--- title: "存储股下跌之后，AI 还是市场主线吗？" type: "Topics" locale: "en" url: "https://longbridge.com/en/topics/42605869.md" description: "7 月 7 日，三星预计二季度营业利润为去年同期 19 倍，股价却跌 6.9%，美光、闪迪跟跌；同样是在 7 月初，集邦咨询预计三季度 DRAM（不含 HBM）、NAND 合约价仍将分别上涨 13%—18% 和 10%—15%，只是涨幅收窄。利润暴增、价格仍涨、股价下跌放在一起，更像是市场对存储的追捧开始松动。很快，存储股下跌被翻译成 AI 需求转弱，市场开始担心主线会不会发生迁移..." datetime: "2026-07-13T03:08:52.000Z" locales: - [en](https://longbridge.com/en/topics/42605869.md) - [zh-CN](https://longbridge.com/zh-CN/topics/42605869.md) - [zh-HK](https://longbridge.com/zh-HK/topics/42605869.md) author: "[躺平指数](https://longbridge.com/en/profiles/8832439.md)" --- # 存储股下跌之后，AI 还是市场主线吗？ ![图片](https://pub.pbkrs.com/uploads/2026/a6eecd8efc90321ccced40dd5ccc5fb5?x-oss-process=style/lg) 7 月 7 日，三星预计二季度营业利润为去年同期 19 倍，股价却跌 6.9%，美光、闪迪跟跌；同样是在 7 月初，集邦咨询预计三季度 DRAM（不含 HBM）、NAND 合约价仍将分别上涨 13%—18% 和 10%—15%，只是涨幅收窄。 利润暴增、价格仍涨、股价下跌放在一起，更像是市场对存储的追捧开始松动。很快，存储股下跌被翻译成 AI 需求转弱，市场开始担心主线会不会发生迁移。可市场是否真的在离开 AI，不能由存储一个环节的涨跌决定。 真正要判断的，是调整仍在 AI 内部轮动，还是主线正在离开 AI。**只要交给 AI 的任务仍在增加，AI 主线就还有需求基础**；至于利润最终落在哪个环节，倒还是相对次要的问题。 难点在于，交给 AI 的任务量没有实时价格。国际能源署（IEA）2026 年报告估计，近年同一项 AI 任务的耗电量每年至少下降 90%，2025 年 AI 专用数据中心用电却增长 50%；Google6 月披露，月处理 Token 两年增约 330 倍。用电反映物理负载，Token 反映使用规模，两者都在扩张。 这种组合出现时，最经典的解释是杰文斯悖论：**效率提高让资源更便宜，使用随之增加，最后总消耗反而上升**。 2025 年 12 月，美国国家经济研究局（NBER）发布 Mert Demirer 等四人的工作论文，使用 OpenRouter 和微软 Azure 真实 API 数据观察降价后的用量变化。价格降 10%，用量增约 11%。打个比方，原来用 100 单位要花 1000 元；单价从 10 元降到 9 元后，用量增至约 111 单位，花费仍在 1000 元左右。 这类研究看到的是用量对价格的短期反应，分不清增长来自更多请求，还是每次请求背后的任务变得更重。月活和请求次数只记录有多少人使用、发起了多少次调用，看不出一项任务在后台被拆成多少步骤。从用户界面看，翻译一句话和整理会议录音、核对数字、列出待办、写好客户邮件，都可能只是一条指令，后台工作量却完全不同。 **真正的 AI 需求反转，需要看到单项任务里的 AI 步骤减少，AI 进入专业领域的速度停下来，已经交出去的工作重新回到人工**。 _**01**_**AI 会接手更多步骤** AI 接手人类工作中的更多步骤，已经成为模型公司公开竞争的方向。 OpenAI 在 2026 年 2 月介绍 GPT-5.3-Codex 时，把研究、工具调用和复杂执行组成的长任务列为重点；智谱 6 月发布 GLM-5.2 时，直接把 “为长周期任务打造” 写进标题，并用持续数小时甚至数十小时的开放项目测试模型。大家开始比的，已经不只是谁一次答得更好，还包括谁能围绕同一个目标连续工作更久。 Anthropic 在 2026 年 6 月分析了约 40 万次 Claude Code 交互式会话，覆盖约 23.5 万名用户。对任务不熟悉的用户每交代一次，Claude 平均执行约 5 个动作、输出约 600 词；熟悉任务的用户则是 12 个动作、3200 词。 为了尽量排除其他因素的影响，研究人员把工作方式、任务价值、月份、职业和模型等条件尽量拉齐。按常理来说，越熟悉一项工作的人，越不需要 AI 多做；数据恰好相反，熟悉程度每提高一档，AI 执行的动作增加 9%、输出增加 13%。 **越清楚一项工作应该怎么做，越能把具体步骤交给 AI**。这里真正发生变化的，不是人向 AI 多问了几句话，而是两次人工介入之间，AI 可以连续完成更多检索、执行、检查和修正。上一步执行产生的结果，会直接成为 AI 决定下一步的依据；它可以据此调整计划、再次调用工具，不必等人重新发出一条指令。 任务进入 Agent 工作方式以后，后台消耗会增加；如果再拆给多个 AI 智能体，分工还会继续扩大。在 Anthropic 自己的研究系统中，单个 AI 智能体消耗的 Token 约为普通聊天的 4 倍，由多个智能体协作时约为 15 倍。完成一项研究时，不同智能体会分别检索资料，再由主智能体汇总和核对。 在这种系统里，尽管用户最后拿到的仍是一份结果，背后却已经并行跑过多条任务线。这组倍数只来自 Anthropic，也不是同一任务在不同架构下的对照实验，只能说明多智能体研究系统的 Token 消耗可能远高于普通聊天。 即便是经常使用 AI、已经比较熟练的人，也会有一个很直接的感受：**把相同类别的任务交给同一个 AI，它每次完成任务的路径以及消耗的 Token 并不一样，有时差异还会特别大**。 Stanford 数字经济实验室 2026 年 4 月发布的一项工作论文比较了 8 个前沿模型在同一编码基准上的运行轨迹，发现同一道任务不同运行消耗的 Token 最多相差 30 倍；多花 Token 也不一定做得更好，准确率往往在中等成本时已经见顶。 这样的证据显示，如今看似疯狂的 Token 增长里确实有浪费。模型公司和使用者还在摸索一项工作该拆成几步、什么时候重试、检查到什么程度；同一件事多跑几十倍，不代表这些消耗以后都会保留下来。 随着方法成熟，重复尝试和无效返工会减少，同一项任务所需的 Token 也可能下降。但只要工作仍需安排步骤、调用工具和检查结果，这些环节就不会因为模型效率提高而消失。**人们交给 AI 的任务越完整，需要它完成的环节越多；更多专业领域开始采用同样的方式，又会带来下一层增长**。 _**02**_**AI 接手的，不只是编程** 代码能够运行、报错、测试和反复修改，模型每走一步都能得到明确反馈，所以编程率先成为 AI 智能体的主战场。其他专业领域也有自己的资料、工具和验收方法，生命科学就是头部公司正在重点推进的方向之一。 2026 年 6 月 17 日，OpenAI 发布 LifeSciBench，由 173 名具有博士训练和生物科技或制药经验的科学家编写 750 项贴近真实科研工作的任务，其中 79% 需要多步推理或决策。任务包括处理证据、分析数据、设计实验和验证结果，把研究人员日常面对的复杂工作变成可以评估的 AI 任务。 OpenAI 在 2026 年 4 月推出生命科学模型 GPT-Rosalind，并同步推出可连接 50 多种科学工具和数据源的 Codex 生命科学插件；Anthropic 在 6 月 30 日推出 Claude Science，能够连接实验室计算资源、60 多个科学数据库和负责核对结果的 AI 智能体。两家公司都在把通用模型改造成生命科学的工作台。 2026 年 2 月，OpenAI 与 Ginkgo Bioworks 把 GPT-5 接入云端自动化实验室，在人工监督下由模型设计实验、机器人执行，实验结果再回传模型。6 轮循环测试了 3.6 万多种反应组合，在一种蛋白和一套无细胞蛋白合成体系中，相比此前最佳基线把生产成本降低 40%。AI 也开始根据物理实验的反馈决定下一步，进入真实的实验循环。 代码靠测试验证，生命科学靠实验反馈，财务核对、合同审阅和工业仿真也各有自己的规则、参数和验收方式。AI 能够接入相应资料和工具，再把结果交给专业人员或现实反馈检验，就有机会形成自己的工作流。**AI 进入的专业领域越多，可以交给它完成的工作也就越多**。 而在 Anthropic 披露的真实使用数据中，2025 年 10 月至 2026 年 4 月，Claude Code 会话中用于查错改错的比例从 33% 降至 19%，用于部署和运行软件的比例从 14% 升至 21%，写作与数据分析合计从约 10% 升至 20%。Claude Code 的边界正在从处理代码问题，扩展到软件运行和非代码知识工作。 我自己就是很直接的例子。我不会编程，但已经用 Codex 和 Claude Code 整理资料、核对数据和推进投研，并且逐步把整套投研流程交给 AI。程序员最早用起来的这套执行方式，同样适用于研究、市场、财务和法务；**由编程场景迭代出来的产品逻辑和 AI 能力，正在向企业内部其他业务扩展。** 2026 年 7 月 9 日，OpenAI 把 Chat、ChatGPT Work 和 Codex 放进同一款 ChatGPT 桌面端：Work 负责研究、分析和成品交付，Codex 负责软件开发；两种模式都能使用内置浏览器，聊天、知识工作和软件开发开始汇到同一个桌面应用里。 对于大部分投资者来说，即使知道这些产品已经发生变化，也很难真正感受到 AI 能力已经走到哪一步。我知道很多人都已经在用 ChatGPT，使用方式却仍停留在 2022、2023 年的一问一答。比如打开手机，输入一个股票代码，问一句 “这家公司怎么看”，等它返回一段分析，读完就结束。 使用停在这里，用户看到的仍然只有一段答案；检索资料、核对数据、调用工具和反复修改这些原本由人完成的过程，还没有真正交给 AI，自然也就感受不到一条指令之后，AI 已经可以连续完成多少工作。 从 “问一句” 到 “交代一件事”，改变的不只是使用方式。前者随时可以停，后者一旦能够稳定交付，停用 AI 就意味着把整套工作重新交还给人。**人一旦适应了把这些重复、繁琐却又必须完成的工作交给 AI，就很难再把它们一件件接回自己手里**。 _**03**_**结语** 现在市场最麻烦的是，看多和看空 AI 都能找到有道理的证据。存储价格和股价让人谨慎，Token、用电和能力边界的扩张又给人乐观的理由。 市场每天都在给存储和 AI 公司定价，但究竟又有多少工作被交给了 AI，很难直接观察，这也是 AI 需求最容易被误判的地方。 不过，也没必要硬找一个看起来很精确的数字。更实际的办法，是看我们又把哪些活交给了 AI：同一件事，是不是已经从问一句，变成让它自己查资料、调用工具、检查和修改；编程之外，投研、生命科学、财务和法务这些工作，是不是也开始用上同样的方式。只要这些变化还在继续，交给 AI 的工作就还在增加。 **真正需要担心的，不是存储跌了几天，也不是某家公司少赚了一点，而是模型还在变好、使用成本还在下降，人们却不再把新的工作交给 AI，甚至开始把已经交出去的活重新拿回来**。到了那一步，AI 需求才是真的转向。在那之前，市场更多只是在重新选择，AI 这条主线里的钱最后由谁来赚。$SK Hynix(SKHY.US) $Micron Tech(MU.US)  _**声明：本文仅用于学习和交流，不构成投资建议。**_ ### Related Stocks - [ANTH.NA](https://longbridge.com/en/quote/ANTH.NA.md) - [MU.US](https://longbridge.com/en/quote/MU.US.md) - [OpenAI.NA](https://longbridge.com/en/quote/OpenAI.NA.md) - [SSNGY.US](https://longbridge.com/en/quote/SSNGY.US.md) - [MSFT.US](https://longbridge.com/en/quote/MSFT.US.md) - [MSFL.US](https://longbridge.com/en/quote/MSFL.US.md) - [MSFO.US](https://longbridge.com/en/quote/MSFO.US.md) - [MSFD.US](https://longbridge.com/en/quote/MSFD.US.md) - [MSFU.US](https://longbridge.com/en/quote/MSFU.US.md) - [MSFX.US](https://longbridge.com/en/quote/MSFX.US.md) - [MSFY.US](https://longbridge.com/en/quote/MSFY.US.md) - [SKHY.US](https://longbridge.com/en/quote/SKHY.US.md)