存儲股下跌之後，AI 還是市場主線嗎？

7 月 7 日，三星預計二季度營業利潤為去年同期 19 倍，股價卻跌 6.9%，美光、閃迪跟跌；同樣是在 7 月初，集邦諮詢預計三季度 DRAM（不含 HBM）、NAND 合約價仍將分別上漲 13%—18% 和 10%—15%，只是漲幅收窄。

利潤暴增、價格仍漲、股價下跌放在一起，更像是市場對存儲的追捧開始鬆動。很快，存儲股下跌被翻譯成 AI 需求轉弱，市場開始擔心主線會不會發生遷移。可市場是否真的在離開 AI，不能由存儲一個環節的漲跌決定。

真正要判斷的，是調整仍在 AI 內部輪動，還是主線正在離開 AI。只要交給 AI 的任務仍在增加，AI 主線就還有需求基礎；至於利潤最終落在哪個環節，倒還是相對次要的問題。

難點在於，交給 AI 的任務量沒有實時價格。國際能源署（IEA）2026 年報告估計，近年同一項 AI 任務的耗電量每年至少下降 90%，2025 年 AI 專用數據中心用電卻增長 50%；Google6 月披露，月處理 Token 兩年增約 330 倍。用電反映物理負載，Token 反映使用規模，兩者都在擴張。

這種組合出現時，最經典的解釋是傑文斯悖論：效率提高讓資源更便宜，使用隨之增加，最後總消耗反而上升。

2025 年 12 月，美國國家經濟研究局（NBER）發佈 Mert Demirer 等四人的工作論文，使用 OpenRouter 和微軟 Azure 真實 API 數據觀察降價後的用量變化。價格降 10%，用量增約 11%。打個比方，原來用 100 單位要花 1000 元；單價從 10 元降到 9 元后，用量增至約 111 單位，花費仍在 1000 元左右。

這類研究看到的是用量對價格的短期反應，分不清增長來自更多請求，還是每次請求背後的任務變得更重。月活和請求次數只記錄有多少人使用、發起了多少次調用，看不出一項任務在後台被拆成多少步驟。從用户界面看，翻譯一句話和整理會議錄音、核對數字、列出待辦、寫好客户郵件，都可能只是一條指令，後台工作量卻完全不同。

真正的 AI 需求反轉，需要看到單項任務裏的 AI 步驟減少，AI 進入專業領域的速度停下來，已經交出去的工作重新回到人工。

01AI 會接手更多步驟

AI 接手人類工作中的更多步驟，已經成為模型公司公開競爭的方向。

OpenAI 在 2026 年 2 月介紹 GPT-5.3-Codex 時，把研究、工具調用和複雜執行組成的長任務列為重點；智譜 6 月發佈 GLM-5.2 時，直接把 “為長週期任務打造” 寫進標題，並用持續數小時甚至數十小時的開放項目測試模型。大家開始比的，已經不只是誰一次答得更好，還包括誰能圍繞同一個目標連續工作更久。

Anthropic 在 2026 年 6 月分析了約 40 萬次 Claude Code 交互式會話，覆蓋約 23.5 萬名用户。對任務不熟悉的用户每交代一次，Claude 平均執行約 5 個動作、輸出約 600 詞；熟悉任務的用户則是 12 個動作、3200 詞。

為了儘量排除其他因素的影響，研究人員把工作方式、任務價值、月份、職業和模型等條件儘量拉齊。按常理來説，越熟悉一項工作的人，越不需要 AI 多做；數據恰好相反，熟悉程度每提高一檔，AI 執行的動作增加 9%、輸出增加 13%。

越清楚一項工作應該怎麼做，越能把具體步驟交給 AI。這裏真正發生變化的，不是人向 AI 多問了幾句話，而是兩次人工介入之間，AI 可以連續完成更多檢索、執行、檢查和修正。上一步執行產生的結果，會直接成為 AI 決定下一步的依據；它可以據此調整計劃、再次調用工具，不必等人重新發出一條指令。

任務進入 Agent 工作方式以後，後台消耗會增加；如果再拆給多個 AI 智能體，分工還會繼續擴大。在 Anthropic 自己的研究系統中，單個 AI 智能體消耗的 Token 約為普通聊天的 4 倍，由多個智能體協作時約為 15 倍。完成一項研究時，不同智能體會分別檢索資料，再由主智能體匯總和核對。

在這種系統裏，儘管用户最後拿到的仍是一份結果，背後卻已經並行跑過多條任務線。這組倍數只來自 Anthropic，也不是同一任務在不同架構下的對照實驗，只能説明多智能體研究系統的 Token 消耗可能遠高於普通聊天。

即便是經常使用 AI、已經比較熟練的人，也會有一個很直接的感受：把相同類別的任務交給同一個 AI，它每次完成任務的路徑以及消耗的 Token 並不一樣，有時差異還會特別大。

Stanford 數字經濟實驗室 2026 年 4 月發佈的一項工作論文比較了 8 個前沿模型在同一編碼基準上的運行軌跡，發現同一道任務不同運行消耗的 Token 最多相差 30 倍；多花 Token 也不一定做得更好，準確率往往在中等成本時已經見頂。

這樣的證據顯示，如今看似瘋狂的 Token 增長裏確實有浪費。模型公司和使用者還在摸索一項工作該拆成幾步、什麼時候重試、檢查到什麼程度；同一件事多跑幾十倍，不代表這些消耗以後都會保留下來。

隨着方法成熟，重複嘗試和無效返工會減少，同一項任務所需的 Token 也可能下降。但只要工作仍需安排步驟、調用工具和檢查結果，這些環節就不會因為模型效率提高而消失。人們交給 AI 的任務越完整，需要它完成的環節越多；更多專業領域開始採用同樣的方式，又會帶來下一層增長。

02AI 接手的，不只是編程

代碼能夠運行、報錯、測試和反覆修改，模型每走一步都能得到明確反饋，所以編程率先成為 AI 智能體的主戰場。其他專業領域也有自己的資料、工具和驗收方法，生命科學就是頭部公司正在重點推進的方向之一。

2026 年 6 月 17 日，OpenAI 發佈 LifeSciBench，由 173 名具有博士訓練和生物科技或製藥經驗的科學家編寫 750 項貼近真實科研工作的任務，其中 79% 需要多步推理或決策。任務包括處理證據、分析數據、設計實驗和驗證結果，把研究人員日常面對的複雜工作變成可以評估的 AI 任務。

OpenAI 在 2026 年 4 月推出生命科學模型 GPT-Rosalind，並同步推出可連接 50 多種科學工具和數據源的 Codex 生命科學插件；Anthropic 在 6 月 30 日推出 Claude Science，能夠連接實驗室計算資源、60 多個科學數據庫和負責核對結果的 AI 智能體。兩家公司都在把通用模型改造成生命科學的工作台。

2026 年 2 月，OpenAI 與 Ginkgo Bioworks 把 GPT-5 接入雲端自動化實驗室，在人工監督下由模型設計實驗、機器人執行，實驗結果再回傳模型。6 輪循環測試了 3.6 萬多種反應組合，在一種蛋白和一套無細胞蛋白合成體系中，相比此前最佳基線把生產成本降低 40%。AI 也開始根據物理實驗的反饋決定下一步，進入真實的實驗循環。

代碼靠測試驗證，生命科學靠實驗反饋，財務核對、合同審閲和工業仿真也各有自己的規則、參數和驗收方式。AI 能夠接入相應資料和工具，再把結果交給專業人員或現實反饋檢驗，就有機會形成自己的工作流。AI 進入的專業領域越多，可以交給它完成的工作也就越多。

而在 Anthropic 披露的真實使用數據中，2025 年 10 月至 2026 年 4 月，Claude Code 會話中用於查錯改錯的比例從 33% 降至 19%，用於部署和運行軟件的比例從 14% 升至 21%，寫作與數據分析合計從約 10% 升至 20%。Claude Code 的邊界正在從處理代碼問題，擴展到軟件運行和非代碼知識工作。

我自己就是很直接的例子。我不會編程，但已經用 Codex 和 Claude Code 整理資料、核對數據和推進投研，並且逐步把整套投研流程交給 AI。程序員最早用起來的這套執行方式，同樣適用於研究、市場、財務和法務；由編程場景迭代出來的產品邏輯和 AI 能力，正在向企業內部其他業務擴展。

2026 年 7 月 9 日，OpenAI 把 Chat、ChatGPT Work 和 Codex 放進同一款 ChatGPT 桌面端：Work 負責研究、分析和成品交付，Codex 負責軟件開發；兩種模式都能使用內置瀏覽器，聊天、知識工作和軟件開發開始匯到同一個桌面應用裏。

對於大部分投資者來説，即使知道這些產品已經發生變化，也很難真正感受到 AI 能力已經走到哪一步。我知道很多人都已經在用 ChatGPT，使用方式卻仍停留在 2022、2023 年的一問一答。比如打開手機，輸入一個股票代碼，問一句 “這家公司怎麼看”，等它返回一段分析，讀完就結束。

使用停在這裏，用户看到的仍然只有一段答案；檢索資料、核對數據、調用工具和反覆修改這些原本由人完成的過程，還沒有真正交給 AI，自然也就感受不到一條指令之後，AI 已經可以連續完成多少工作。

從 “問一句” 到 “交代一件事”，改變的不只是使用方式。前者隨時可以停，後者一旦能夠穩定交付，停用 AI 就意味着把整套工作重新交還給人。人一旦適應了把這些重複、繁瑣卻又必須完成的工作交給 AI，就很難再把它們一件件接回自己手裏。

03結語

現在市場最麻煩的是，看多和看空 AI 都能找到有道理的證據。存儲價格和股價讓人謹慎，Token、用電和能力邊界的擴張又給人樂觀的理由。

市場每天都在給存儲和 AI 公司定價，但究竟又有多少工作被交給了 AI，很難直接觀察，這也是 AI 需求最容易被誤判的地方。

不過，也沒必要硬找一個看起來很精確的數字。更實際的辦法，是看我們又把哪些活交給了 AI：同一件事，是不是已經從問一句，變成讓它自己查資料、調用工具、檢查和修改；編程之外，投研、生命科學、財務和法務這些工作，是不是也開始用上同樣的方式。只要這些變化還在繼續，交給 AI 的工作就還在增加。

真正需要擔心的，不是存儲跌了幾天，也不是某家公司少賺了一點，而是模型還在變好、使用成本還在下降，人們卻不再把新的工作交給 AI，甚至開始把已經交出去的活重新拿回來。到了那一步，AI 需求才是真的轉向。在那之前，市場更多隻是在重新選擇，AI 這條主線裏的錢最後由誰來賺。$SK海力士(SKHY.US) $美光科技(MU.US) 

聲明：本文僅用於學習和交流，不構成投資建議。