2026 年 4 月，工业和信息化部、国家数据局联合印发《关于联合实施 2026 年「模数共振」行动的通知》，设置 7 项重点任务，推动人工智能模型与数据资源协同互促、同频共振，形成「以模引数、以数促模」的良性循环。

「模数共振」要解决什么

模型与数据的关系，长期存在一个错配：模型迭代很快，但可用的高质量数据增长缓慢。结果是模型能力受限于数据供给，而大量沉睡的数据又无法被有效利用。

「模数共振」的思路是双向的。以模引数，是用模型的需求牵引数据的采集、标注与治理，让数据生产有明确的目标；以数促模，是用高质量数据反哺模型训练与优化，提升模型在具体场景中的表现。两份主管部门的联合，正是把「模型侧」与「数据侧」的政策工具打通。

七项任务的落点

从公开信息看，七项重点任务围绕数据供给、标注能力、场景落地与生态建设展开，覆盖从数据采集到模型应用的链条。其共同指向是：让数据从「有」变成「可用」，让模型从「通用」变成「能用」。

对企业而言，这意味着参与其中的路径更清晰——作为数据供给方、标注服务方、模型方或场景方，都能在行动中找到位置；同时也意味着参与门槛更明确，尤其是数据的来源合法性与质量要求。

数据合规是绕不开的前提

无论以何种角色参与，数据合规都是前置条件。

第一，来源合法性。用于模型训练与数据集建设的数据，需有合法来源与授权依据。公开采集、第三方采购、用户产生数据三类来源的合规基础不同，需分别梳理，可参见AI 企业数据合规风险。

第二，个人信息处理边界。涉及个人信息的，需明确处理目的、范围与告知同意安排；涉及敏感个人信息的，要求更严。规模化处理个人信息的，需关注「大型个人信息处理者」的特别义务，可参见大型个人信息处理者义务。

第三，权属与流通。数据集的权属安排与对外流通，需结合数据产权登记制度设计，可参见《数据产权登记工作指引（试行）》解读。

第四，安全措施。数据集的存储、传输与共享环节，需配置与数据敏感度相匹配的安全措施。

与数据集建设行动的衔接

「模数共振」与国家数据局此前部署的行业高质量数据集建设，是同一条主线的两次推进。前者侧重模型与数据的协同机制，后者侧重数据集的规模化建设，可参见行业高质量数据集建设行动实施方案。

对 AI 企业而言，两条政策的叠加信号清楚：数据供给正在成为一项有明确政策支持、也有明确合规要求的工作。把数据的来源、权属与安全做实，既是参与行动的门票，也是未来在融资与并购中经得起尽调的基础，可参见数据合规服务。

本文依据工业和信息化部、国家数据局 2026 年 4 月联合印发《关于联合实施 2026 年「模数共振」行动的通知》公开信息编写，仅供参考，不构成法律意见。