智能体工厂要来了!两部门启动2026年“模数共振”行动
每经记者|张蕊 每经编辑|杨军
近日,工业和信息化部办公厅、国家数据局综合司发布《关于联合实施2026年“模数共振”行动的通知》(以下简称《通知》)。
《通知》提出的工作目标是,重点面向钢铁、石化化工、有色金属、建材、工业母机、汽车、医疗装备、电力装备、船舶、航空航天、家居、医药、生物制造、历史经典、电子元器件、消费电子、新型显示、软件、信息通信、网络安全等行业或领域(以下统称“行业”),通过行动牵引,推动产出一批推广价值高、技术可行性强的人工智能应用场景,攻关一批蕴含工业和信息化领域技术机理的行业模型、专用模型和特色智能体,构建一批行业通识和行业专识高质量数据集,培育一批攻关联合体,优化人才、标准等产业配套生态。到2026年底,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。
推动20个行业加速智能化
工业和信息化部相关负责人在解读《通知》时表示,党中央、国务院高度重视人工智能发展和应用,“十五五”规划纲要提出,全面实施“人工智能+”行动,推动通用大模型和行业专用模型同步发展,依托高价值场景推动模型应用落地和迭代升级。
2025年12月,工业和信息化部联合七部门共同印发《“人工智能+制造”专项行动实施意见》,提出开展“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,推动“人工智能+制造”走深走实。
该负责人称,为进一步明确各地区、各行业2026年开展“模数共振”的实施路径,工业和信息化部和国家数据局共同组织实施本次专项行动,统筹安排各地区、各行业共性任务,统一把握工作节奏,引导重点地区、重点行业结合实际找准特色需求和难点卡点,细化量化年度任务目标和成果形式,以一批务实管用的“模数共振”行动成果,有力支撑人工智能高水平赋能新型工业化。
记者注意到,《通知》的工作目标里提到了重点面向钢铁、石化化工、消费电子等20个行业,为什么要聚焦这些行业?
对此,知名经济学家、工业和信息化部信息通信经济专家委员会委员盘和林在接受《每日经济新闻》记者微信采访时称,这些行业是我国实体经济的重要领域,也是我国规上工业企业的聚集领域,涵盖的经济产值规模非常大。所以,选择智能化聚焦这些行业,是将“人工智能+”行动对实体经济的赋能作用最大化,帮助这些关键行业实现高质量发展和转型升级。
在他看来,“模数共振”行动对这些行业而言可以推广应用场景,攻关垂直领域算法模型,构建高质量数据集,培育人才标准等配套生态,打好应用、算法、数据、生态等基础,为这些行业加速智能化创造有利条件。
构建行业专识数据集
《通知》在重点任务中提出,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。
在这么多不同的行业打造行业模型、特色智能体,是否面临一些挑战?
对此,盘和林表示,确实存在不少挑战。比如,如何将这些行业的数据集合起来,数据存在不同企业的不同控制域当中,需要在同行业企业之间架设数据桥梁,形成垂直领域的数据集,这需要在不同企业之间协调;行业模型往往缺少通用模版,因为各家企业智能化的目标并不相同,很多企业可能认为通用模板并不适合本企业,从而导致“人工智能+”难以推进;智能体不实用、不会用,企业缺少必要的人才来开展智能化转型等。
盘和林认为,要解决这些问题,其一要靠协同,部门间协同,企业间协同,需要有个平台来牵线搭桥,将行业中的企业集合起来,联合“人工智能+”赋能企业一同开发;其二要靠合作,算法企业除了开发通用模板,也要根据不同企业的需求,针对性地开发特色智能方案;其三要靠要素集中,比如从金融和人才上,给积极参与智能转型企业一定的支持。
此外,《通知》在重点任务中还提出,创建“模数共振”空间,探索协同机制。
具体而言,各地区选择第三方中立机构或龙头企业、各央企选择集团内专业单位作为建设运营主体,打造“模数共振”空间,包括研发一套能够承载跨主体数据汇聚和模型训练的软硬件基础设施,以及制定一套能够实现跨主体数据协同、模型共建、责任划分、安全保障的管理机制,具备跨主体数据可信贯通、模型协同训练与安全合规应用的能力(每省级地区打造不少于3个,每央企打造不少于1个)。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,赋能模型训练、智能体研发和应用,逐步打造为“智能体工厂”。
相关推荐
-
体育大数据分析:参考基准的选型陷阱与生产损耗真相
1选型误区:被「参考基准」带偏的体育大数据在实际交付中,我们发现一个扎心的事实:80%的体育大数据项目失败,根源不在算法,而在「参考基准」选型错误。很多企业采购时盯着「支持10万+并发」「毫秒级响应」这些标称数据,却忽略了底层逻辑——这些数据往往是在实验室理想环境下测的,到了真实生产环境,硬件损耗、数据倾斜、并发冲突这些隐性成本,能把项目拖进深渊。参考基准的「双标陷阱」:实验室数据与生产环境的鸿沟听...
查看全文 -
运动腕表稳态表现:揭开那些被忽视的真相
3运动腕表稳态表现:选型陷阱与生产现场的隐性损耗在实际交付中,我们发现很多用户对运动腕表的「稳态表现」存在严重认知偏差。他们往往被标称的「高精度传感器」「超长续航」等参数吸引,却忽视了产品在真实运动场景下的持续稳定性。这里面的水很深——很多标称数据背后的真相是:实验室环境与实际运动场景的差异,足以让一款腕表的表现天差地别。选型误区:参数≠真实表现很多用户选型时,会盯着「心率监测精度」「GPS定位速度...
查看全文 -
体育大数据分析(3D):别被边际效用“带偏”了
5体育大数据分析(3D):别被边际效用“带偏”了在实际交付中,我们发现体育大数据分析(3D)领域有个现象:很多企业盯着“边际效用”做文章,却忽略了产品表现背后的底层逻辑。听起来可能反直觉,但边际效用不是“越多越好”的万能钥匙,尤其在3D动作捕捉、空间建模这些高精度场景里,数据量的边际效用递减速度远超想象——多10%的数据,可能换不来1%的精度提升,反而会拖垮计算效率。选型误区:盲目堆数据,忽视“有效...
查看全文 -
AI大数据分析的衰减速度:选型陷阱与生产现场的隐性代价
8AI大数据分析的衰减速度:选型陷阱与生产现场的隐性代价在实际交付中,我们发现一个被反复验证的规律:AI大数据分析系统的性能衰减速度,远比厂商标称的“线性下降”更复杂。很多标称数据背后的真相是——实验室环境下的模型迭代周期,和生产现场的硬件损耗、数据污染、算法冲突,完全不在一个维度。这里面的水很深,选型时稍有不慎,就会陷入“初期惊艳、半年拉胯”的陷阱。选型误区:被“高精度”带偏的决策很多企业选型时只...
查看全文 -
AI大数据分析下的疲劳测试:揭开标称数据的真相
2AI大数据分析如何穿透疲劳测试的迷雾?在实际交付中,我们发现一个扎心的事实:90%的智能体育设备厂商,在疲劳测试环节踩过选型误区。他们迷信「高采样率=高精度」的公式,却忽视了底层算法对数据噪声的吞噬能力——这就像用显微镜看沙子,放大倍数越高,看到的干扰颗粒越多。选型误区:被标称数据绑架的「伪精准」很多标称数据背后的真相是:采样率与有效数据率根本不是线性关系。某头部运动手环厂商曾采购1000Hz采样...
查看全文 -
低碳骑行互动喷泉:响应阈值背后的技术博弈与选型陷阱
7响应阈值:被忽视的“隐形杀手”在实际交付中,我们发现90%的低碳骑行互动喷泉项目失败,根源不在硬件参数,而在一个被行业刻意弱化的指标——响应阈值。这个看似简单的数值,决定了设备能否在骑行者踩踏的瞬间精准捕捉动力变化,进而控制喷泉的启停、高度与节奏。但很多标称数据背后的真相是:厂商用实验室理想环境下的“峰值响应”替代实际工况的“持续响应”,导致项目落地后频繁出现延迟、卡顿甚至失控。听起来可能反直觉,...
查看全文

开元·体育