（二）开发高水平行业模型。支持模型训练和推理方法创新，开发适应制造业实时性、可靠性、安全性特点的高性能算法模型。培育重点行业大模型，发展“云－边－端”模型体系，持续提升泛化能力。打造面向工业细分场景小模型，鼓励大小模型协同创新。推动模型轻量化部署，加快在工业场景落地应用。打造模型公共服务平台，提供高水平模型及配套工具服务。支持建设大模型评测基准体系，打造权威榜单，定期发布评测结果，牵引技术迭代升级。

（三）开展“模数共振”行动。推动建立企业首席数据官制度，持续推进数据管理能力成熟度国家标准贯标，夯实企业数据治理基础。梳理适配行业模型需求的数据资源清单，发布制造业高质量数据集建设指南，用好制造业数字化转型促进中心等载体，推动将基础数据转化为高质量行业数据集，实现“以模引数”。指导企业加强数据工程能力建设，促进企业数据开发与模型建设深度融合，探索建立“数据协同、模型训练、应用开发、安全保障”一体化机制，实现“用数赋模”。

（四）加快重点行业应用赋能。深入开展人工智能赋能新型工业化“深度行”活动，组织高水平专家、企业、研究机构等赋能服务团深入行业、地方、园区。建设人工智能应用对接平台，促进供需精准匹配。参考《人工智能赋能制造业重点行业转型指引》（见附件1），分类制定“人工智能+制造”行业应用全景图和转型路线图，加快赋能原材料、装备制造、消费品、电子信息、软件和信息技术服务等制造业相关重点行业，加快标杆解决方案和经验推广应用。

（五）加速全流程转型升级。系统梳理重点环节应用场景，深化智能工厂梯度培育，推动大模型技术深度嵌入生产制造核心环节，改造研发设计（含工业设计）、中试验证、生产制造、营销服务、运营管理等全流程，提升辅助设计、仿真模型构建、排产调度、设备预测性维护等能力。

研发设计环节。重点推进智能辅助设计、软件代码辅助编写、药物研发等，打造个性化、低成本、高效能的新型研发设计模式。加强工业研发数据集建设和开源共享，探索建立人工智能预测结果评估体系，提升工程技术创新能力，疏通人工智能科学发现的“堰塞湖”。

中试验证环节。大力推进中试智能化改造，加快虚拟仿真、多模态融合等技术在中试环节的应用，通过全面感知、实时分析、科学决策和精准执行，优化工艺流程、提高中试效率、降低试验成本。

生产制造环节。深化人工智能技术在工业核心流程控制、工艺优化、排产调度等环节应用，促进生产过程分析、决策、执行智能化。推广机器视觉、无人智能巡检等工业质检技术，强化产线实时监测和预测性维护，提升设备故障识别准确性，实现安全生产风险预警与事件告警。