夜雨聆风编者按：“智库观察”栏目从本期开始推出工业AI系列文章，紧扣工信部“模数共振”行动议题，为制造企业加速落地AI提供参考与启发。第一篇解析政策和产业趋势，回答为什么工业AI不能停留在“大模型热”和“试点泡沫”；后续几篇将分别解析四类“共振”，即业务与AI、数据与知识、大模型与小模型、模型与数据，结合德勤AI实践案例，讨论制造企业如何把AI嵌入生产、经营和组织，形成新质生产力。
2026年4月底，工业和信息化部办公厅、国家数据局综合司公开发布《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）。这份行动通知释放出明确的产业信号：工业AI的发展重心，正在从单一模型能力建设，转向数据、模型与场景应用的协同演进。它为工业AI下一阶段的规模化落地，指明了更加系统化、工程化的发展方向。
《通知》明确提出，要推动人工智能（AI）模型与数据资源协同互促、同频共振，面向钢铁、石油化工、有色金属、工业母机、汽车、医疗装备、电子元器件、消费电子、软件、信息通信、网络安全等重点行业，构建高质量数据集、行业模型、专用模型和特色智能体，到2026年底基本形成“数据-模型-场景应用”的良性互促循环。
工业AI旨在激活工业生产中的实时数据，结合机理知识，通过大小模型结合的方法，重塑工业生产范式，帮助工业企业实现智能化转型，具备广泛应用场景。
研发端，典型场景包括产品方案生成、工艺路线推荐、材料配方优化、仿真参数寻优和研发知识检索，帮助企业缩短设计验证周期、提升工艺可制造性。
在生产端，典型场景包括工艺参数智能优化、质量视觉检测、设备预测性维护、智能排程、能耗优化和安全风险预警，目标是提升良率、减少停机、稳定产能并降低风险。
在供应、销售和服务端，工业AI可以用于需求预测、库存与采购优化、供应风险预警、智能报价、备件预测、远程诊断和售后知识助手，帮助企业提升供需协同效率和客户响应能力。
工业AI落地的困局
近年来AI技术发展迅猛，GPT、DeepSeek 等大语言模型在自然语言领域成果斐然，但落地到工业制造的实际生产场景时，受场景复杂、知识壁垒、落地适配等因素影响，始终难以突破试点局限，无法形成规模化应用与商业价值。主要症结如下：
数据困境
多数制造企业手握TB级数据，却没能打造出可用的数据海洋，反而陷入数据沼泽。海量数据里，95%都属于无效、冗余或残缺内容。同时数据标准各异、系统互不连通，数据孤岛问题突出。这类低质量数据无法为AI应用提供有效支撑，严重制约数据价值挖掘，是企业智能化升级亟待破解的第一道难关。
模型困境
通用大模型落地工业场景普遍水土不服，能力与现场诉求难以匹配。其优势集中在自然语言处理、问答与内容创作，而工业现场对判断准确率、运行稳定性、过程可解释性、全链路可追溯性有着硬性要求。通用模型缺少行业深度适配，难以契合生产管控标准，极大制约了工业智能化的推进速度。
规模化困境
目前AI应用呈现明显的不均衡状态，各类试点验证项目遍地皆是，精致的“盆景”随处可见，却迟迟培育不出规模化应用的整片“森林”。不少PoC项目完成演示后便止步不前，难以跨产线、跨车间复制落地。缺少统一的实施方法论与配套保障机制，让优秀试点无法转化为全域能力，成为工业AI大规模普及的一大桎梏。
模数共振是工业AI的工程答案
针对上述问题，国家在4月28日给出了模数共振的指导思想。所谓模数共振，指的是让业务场景牵引数据治理，让高质量数据驱动模型进化，让模型反过来重塑数据价值，并通过本体、知识和运营闭环持续迭代，形成“数智飞轮”的良性循环。旨在打破上述AI与业务的割裂，模型与数据的割裂，以及试点与规模化的割裂。
结合德勤人工智能卓越中心（CoE）的AI实践经验，我们将“模数共振”的指导思想进行了拆解，包含：业务与AI共振，数据与知识共振、大模型与小模型共振、模型与数据共振。四大共振缔造从知识沉淀到业务价值的递进耦合体系。
业务与AI共振
即场景为先，以AI原生视角切入业务全流程，精准挖掘升级方向或差异化目标厘清高优先AI场景，基于AI技术重构企业应用蓝图，满足价值收益确定性。
模型与数据共振
数据驱动模型进化，模型重塑数据价值，形成“数智飞轮”的迭代循环，满足持续优化确定性。
大模型与小模型共振
围绕工业现场对确定性、稳定性和可追溯性的要求，构建基于大小模型结合的“全局感知-统筹调度-实时决策-闭环反馈”的企业智慧大脑，实现预测、诊断、控制和复杂推理的协同，满足应用精度确定性。
知识与数据共振
即高质量数据集，立足业务本体将结构化数据与非结构化工艺或经验进行语义融合，通过数据、模型决策、执行三位一体，打破“数据缺少知识指引，知识脱离数据支撑“的困局，满足经验资产确定性。
图：AI制造业落地四大共振：从知识沉淀到业务价值的递进耦合体系
递进逻辑：知识沉淀→模型协同→数智飞轮→业务价值｜每层双向耦合，上层驱动方向，下层支撑实现
德勤工业AI实践：
某化工企业的工艺优化项目
在某化工企业AI+试点项目中，团队围绕关键产品良率提升和换产过程稳定性优化，构建了“数据-知识-模型-场景”闭环能力。项目以质量异常预警、根因精准定位和工艺参数优化为核心场景，打通生产现场DCS、LIMS等系统数据，结合时间序列模型、根因分析模型和物料平衡级联模型，实现产品质量实时软测量、异常分钟级定位和工艺参数智能推荐；同时通过AutoML与基于大模型的处置策略引擎，推动模型与工艺知识库在线更新，辅助人工处置闭环异常工况。
试点实施后，关键产品良率提升约4%，换产工况切换时间明显缩短，质量风险实现提前干预，首期年化收益测算达数百万元，验证了“模数共振”在化工生产场景中的实际经济价值。
结语
“模数共振”政策落地，标志着工业AI全面进入规模化应用新阶段。德勤凭借多年深耕各行业的咨询经验，深谙工业领域专属业务逻辑与AI 规模化落地完整方法论，我们将聚焦装备制造、化工、医药等多个重点行业，积极推动工业AI的规模化落地实践，打造AI+制造的生产力新范式。
下期预告
接下来，本系列会沿着“模数共振”的四个关键问题继续探讨：
业务与AI共振：如何从经营目标出发识别高价值AI场景？
模型与数据共振：为什么有数据不等于有模型，如何构建数智飞轮？
大模型与小模型共振：工业现场为什么不能只迷信大模型？
知识与数据共振：如何把工艺经验、设备机理和专家知识变成组织能力？
德勤中国是一家立足本土、连接全球的专业服务机构，包括在中国内地、香港、澳门的多家专业服务实体，由德勤中国的合伙人共同投资、独立自主管理和运营。
作为一家具有全球品牌“德勤”并连接全球专业网络的本土企业，德勤中国始终以卓越的专业能力、丰富的行业洞察和智慧的技术解决方案，助力国有、民营和外资跨国企业把握机遇，应对挑战，实现世界一流的高质量发展目标。
业务垂询，敬请联络：
尤忠彬
德勤咨询人工智能卓越中心主管合伙人
邮箱：zhyou@deloittecn.com.cn
王鹏
德勤咨询人工智能卓越中心合伙人
邮箱：wangpeng@deloittecn.com.cn
免责声明：
第三方机构如想转载德勤微信文章，请原文转载（不得修改）。如文章内容有改动，须在发布前获得德勤的审核批准。同时，请必须在文章内附以下信息及免责声明：
本通信中所含内容乃一般性信息，任何德勤有限公司、其成员所或它们的关联机构（统称为“德勤网络”）并不因此构成提供任何专业建议或服务。任何德勤网络内的机构均不对任何方因使用本通信而导致的任何损失承担责任。
