当前位置：首页 > news >正文

中国信通院启动“模数共振”行动：构建“高质量数据—高效能模型—高价值应用”良性循环，赋能新型工业化

news 2026/4/29 15:00:54

2026年4月，在福州举办的第九届数字中国建设峰会“人工智能产业发展和赋能新型工业化”主题交流活动上，中国信通院正式启动2026年“模数共振”行动，标志着人工智能与数据要素的深度融合进入系统性推进新阶段。这不仅是“十五五”开局之年的重要战略举措，更是中国AI产业从“点数成金”迈向“数模共振”的关键一跃。

一、时代背景：为什么需要“模数共振”？

1.1 中国AI调用量领跑全球，数据瓶颈成突围关键

当前，中国AI大模型日均Token调用量已突破140万亿，周调用量连续五周超越美国。然而，喧嚣背后存在隐忧：国产大模型能力提升正面临数据瓶颈。正如本次论坛上业内专家所指出的，高质量数据已成为制约模型演进的“核心堵点”，数据治理、多模态数据集建设、数据安全流通等问题亟待破解【9†L7-L9】。

与此同时，2026年已被定义为“数据要素价值释放年”。在国家数据局“数据要素×”三年行动收官之际，如何将数据要素的乘数效应与AI的智能效应深度叠加，已成为产业界的核心命题。“模数共振”正是对这一命题的顶层回应。

1.2 从“模型单点突破”到“数据-模型-应用系统协同”

正如中国信息通信研究院副院长魏亮在致辞中指出的，“模数共振”的核心要义在于构建“高质量数据—高效能模型—高价值应用”的良性循环。

如果说此前国产大模型的竞争更多集中在参数规模、算力集群和榜单分数等“单点突破”上，那么“模数共振”行动的核心逻辑则是打开“数据—模型—应用”的全链条瓶颈，构建数据驱动模型进化、模型赋能应用创新、应用反哺数据积累的闭环体系。

二、核心理念：如何理解“模数共振”？

中国信通院人工智能研究所平台与工程化部副主任李荪在交流活动中提出，“模数共振”体系以高质量数据集、高效能模型、高价值应用三大要素为核心。

2.1 以模引数：用模型需求牵引数据治理

“模数”二字的共振，首先体现在以模型的需求来“定义”数据的价值。传统的数据建设往往是“为数据而数据”，缺乏明确的AI应用牵引。“模数共振”要求主动面向人工智能预训练、指令微调、强化学习、测评等各训练阶段，持续推进文本、代码、图像、音频、视频、科学数据等多模态高质量数据集建设，让数据集建设与实战需求深度融合。

2.2 用数赋模：以数据红利反哺模型迭代

数据质量高不高，模型说了算。通过构建行业通识数据集和行业专识数据集，解决大模型在具体工业场景中“水土不服”的问题。例如针对特定工业场景的行业专识数据集，大模型的表现可以从“一本正经地胡说八道”进化为“在专业圈子里有理有据”。这不仅能够降低大模型训练推理的成本，更能从根本上提升模型在专业场景下的性能表现。

2.3 模数共振：构建“数据—模型—场景应用”良性循环

“模数共振”的目标，是形成“以模引数、用数赋模、模数共振”的发展格局。。按照《通知》规划，到2026年底，将基本形成“数据—模型—场景应用”良性互促的循环，推动人工智能高水平赋能新型工业化。

三、重点任务：七项举措打通全链条

《关于联合实施2026年“模数共振”行动的通知》由工业和信息化部与国家数据局联合印发，部署了七项重点任务，全面贯通智能时代数据从治理到应用的全链条。

3.1 构建行业通识与专识数据集

这是解决行业大模型“本领恐慌”的基础工程。通过系统性地在20个重点行业构建通识数据集和专识数据集，使模型在具备通用理解能力之上，习得特定行业的专业知识，真正实现“懂行”。

3.2 完善模型评测机制，消除“盲测风险”

AI究竟能不能用，不能仅凭感觉，需要科学的“尺子”来量。行动提出要统一工业大模型评测标准，消除各厂商自说自话的“榜单乱象”，提升评测的科学性与公信力。

3.3 创建“模数共振”空间，打造“智能体工厂”

这是一个极具前瞻性的技术载体。通知鼓励该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，赋能模型训练、智能体研发和应用，逐步将其打造为“智能体工厂”。

3.4 打造创新联合体：构建“模型—数据—应用”全栈方案

行动引导算力企业、数据企业和应用开发企业等组建“模数共振”创新联合体，围绕重点场景共同打造符合场景特殊应用需要的专用模型或特色智能体，力争每个场景打磨出不少于1个标杆模型/智能体。

3.5 确定一批重点城市，推动区域场景释放

通过确定一批重点城市，释放丰富的场景价值。各地通过先行先试，为全国其他区域探索可复制的经验。

3.6 构建行业通识数据集和专识数据集

3.7 完善模型评测机制

四、产业落地：三大要素的双向赋能与正向循环

“模数共振”不是空对空的顶层设计，其核心价值在于打通了三大要素之间“断头路”，让资源在数据、模型、应用三者之间高效循环。

4.1 数据驱动模型进化（数据→模型）

在“模数共振”的驱动下，高质量数据集不再是静态的档案库，数据不再仅仅是“石油”，而是变成了模型迭代的“导火索”。以工业AI质量检测为例，某汽车制造企业利用行业高质量数据集训练质检模型，半年内开发出超过6000个智能体，员工覆盖率超10万，实现生产全链路智能化监控。

4.2 模型赋能应用创新（模型→应用）

当模型能力提升后，其在具体业务场景中发挥的价值也呈几何级增长。以智能驾驶为例，华为云盘古大模型3.0通过海量驾驶数据训练，可在一秒内构建出复杂的长尾交通场景，供车载芯片进行百万次模拟对抗训练，目前国内已有超过70%的主流智驾方案商接入了该云端训练底座。

4.3 应用反哺数据积累（应用→数据）

高价值场景在应用模型解决实际问题的过程中，会产生全新的、更高质量的垂类数据——这些数据经过脱敏和清洗，又能回流到数据集中，再次驱动模型迭代。当企业智能化改造覆盖了从研发设计到生产运维的全生命周期，新的数据资产就在应用中不断沉淀，从而形成“应用拉动数据回流、数据反哺模型升级”的正向循环。

五、战略价值：为什么“模数共振”将重塑AI产业格局？

5.1 打通AI赋能新型工业化的“最后一公里”

“模数共振”行动重点面向制造业领域20个重点行业，精准发力。它不再满足于AI仅具有“读报告、写诗篇”的通识能力，而是通过精心梳理的行业数据和评测机制，让AI拥有“识机床、懂图纸、排订单”的工业硬核素养，真正推动AI从消费端走向生产端。

5.2 构建健康可持续发展的AI产业生态

目前大模型应用面临诸多“数据断头路”：企业有数据不敢给、AI有算力没数据。

“模数共振”行动通过鼓励“模数共振”空间与国家数据基础设施互联互通，为数据的安全流通提供了一条规范化、合法化的通路，极大释放了数据要素潜能。

5.3 发掘数据要素的“乘数效应”

行动明确提出，到2026年底基本形成“数据-模型-场景应用”良性互促的循环。这正是数据要素“乘法效应”与AI智能效应深度融合的最佳实践——“数据要素×”要释放价值，就离不开AI的强效赋能；而AI的发展要实现质变，也离不开数据要素的高效流通。

六、未来展望：从“盆景”到“风景”

作为“十五五”开局之年的重磅举措，“模数共振”行动打开了数据与智能协同演进的想象空间。

6.1 “智能体即服务”加速成熟，中小企业低成本拥抱AI

“模数共振”行动通过鼓励将“模数共振”空间逐步打造为“智能体工厂”，输出标准化的AI能力，使得中小企业即使没有顶级技术团队，也能通过平台获得生产级的AI能力，让“人人皆可开发AI”成为可能。

6.2 工业大模型标准体系加速建立

通过构建统一的“方升”大模型基准评测标准，工业大模型能力将不再依赖厂商自述，为产业链上下游的协同创新提供统一“度量衡”。

6.3 数据要素流通底座和数据智能应用体系成型

中国信通院此前公布的2026年四大战略方向——“建设以数据流通利用底座为核心的数据基础设施、打造以高质量数据集为基础的数智应用体系、构建以全链条标准支撑的多元评估体系、探索以产品数字护照为切入的国际合作体系”——与“模数共振”行动深度融合、交相响应。随着数据要素市场的完善，AI应用将告别“野蛮生长”，进入有序、安全、可持续的发展阶段。