A China está transformando o conceito de “Model-Data Resonance”em uma infraestrutura para acelerar a aplicação de inteligência artificial na indústria. A iniciativa procura resolver um dos principais gargalos da chamada Industrial AI: a distância entre modelos de inteligência artificial, dados industriais e aplicações concretas. A proposta é criar um ciclo no qual modelos especializados utilizam dados de processos industriais, esses modelos são aplicados a cenários reais e os novos dados produzidos pelas aplicações retornam para aperfeiçoar os modelos. A estratégia começa agora a ganhar escala regional, com Shanghai e Guangzhou entre os primeiros grandes polos a transformar a diretriz nacional em programas concretos.
A lógica é importante porque a indústria possui características muito diferentes das aplicações convencionais de IA generativa. Um grande modelo de linguagem pode produzir respostas sofisticadas, mas isso não significa que compreenda as condições específicas de uma planta química, uma linha de montagem, uma siderúrgica ou uma operação de manutenção. Para funcionar industrialmente, a IA precisa ter acesso a dados contextualizados sobre equipamentos, processos, qualidade, produção, manutenção e desempenho, além de incorporar conhecimento técnico específico de cada setor. O “Model-Data Resonance” procura justamente aproximar esses elementos e transformar dados industriais em matéria-prima para modelos especializados.
Em Shanghai, medidas publicadas em julho de 2026 mostram como essa estratégia está sendo operacionalizada: a cidade passou a apoiar o desenvolvimento de grandes modelos verticais dedicados à indústria, inteligência artificial física, agentes industriais, software industrial e Internet Industrial. As medidas também preveem a construção de conjuntos de dados de alta qualidade para treinamento e avaliação, a identificação de cenários de alto valor e o desenvolvimento de modelos especializados ou agentes de IA para aplicações específicas. Shanghai pretende ainda estimular a criação de “Model-Data Resonance Spaces”, ambientes dotados de infraestrutura de hardware, software e mecanismos de governança capazes de permitir o compartilhamento controlado de dados e o treinamento colaborativo de modelos entre diferentes organizações.
A importância dessa arquitetura está na tentativa de superar um problema recorrente dos projetos de IA industrial: o piloto funciona, mas não escala. Uma empresa pode desenvolver um algoritmo capaz de detectar uma determinada falha ou otimizar um processo, mas a solução frequentemente permanece isolada porque os dados não estão estruturados, não podem ser compartilhados, não existe um modelo adequado para outros equipamentos ou faltam mecanismos para transformar o projeto em uma aplicação replicável. O “Model-Data Resonance” procura criar justamente uma infraestrutura para que dados, modelos e aplicações evoluam conjuntamente.
A escala nacional começa a aparecer nos resultados apresentados em julho: segundo dados divulgados pela Administração Nacional de Dados da China durante a preparação da edição de 2026 da China International Big Data Industry Expo, realizada no fim de agosto, 140 unidades-piloto já haviam construído conjuntos de dados de alta qualidade que somavam mais de 106 petabytes até junho de 2026. Entre elas, 72 empresas líderes de cadeias industriais haviam construído mais de 45 petabytes de dados de alta qualidade, abrangendo mais de 759 cenários de alto valor. Esses números indicam que o programa está sendo estruturado não apenas como política de desenvolvimento de modelos, mas como uma política de formação de uma base nacional de dados para IA.
O movimento de Guangzhou mostra outra dimensão da estratégia: em 20 de julho, o Departamento Municipal de Indústria e Tecnologia da Informação publicou a lista preliminar de casos típicos de inteligência artificial associados ao “Model-Data Resonance” em setores prioritários. A seleção tem validade até dezembro de 2027 e representa uma tentativa de identificar aplicações que possam funcionar como referências para outros projetos industriais. Em vez de medir o avanço da IA apenas pelo número de modelos desenvolvidos, Guangzhou passa a avaliar também a capacidade de transformar esses modelos em aplicações concretas e replicáveis.
O conceito também está associado a uma mudança na forma de tratar o dado industrial. Em uma fábrica tradicional, informações permanecem distribuídas entre sistemas de controle, historiadores, MES, ERP, manutenção, inspeção, engenharia e documentos técnicos. A estratégia chinesa procura transformar esse conjunto heterogêneo em datasets organizados e adequados ao treinamento e à avaliação de modelos. Isso exige não apenas armazenamento, mas limpeza, contextualização, anotação, integração e governança. Na prática, significa transformar o dado produzido pela operação industrial em um ativo estratégico para o desenvolvimento de IA.
Essa abordagem cria uma ponte entre a automação convencional e a inteligência artificial. DCS, PLC, SCADA, sensores e sistemas de aquisição continuarão responsáveis pela coleta de dados e pelo controle determinístico dos processos, mas esses dados poderão alimentar uma camada superior de modelos especializados e agentes industriais. Em aplicações de manutenção, por exemplo, um modelo pode analisar históricos de falhas, dados de condição e registros de intervenção para identificar padrões de degradação. Em produção, pode correlacionar variáveis de processo e qualidade para recomendar ajustes. Em gestão energética, pode avaliar simultaneamente demanda, produção e condições operacionais para identificar oportunidades de otimização.
A iniciativa chinesa prevê a criação de ambientes colaborativos capazes de resolver um dos problemas mais delicados da IA industrial: as empresas possuem dados valiosos, mas frequentemente não querem ou não podem compartilhá-los. Os “Model-Data Resonance Spaces” foram concebidos para criar infraestrutura segura e confiável para colaboração entre diferentes organizações, inclusive com treinamento conjunto de modelos sem necessariamente transferir todos os dados para um único ambiente. A proposta é evoluir gradualmente para aquilo que a política chinesa denomina “agent factories”, estruturas destinadas ao desenvolvimento sistemático de agentes de IA especializados.
Essa arquitetura representa uma evolução em relação à primeira fase da IA industrial, marcada por projetos isolados de visão computacional, manutenção preditiva, otimização de processos ou análise de documentos. A nova estratégia procura construir um ciclo permanente de aprendizagem. Quanto mais aplicações forem implantadas, mais dados de operação serão produzidos; quanto melhores forem esses dados, mais especializados poderão ser os modelos; e quanto melhores forem os modelos, maior será o número de aplicações economicamente viáveis.
A escala da infraestrutura de dados chinesa ajuda a explicar a ambição do programa. Dados divulgados em julho apontam que a infraestrutura nacional de dados já conectava mais de 40 mil entidades e que os conjuntos de dados de alta qualidade construídos pelos projetos-piloto do “Model-Data Resonance” ultrapassavam 106 petabytes. A mesma atualização indicava uma capacidade nacional de computação inteligente de aproximadamente 2,4 milhões de PFLOPS, mostrando que a estratégia está sendo construída simultaneamente em três frentes: dados, capacidade computacional e modelos.
Para a indústria de processo, essa evolução merece atenção especial. Uma arquitetura de “Model-Data Resonance” poderia combinar dados históricos de processo, informações de manutenção, inspeção, engenharia e operação com modelos específicos para cada ativo ou processo. Isso abre espaço para aplicações de detecção de anomalias, otimização energética, manutenção preditiva, análise de alarmes, integridade de ativos, planejamento e apoio à decisão operacional.
O aspecto mais estratégico da iniciativa, portanto, não é a criação de novos modelos de IA; é a tentativa de transformar dados industriais em infraestrutura nacional de inteligência. A China está procurando criar mecanismos para que os dados gerados pelas fábricas alimentem modelos especializados, que esses modelos sejam incorporados aos processos industriais e que os resultados retornem ao ciclo de dados. A consequência potencial é uma mudança na própria arquitetura da transformação digital: a fábrica deixa de ser apenas um ambiente onde a IA é instalada e passa a ser também a fonte contínua dos dados que permitem à IA aprender e evoluir.
Para fornecedores de automação, instrumentação, software industrial e sistemas de controle, essa mudança é relevante porque desloca a competição para uma camada que ultrapassa o hardware. Sensores, PLCs, DCS e SCADA continuam sendo fundamentais, mas o valor crescente estará na capacidade de contextualizar os dados que eles produzem, conectá-los a modelos especializados e transformá-los em decisões operacionais. A disputa pela IA industrial poderá, portanto, ser menos uma corrida pelo maior modelo e mais uma corrida pela capacidade de reunir dados de qualidade, conhecimento setorial, modelos especializados e cenários reais de aplicação. A estratégia chinesa sugere que a próxima fase da transformação industrial será criar uma infraestrutura na qual a própria operação industrial alimente continuamente a inteligência que a otimiza. Se o modelo conseguir superar os desafios de qualidade dos dados, interoperabilidade, segurança, governança e retorno sobre investimento, o “Model-Data Resonance” poderá se tornar uma das peças centrais da estratégia chinesa para transformar a enorme base manufatureira do país em uma plataforma permanente de aprendizado industrial.
