工业智能落地新路径："模数共振"如何打通大模型与产业数据的壁垒

大模型正在加速从"能答题"走向"能落地"，但在工业场景中，"能干活"的门槛远高于"能聊天"。2026人民数据大会上，北电数智提出的"模数共振"模式，为工业智能落地提供了一条清晰路径。

一、工业智能的现实困境

数据显示，应用大模型及智能体的工业企业比例已从2024年的不足一成，快速攀升至2025年的约47.5%。然而，现有数据体系大多面向传统生产系统构建，并非为大模型和智能体应用而规划。这导致了一个尴尬的局面：企业有数据，但AI用不了；AI有能力，但数据喂不进去。

更深层的问题是"老师傅经验的消失"。工业领域大量关键知识存在于资深工程师的头脑中——设备异常的判断标准、工艺参数的调整经验、故障排查的优先路径。这些隐性经验随着人员流动不断流失，传统文档根本无法有效沉淀。

二、"模数共振"：打通模型与数据的双向通道

"模数共振"的核心思路是以AI需求牵引数据的采集与加工，同时以高质量数据反哺模型能力的提升，形成正向循环。具体包括四个层面：

夯实数据根基：将研发设计、生产执行、企业管理等多源数据汇聚集成，解决数据孤岛问题。不是简单地堆砌数据，而是按照AI可理解的格式重新组织。

锤炼模型能力：基于行业场景精调通用大模型，让模型真正理解工业流程和专业术语。通用模型不懂"淬火温度偏差5度意味着什么"，精调后的模型才能做出正确判断。

创造增量价值：聚焦高价值场景，让智能体从辅助工具升级为核心动能。不是让AI做边缘工作，而是让它在关键决策环节发挥不可替代的作用。

沉淀专家知识：结合知识图谱和本体技术，将老师傅的隐性经验系统化梳理，形成企业的"知识大脑"，为大模型和智能体提供高质量供给。

三、知识大脑：让经验可调用、可传承

知识大脑是"模数共振"的关键产物。它不是传统的知识库，而是一个动态更新的智能知识系统。当工程师处理完一次设备故障，系统会自动提取关键步骤、判断依据和处理结果，形成结构化知识条目。当类似故障再次出现时，智能体可以直接调用历史经验，无需从头排查。

这种"经验即资产"的理念正在改变工业知识管理的方式。过去经验存在人脑里，人走经验走；现在经验存在知识大脑里，人走经验留。对于人员流动频繁的制造企业，这种能力尤为重要。

四、工业智能不是一家能完成的工程

北电数智强调，工业智能的落地需要数据加工企业、模型企业和智能体企业协同合作。数据企业负责把原始数据变成AI可用的"精饲料"，模型企业负责把通用能力变成行业专长，智能体企业负责把AI能力嵌入生产流程。三方缺一不可。

这种产业协作模式也意味着，企业不需要"从零到一"自建所有能力。选择合适的合作伙伴，基于现有工业软件和算力底座进行增强，比重复造轮子更高效。

五、对企业的启示

对于正在推进AI落地的企业，"模数共振"提供了三个关键启示：第一，先梳理数据再选模型，而非先买模型再找数据；第二，优先沉淀核心岗位的专家经验，这是最容易被忽视也最有价值的AI"燃料"；第三，从高价值场景切入，让AI先在一个环节证明价值，再逐步扩展。工业智能不是一蹴而就的工程，而是一场需要耐心和策略的持久战。