# 广东“模数共振”进行时：当工业数据开始“喂养”AI - 东方财富

*Источник: 东方财富*
*Дата: 2026-07-31*
*Язык: zh*

**Кратко:** 当前，我国人工智能产业蓬勃发展，核心产业规模突破1.2万亿元，规上工业企业人工智能应用普及率超过30%。
但在制造业场景中，工业AI却陷入“叫好不叫座”的尴尬境地，落地效果不尽如人意。据行业统计，2025年我国工业AI市场规模虽突破1200亿元，但仅约23%的制造企业AI项目能实现规模化盈利，大量试点项目难以规模化推广。
今年4月，工业和信息化部、国家数据局联合启动的“模数共振”行动，正是针对这些痛点开出的药方，旨在推动人工智能模型与数据资源“协同互促、同频共振”，让工业数据“喂养”AI模型，让AI模型反哺工业场景，场景再产生更高质量的数据，形成一个不断自我进化的闭环。
广东作为电子信息、家电、汽车、装备制造大省，正是这一行动最理想的试验田。政策发布三个月后，广东的工厂里正在发生什么？
在佛山国星光电的LED封装车间，每一颗芯片的分光分色数据、每一台设备的运行参数、每一次质检结果，都在实时汇入一个名为SIE iMOM的工业智能平台。这些数据正在“喂养”一个AI模型，而模型产出的优化决策，又反过来指挥着产线的每一次参数调整。
对广东而言，“模数共振”并不抽象。广州、东莞、珠海、佛山等地均在大力布局“模数工坊”“模数空间”等创新空间，依靠完备的制造业优势，推动AI决策真正赋能产线。在人工智能下半场，随着数据、工艺与安全可靠这三道关口逐步突破，广东的“模数共振”将加速放大声量。
图片来源：资料图片
数据先说话，AI再上岗
广州赛意信息科技股份有限公司与国星光电共同做的第一件事便是数据标准化。对于后者而言，LED封装产线涉及MES（制造执行）、QMS（质量）、APS（排程）等多个系统，过去各说各话、口径不一，像一座座“数据孤岛”。
赛意信息先用一套统一的工业数据模型，把国星光电的产线全流程数据打通、标准化，形成统一的数据资产。这步看似基础的工作，恰恰是“模数共振”得以发生的起点。
赛意信息相关负责人告诉南方财经记者，传统制造运营系统往往是烟囱式堆砌，数据分散、口径不一，侧重流程线上留痕，3到5年便需重构。而SIE iMOM采用元模型驱动的云原生架构，核心模块原生打通、数据同源一致，可直接支撑AI应用，在工艺、质量、排程等场景落地，带来可量化的降本增效价值。
数据立住之后，“数”才具备与“模”共振的条件。接下来，是让AI真正“上岗”。
在国星光电的LED封装产线，SIE iMOM将AI能力原生嵌入分光分色、外观检测等关键工序。“AI模型不再只是看一看数据，再给份报表，它可以直接参与生产决策。”上述负责人表示。
例如，AI模型可以帮助企业优化Bin集中度，提升产品良率和高价值档位产品产出占比；基于AOI的缺陷智能分析技术替代了大部分人工复判工作，价值远高于单纯的流程线上化。
这正是“模数共振”的核心循环。产线产生数据，数据训练模型，模型优化产线，优化后的产线产生更高质量的数据。
赛意信息将这种能力总结为“AI Inside”，不是把AI当作外挂工具，而是原生内嵌于制造运营的每一个环节。
而今，赛意信息在光伏、PCB等赛道，类似能力已复制落地。例如，某光伏龙头丝网印刷工序优化后，单片银浆损耗显著降低，年产15GW基地预估年节省成本超4500万元。迄今为止，赛意信息已服务3000多家制造企业，在电子、光伏、家电三大领域MES份额均居国内第一。
这家企业凭什么能让这场“模数共振”持续放大？答案藏在“工业智算—工业大模型—工业智能应用”这一全栈工业AI战略里。这三层，恰好对应“模数共振”从动力到算法，再到价值兑现的完整链条。
拆开来看，在最底层的算力底座，赛意信息已经投入使用首个8.33亿元规模的先进算力集群，形成一体化的算力服务闭环。在中间层的工业大模型上，赛意信息打造“善谋GPT”智能体开发平台，沉淀PCB、家电、装备等行业的垂直模型。
在上层工业智能应用方面，赛意信息已落地覆盖研、产、供、销、服全链路的AI视觉质检、供应链智能调度、数智经营决策等多类工业智能体，让AI能力直达业务一线，切实推动企业降本、提质、增效。
三层协同，构成“模数共振”的一个完整映射：算力底座提供“共振”所需的物理平台，行业模型是“共振”的算法内核，业务智能体则是“共振”在场景中的价值兑现。
这让赛意信息得以入选“2025中国工业软件十大标杆企业”，并处于中国工业大模型及智能体解决方案厂商评估“领导者”象限。
“下一步，我们的产品迭代将围绕全栈工业AI持续深耕。一方面筑牢工业AI底层能力底座，适配制造业严苛的安全、稳定要求；另一方面持续沉淀行业认知与工艺经验，让AI更贴合制造场景。最终核心发力点是推动工业AI规模化落地，将验证成熟的方案快速复用。”该负责人告诉南方财经记者。
广东如何做好“模数共振”？
赛意信息的实践并非孤例。在广东，一场更大范围的“模数共振”正在铺开。
广东提出，力争到2026年底，建设200家以上智能工厂和智能体工厂；已出台《人工智能赋能制造业高质量发展行动方案（2025—2027年）》，以“百行千模”为牵引推动工业模型创新发展。
不久前，在一场智能工厂梯度培育政策宣贯培训会上，广东再次释放明确信号：今年卓越级智能工厂的AI应用场景比例从20%提高到30%，领航级要求不低于60%。
广东搞“模数共振”，有其不可复制的底气。这里拥有全国最密集的工业场景，规上工业企业超过6万家，电子信息、家电、汽车等产业链数据密度极高。
更重要的是，广东走了一条与别处不同的路。不是拿着通用AI找场景，而是让AI解决方案从工厂里长出来。
这与要务科技CEO石东海的看法不谋而合。在他看来，工业AI Agent的落地，不是一场算法竞赛，而是一场工程韧性的较量。
在“模数共振”这场大潮中，要务科技的定位非常清晰，把大模型和物理模型的能力落地到工业环境中。“我们是桥梁，是工程化引擎，是生态连接层。”石东海表示。
为实现这一目标，要务科技在研发投入上，极为注重场景验证，避免盲目预训练。“公司将近一半的研发资源投入到工业数据治理与语义对齐，以及数字孪生沙盘验证上。这个沙盘里跑着上万种极端工况的模拟数据，让Agent在虚拟环境中先跑通，再放到现实中去验证。”石东海说。
不难发现，从赛意信息的数据标准化叠加AI嵌入，到要务科技的“物理感知+因果决策+闭环执行”，广东AI企业正用不同路径回答同一个问题：如何让AI模型与工业数据真正“共振”起来。
一个从数据端发力，先让数据说话再让AI上岗；一个从物理端发力，让AI先理解工业世界再作出决策。两条路径共同指向“模数共振”的内核，让AI模型与工业数据相互“喂养”，形成自进化的闭环。
从今年4月国家启动“模数共振”行动开始，广东各地也在密集行动。广州、东莞、珠海、佛山等地均在大力布局“模数工坊”“模数空间”等创新空间。
当工业数据真正开始“喂养”AI模型，当AI决策真正开始指挥产线，广东正在用一场“模数共振”的实验解答人工智能发展的关键问题：未来，制造业的竞争将不再是传统工厂与数字化工厂的竞争，而是数据驱动的智能工厂与经验驱动的传统工厂的竞争。
当然，广东发展“模数共振”也面临诸多挑战。赛意信息上述负责人谈道，“模数共振”要规模化开展，最大的瓶颈在于跨场景价值闭环难以快速复制。背后的根源是，企业数据基础差异大、工业工艺know-how门槛高。换言之，“共振”要持续放大，仍须跨过数据、工艺与安全可靠三道关口。
受访专家建议，广东要三路并进推进“模数共振”。数据上，依托“百行千模”牵引，推动工业数据从“沉睡的资源”变为“可用的资产”。工艺上，不追“大而全”的通用大模型，坚定走“轻量级”垂类路线。安全上，加快建立省级工业互联网安全认证与互认体系，推广可信数据空间，让企业“敢用、愿用、会用”工业AI。
（文章来源：21世纪经济报道）

当前，我国人工智能产业蓬勃发展，核心产业规模突破1.2万亿元，规上工业企业人工智能应用普及率超过30%。
但在制造业场景中，工业AI却陷入“叫好不叫座”的尴尬境地，落地效果不尽如人意。据行业统计，2025年我国工业AI市场规模虽突破1200亿元，但仅约23%的制造企业AI项目能实现规模化盈利，大量试点项目难以规模化推广。
今年4月，工业和信息化部、国家数据局联合启动的“模数共振”行动，正是针对这些痛点开出的药方，旨在推动人工智能模型与数据资源“协同互促、同频共振”，让工业数据“喂养”AI模型，让AI模型反哺工业场景，场景再产生更高质量的数据，形成一个不断自我进化的闭环。
广东作为电子信息、家电、汽车、装备制造大省，正是这一行动最理想的试验田。政策发布三个月后，广东的工厂里正在发生什么？
在佛山国星光电的LED封装车间，每一颗芯片的分光分色数据、每一台设备的运行参数、每一次质检结果，都在实时汇入一个名为SIE iMOM的工业智能平台。这些数据正在“喂养”一个AI模型，而模型产出的优化决策，又反过来指挥着产线的每一次参数调整。
对广东而言，“模数共振”并不抽象。广州、东莞、珠海、佛山等地均在大力布局“模数工坊”“模数空间”等创新空间，依靠完备的制造业优势，推动AI决策真正赋能产线。在人工智能下半场，随着数据、工艺与安全可靠这三道关口逐步突破，广东的“模数共振”将加速放大声量。
图片来源：资料图片
数据先说话，AI再上岗
广州赛意信息科技股份有限公司与国星光电共同做的第一件事便是数据标准化。对于后者而言，LED封装产线涉及MES（制造执行）、QMS（质量）、APS（排程）等多个系统，过去各说各话、口径不一，像一座座“数据孤岛”。
赛意信息先用一套统一的工业数据模型，把国星光电的产线全流程数据打通、标准化，形成统一的数据资产。这步看似基础的工作，恰恰是“模数共振”得以发生的起点。
赛意信息相关负责人告诉南方财经记者，传统制造运营系统往往是烟囱式堆砌，数据分散、口径不一，侧重流程线上留痕，3到5年便需重构。而SIE iMOM采用元模型驱动的云原生架构，核心模块原生打通、数据同源一致，可直接支撑AI应用，在工艺、质量、排程等场景落地，带来可量化的降本增效价值。
数据立住之后，“数”才具备与“模”共振的条件。接下来，是让AI真正“上岗”。
在国星光电的LED封装产线，SIE iMOM将AI能力原生嵌入分光分色、外观检测等关键工序。“AI模型不再只是看一看数据，再给份报表，它可以直接参与生产决策。”上述负责人表示。
例如，AI模型可以帮助企业优化Bin集中度，提升产品良率和高价值档位产品产出占比；基于AOI的缺陷智能分析技术替代了大部分人工复判工作，价值远高于单纯的流程线上化。
这正是“模数共振”的核心循环。产线产生数据，数据训练模型，模型优化产线，优化后的产线产生更高质量的数据。
赛意信息将这种能力总结为“AI Inside”，不是把AI当作外挂工具，而是原生内嵌于制造运营的每一个环节。
而今，赛意信息在光伏、PCB等赛道，类似能力已复制落地。例如，某光伏龙头丝网印刷工序优化后，单片银浆损耗显著降低，年产15GW基地预估年节省成本超4500万元。迄今为止，赛意信息已服务3000多家制造企业，在电子、光伏、家电三大领域MES份额均居国内第一。
这家企业凭什么能让这场“模数共振”持续放大？答案藏在“工业智算—工业大模型—工业智能应用”这一全栈工业AI战略里。这三层，恰好对应“模数共振”从动力到算法，再到价值兑现的完整链条。
拆开来看，在最底层的算力底座，赛意信息已经投入使用首个8.33亿元规模的先进算力集群，形成一体化的算力服务闭环。在中间层的工业大模型上，赛意信息打造“善谋GPT”智能体开发平台，沉淀PCB、家电、装备等行业的垂直模型。
在上层工业智能应用方面，赛意信息已落地覆盖研、产、供、销、服全链路的AI视觉质检、供应链智能调度、数智经营决策等多类工业智能体，让AI能力直达业务一线，切实推动企业降本、提质、增效。
三层协同，构成“模数共振”的一个完整映射：算力底座提供“共振”所需的物理平台，行业模型是“共振”的算法内核，业务智能体则是“共振”在场景中的价值兑现。
这让赛意信息得以入选“2025中国工业软件十大标杆企业”，并处于中国工业大模型及智能体解决方案厂商评估“领导者”象限。
“下一步，我们的产品迭代将围绕全栈工业AI持续深耕。一方面筑牢工业AI底层能力底座，适配制造业严苛的安全、稳定要求；另一方面持续沉淀行业认知与工艺经验，让AI更贴合制造场景。最终核心发力点是推动工业AI规模化落地，将验证成熟的方案快速复用。”该负责人告诉南方财经记者。
广东如何做好“模数共振”？
赛意信息的实践并非孤例。在广东，一场更大范围的“模数共振”正在铺开。
广东提出，力争到2026年底，建设200家以上智能工厂和智能体工厂；已出台《人工智能赋能制造业高质量发展行动方案（2025—2027年）》，以“百行千模”为牵引推动工业模型创新发展。
不久前，在一场智能工厂梯度培育政策宣贯培训会上，广东再次释放明确信号：今年卓越级智能工厂的AI应用场景比例从20%提高到30%，领航级要求不低于60%。
广东搞“模数共振”，有其不可复制的底气。这里拥有全国最密集的工业场景，规上工业企业超过6万家，电子信息、家电、汽车等产业链数据密度极高。
更重要的是，广东走了一条与别处不同的路。不是拿着通用AI找场景，而是让AI解决方案从工厂里长出来。
这与要务科技CEO石东海的看法不谋而合。在他看来，工业AI Agent的落地，不是一场算法竞赛，而是一场工程韧性的较量。
在“模数共振”这场大潮中，要务科技的定位非常清晰，把大模型和物理模型的能力落地到工业环境中。“我们是桥梁，是工程化引擎，是生态连接层。”石东海表示。
为实现这一目标，要务科技在研发投入上，极为注重场景验证，避免盲目预训练。“公司将近一半的研发资源投入到工业数据治理与语义对齐，以及数字孪生沙盘验证上。这个沙盘里跑着上万种极端工况的模拟数据，让Agent在虚拟环境中先跑通，再放到现实中去验证。”石东海说。
不难发现，从赛意信息的数据标准化叠加AI嵌入，到要务科技的“物理感知+因果决策+闭环执行”，广东AI企业正用不同路径回答同一个问题：如何让AI模型与工业数据真正“共振”起来。
一个从数据端发力，先让数据说话再让AI上岗；一个从物理端发力，让AI先理解工业世界再作出决策。两条路径共同指向“模数共振”的内核，让AI模型与工业数据相互“喂养”，形成自进化的闭环。
从今年4月国家启动“模数共振”行动开始，广东各地也在密集行动。广州、东莞、珠海、佛山等地均在大力布局“模数工坊”“模数空间”等创新空间。
当工业数据真正开始“喂养”AI模型，当AI决策真正开始指挥产线，广东正在用一场“模数共振”的实验解答人工智能发展的关键问题：未来，制造业的竞争将不再是传统工厂与数字化工厂的竞争，而是数据驱动的智能工厂与经验驱动的传统工厂的竞争。
当然，广东发展“模数共振”也面临诸多挑战。赛意信息上述负责人谈道，“模数共振”要规模化开展，最大的瓶颈在于跨场景价值闭环难以快速复制。背后的根源是，企业数据基础差异大、工业工艺know-how门槛高。换言之，“共振”要持续放大，仍须跨过数据、工艺与安全可靠三道关口。
受访专家建议，广东要三路并进推进“模数共振”。数据上，依托“百行千模”牵引，推动工业数据从“沉睡的资源”变为“可用的资产”。工艺上，不追“大而全”的通用大模型，坚定走“轻量级”垂类路线。安全上，加快建立省级工业互联网安全认证与互认体系，推广可信数据空间，让企业“敢用、愿用、会用”工业AI。
（文章来源：21世纪经济报道）

[Оригинал](https://emwap.eastmoney.com/a/202608013828805377.html)