：工信部官网，工信厅联科函〔2026〕193号）一个多月后的6月3日，国家数据局又印发了《关于推进行业高质量数据集建设行动的实施方案》。

两份文件前后呼应，指向同一个信号：AI的竞争，下一阶段不再是模型之争，而是数据之争。

一、”模数共振”在做什么：不是喊口号，是定KPI

和很多政策文件不同，”模数共振”行动的通知写得非常具体——具体到了每个数字、每条截止日期。

面向钢铁、石化化工、汽车、医疗装备、航空航天、软件、信息通信等20个重点行业，明确了七个重点任务，每个任务都带着硬性数字指标：

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、行业模型应用案例不少于5个。每个行业凝练不少于30个高价值应用场景、每个场景构建不少于1个专识数据集、打造不少于1个专用模型或智能体。每个省级地区打造不少于3个”模数共振”空间、每个央企不少于1个。每行业打造不少于1个”模数共振”创新联合体。

注意这个”不少于”的用词——不是”力争”、不是”推动”、不是”探索”。是有明确下限要求的执行目标。

截止日期同样清晰：2026年5月30日前提交实施方案，8月30日前中期评估，11月30日前总结评估。到2026年底基本形成”数据-模型-场景应用”良性互促循环。

政策文件的措辞往往是”温柔的”。但当一份文件开始定数字、定Deadline——说明它不是在征求意见，是在下任务。

二、为什么是现在：AI在集体”断粮”

“模数共振”不是凭空想出来的，它是对一个真实产业困境的回应。

2025年国务院部署”人工智能+”行动以来，大量企业涌入AI赛道，”+AI”和”AI+”的产业应用遍地开花。但一个普遍的问题是：通用大模型有知识广度、缺乏行业深度。它读过整个互联网上的文本，但不懂某一条生产线的工艺参数；它能写八股公文，但不理解某个行业的质量控制标准。

解决”行业深度”的方法不是把模型做得更大——而是在行业专识数据上做精调训练。而问题恰恰出在这里：大多数行业的专识数据根本不在互联网上。它们在工厂的PLC控制器里、在医院的HIS系统里、在航司的维修工单里——没有标准化、没有标注、没有打通。

这就是”模数共振”要解决的核心问题：把散落在各行业的碎片化知识，转化为可用于AI训练的结构化高质量数据集。

2026年6月9日发布的《行业高质量数据集建设行动方案》提出了三个阶段性目标：到2028年底，建成一批覆盖重点领域的行业高质量数据集，打造一批数据驱动AI创新发展的典型应用场景，培育一批创新型数据企业和专业人才，形成一批工具和标准。（来源：中国经济网，2026-06-09）

三、”模数共振空间”到底是什么：打破数据孤岛的工程学方案

“模数共振”行动中，最具工程创新性的概念是”模数共振空间”。

它不是一个物理空间，而是一套软硬件基础设施+一套管理机制的组合体。核心能力有三层：跨主体数据可信汇聚——不同企业的数据可以在不暴露原始数据的前提下协同使用；模型协同训练——多家企业可以在同一个”空间”里共同训练行业模型，数据不出域、模型可共享；安全合规应用——所有操作可审计、可追溯，满足数据安全和隐私保护要求。

政策鼓励”模数共振空间”与国家数据基础设施互联互通，逐步打造为”智能体工厂”——一个能够批量生产行业智能体的”生产线”。

全国要求每个省份打造不少于3个、每家央企不少于1个。考虑到央企通常总部在北京，这意味着全国至少会落地数百个空间。这不是小范围试点，是规模化部署。

四、企业怎么玩：三条落地切入点

“模数共振”不是只有大央企和龙头企业才能参与的”上层游戏”。不同体量的企业有不同的切入口。

切入点一：做”数据供给方”——把行业专识变成可卖的资产

如果你是一家在某个垂直行业深耕多年的企业——不论大小——你手里很可能有一套别人没有的行业知识体系：工艺参数库、故障案例库、质检标准库、客户画像库。这些东西对别人没有价值，但对AI训练来说是黄金。

你需要做的不是自己训练大模型，而是把这些知识”结构化”——通过数据标注、知识图谱等技术手段，把它变成可被AI使用的行业专识数据集，然后通过”模数共振空间”或数据交易平台提供给模型企业。你卖的是”数据燃料”，不是”AI引擎”。

切入点二：做”场景定义方”——你比技术公司更懂你的行业

“模数共振”要求每行业凝练不少于30个高价值场景。谁最懂水泥厂的生产优化？肯定不是AI公司，是水泥厂的总工。谁最懂手术室的工作流？不是模型工程师，是外科主任。

政策需要行业专家来定义场景——你的AI改造需求是什么、数据在哪里、期望的效果是什么。定义场景就是把”行业经验”变成”AI需求规格说明书”。做这件事不需要你有AI团队，但能让你在”模数共振”生态中从”旁观者”变成”需求方”——需求方是最稀缺的角色。

切入点三：加入”创新联合体”——搭车上路比造车更快

“模数共振”行动明确要求每行业组建不少于1个创新联合体，成员包括算力企业、模型企业、数据企业和应用开发企业。如果你是数据企业（有行业数据）或应用企业（有业务场景），找到本行业的联合体、明确你的贡献点、以成员身份加入——这比你自己单独申请项目更高效，而且联合体的成果天然享受政策支持。

五、结语

过去两年的叙事是”大模型改变一切”。现在叙事正在转向：高质量数据集决定大模型能改变什么。

一个花了1亿训练的大模型，如果喂进去的数据全是公开爬取的网页文本，它对行业的帮助几乎为零。一个花了100万做数据标注的行业专识数据集，如果喂给正确的模型架构，它对行业的改变可能是颠覆性的。

“模数共振”的核心逻辑就是这个：模型的价值上限，由数据的质量下限决定。

如果你的企业还在犹豫”要不要做AI”，建议先换一个问题：你手里有哪些数据，是AI企业做梦都想要的？ 找到这个答案，你就找到了自己在”模数共振”时代的生态位。