大模型应用普及率在快速攀升，但真正实现规模化落地、持续产生业务价值的项目，依然是少数。模型不够强吗？不是。算力不够用吗？也不是。问题出在一个更基础、更隐蔽的地方——数据和模型之间，从来没有真正配合起来过。
2026年4月，工业和信息化部办公厅、国家数据局综合司联合印发《关于联合实施2026年“模数共振”行动的通知》（工信厅联科函〔2026〕193号），将钢铁、汽车、航空航天等20个重点行业纳入首批推进范围。这是分别代表产业端与数据要素端的两大部门，罕见地联合部署行动。
两个部门联手，意味着什么？单独看工信部的动作，通常指向制造业数字化、工业互联网、智能化改造；单独看国家数据局的动作，通常指向数据要素流通、数据基础设施、数据资产化。两者的交汇点，正是这次政策的核心关切：如何让行业数据与AI模型真正协同，形成产业智能化的持续驱动力。
这不是一个新的概念包装，而是国家层面对AI产业化路径的一次方向性判断——AI落地的关键卡点，既不在算力，也不在模型参数，而在于数据与模型之间的协同机制是否真正建立起来。“模数共振”由此成为国家层面的政策行动。
AI落地的真实困境：模型不是唯一答案
过去两年，大模型以几乎令人眩晕的速度迭代。参数规模越来越大，推理能力越来越强，排行榜上的评测成绩一再刷新。但与此同时，一个尴尬的现实也越来越难以回避：模型越来越强，但很多企业的AI项目，依然落不了地。
问题出在哪里？
以钢铁行业为例。一家钢铁企业想用AI做轧制工艺优化，提升成材率、降低能耗。这是一个非常明确的业务场景，模型技术上完全可以支撑。但当工程师真正进入数据层面时，面对的往往是：不同产线的传感器数据格式不统一；历史工艺记录分散在多个系统，无法打通；质检数据的标注规则因批次而异，前后不一致；部分关键参数甚至只存在于老师傅的经验里，从未被系统化记录。
这种情况在航空航天、汽车制造等精密行业同样普遍。行业数据的特点恰恰是：高度专业、强业务关联、质量参差不齐、治理积欠严重。
结果是，用来训练模型的数据质量不过关，模型的表现自然大打折扣。投入大量资源开发的智能化系统，在真实生产环境中效果不稳定，难以规模化推广，最终沦为“PPT上的创新”。
这不是模型的问题，而是数据的问题。根子在治理。
中国信通院在《人工智能模数共振体系研究报告（2026年）》中对此有清醒的判断：AI产业真正的“底座”，不是算力，而是高质量的行业数据。行业要想从“有AI”走向“用好AI”，必须补上数据治理这块短板。
读懂模数共振：一个闭环，两个方向
模数共振的核心，可以用一句话概括：让数据和模型形成持续互哺的正向循环。但这句话说起来容易，真正理解它，需要拆开来看。
第一个方向：用数赋模。
高质量的行业数据，是训练行业专属模型的基础原料。数据的质量、完整性、准确性，直接决定了模型能力的上限。这个方向的逻辑相对直接——垃圾进，垃圾出；精料进，精品出。
但“用数赋模”的难点不在于理解这个逻辑，而在于如何系统性地生产出符合模型训练要求的高质量数据。这需要完整的数据治理体系作为支撑，而不是临时性的数据清洗。
第二个方向：以模引数。
这是更容易被忽视、却更具范式意义的方向。当AI模型真正在业务场景中运行起来，它不只是在消费数据，同时也在生产数据、识别数据问题、揭示数据缺口。一个运行在产线上的质检模型，会发现哪些类型的瑕疵数据标注不一致；一个运行在供应链中的预测模型，会暴露哪些维度的历史数据缺失。
模型的运行结果，成为了驱动数据治理持续优化的“反馈信号”。这意味着，数据治理的目标和优先级，开始被模型的实际需求所重新定义。治理不再是一次性的“清洗整改”，而是跟随模型迭代而持续演进的动态过程。
两个方向形成闭环：数据质量提升驱动模型能力升级，模型运行反馈驱动数据治理深化，场景落地产生新数据再次反哺模型。这就是“共振”的本质。这正是“模型驱动”新范式的核心含义：模型不再只是数据治理的下游消费者，而成为驱动数据治理方向的上游引擎。
共振的前提：数据治理必须先“达标”
理解了“模数共振”的逻辑，一个关键问题随之而来：要让这个闭环真正转起来，数据治理需要做到什么程度？“模数共振”对数据的要求，远比过去的合规驱动型治理更为严苛，也更为具体。不妨从几个最真实的卡点说起。
卡点一：数据根本流不起来。
行业AI的训练数据，往往分散在十几个甚至几十个系统里——ERP、MES、质检系统、IoT传感器，结构化、半结构化、非结构化并存，格式各异，互不相通。很多企业的模型开发团队，花在“找数据、搬数据、清数据”上的时间，远超过训练模型本身。
这个卡点的解法，不是“临时打通”，而是建立稳定的数据集成基础设施。亿信华辰睿治数据治理平台能连接30余种异构数据源，通过可视化拖拽配置，就能把散落在各系统的数据打通、同步、整合——让数据流通从“工程难题”变成“配置操作”。
卡点二：数据有了，但模型“读不懂”。
同一个字段“产品编号”，在采购系统里叫“item_code”，在质检系统里叫“prod_id”，在仓储系统里叫“sku_no”。三个名字，三种格式，背后可能还有三套不同的编码规则。模型训练时，这些“语言不通”的数据混在一起，产生的噪声往往是影响模型效果的隐性杀手。
数据标准管理解决的正是这个问题——为企业建立统一的数据语言，让“产品编号就是产品编号”，从源头消除歧义。它不只是合规动作，而是AI落地的语言基础。
卡点三：模型开发者“看不见”数据资产。
一个更普遍的场景是：企业明明有数据，但模型团队不知道有哪些、在哪里、质量怎么样。结果是数据部门说“数据都有”，模型团队说“找不到能用的”，两边各说各话，项目原地踏步。
这是元数据管理与数据目录要解决的问题。睿治数据治理平台能自动采集全域元数据、解析全链路血缘关系，构建直观的企业数据地图——模型开发者可以像用搜索引擎一样找到所需数据，知道它从哪来、经历了什么处理、可不可以用。数据资产第一次真正对模型团队“可见”。
卡点四：质量问题是动态的，一次清洗解决不了。
模数共振是一个持续运转的闭环，数据质量管理也必须是持续的。很多企业在项目启动时做一次数据清洗，项目跑起来后数据质量重新劣化，模型效果随之下滑——这几乎是行业通病。
根子在于：没有把数据质量管理变成一套常态化机制。睿治平台将质量规则管理、自动化检核、问题追踪、整改闭环整合为一体，形成PDCA的持续循环。质量不是洗一次就算，而是每天都在跑、每天都在收敛。
卡点五：数据一流动，安全就成了悬在头上的刀。
模数共振必然涉及跨系统、跨部门乃至跨企业的数据流动。数据共享的范围越大，合规风险就越复杂。很多企业不是不想共享数据，而是不敢——一旦出现敏感数据泄露，责任无法厘清。
这道卡点，让很多共振闭环在起步阶段就夭折了。亿信华辰睿治数据治理平台的数据安全能力，不是作为独立模块“事后补丁”式地接入，而是贯穿于数据治理全过程：基于分级分类体系智能识别敏感资产，动态脱敏与数据库授权监控常态化运行。数据流动，但风险可控。共振，才能真正安全地转起来。
新范式下的治理重心迁移
过去，数据治理的驱动力主要来自两个方向：监管合规要求，和管理层的数字化转型决心。数据治理部门的工作，更多是被动响应——合规检查来了，整改数据；新系统上线了，治理数据；领导问责了，清洗数据。
在这种模式下，数据治理是成本中心，是花钱的部门，效果难以量化，价值难以彰显。模数共振政策的推进，正在推动这一认知的根本性转变。
当AI模型成为企业核心生产力工具，当模型落地效果直接关系到企业的竞争力和利润，数据治理的质量，在很大程度上决定了AI投资能否真正兑现回报。高质量的数据治理，通常有助于实现更快的模型开发周期、更好的模型效果、更低的模型维护成本；反之，数据治理的滞后，将成为AI规模化落地的最大瓶颈。
数据治理，正在从被动合规的成本中心，转型为AI落地的核心使能基础设施。这对企业数据团队的能力要求，也随之升级。治理工作的目标，不再只是“数据干净合规”，而是“数据能够持续支撑模型的迭代优化”。治理的粒度要更细，响应要更快，与模型团队的协作要更紧密。
面向20个重点行业的模数共振行动，本质上是在用政策力量加速这一转型的到来。钢铁、汽车、航空航天等行业的企业，将率先面临这一考验：你的数据治理体系，是否已经做好了支撑“模数共振”的准备？
数据能不能流动、模型能不能看见数据、质量能不能持续兜底、安全能不能守住底线——这四道关，过不了，共振就转不起来。不是为了合规，不是为了报告，而是为了让行业AI真正跑起来、跑得稳、越跑越强。
共振，从治理开始。治理，现在就得动。
END
（部分内容来源网络，如有侵权请联系删除）
