存儲股下跌之後，AI還是市場主線嗎？

# 存儲股下跌之後，AI還是市場主線嗎？ 7月7日，三星電子發布二季度業績預告，預計營業利潤將達到去年同期的19倍，這一數字本應點燃市場熱情。然而，股價卻應聲下跌6.9%，美光、閃迪等存儲巨頭也隨之跟跌。與此同時，集邦諮詢在7月初發布的報告指出，三季度DRAM（不含HBM）和NAND合約價仍將分別上漲13%至18%和10%至15%，只是漲幅有所收窄。 利潤暴增、價格仍在攀升，股價卻選擇下行——這種反常組合放在一起，更像是市場對存儲板塊的追捧開始鬆動。很快，存儲股下跌被部分投資者解讀為AI需求轉弱的信號，市場開始擔憂AI作為主線的邏輯是否會發生遷移。 然而，市場是否真的在離開AI，不能由存儲這一個環節的漲跌來簡單判定。真正需要判斷的，是當前的調整仍在AI內部輪動，還是資金正在從AI主線中撤離。只要交給AI的任務量仍在增加，AI主線就還有需求基礎；至於利潤最終落在哪個環節，反倒是相對次要的問題。 ## 用電量和Token用量揭示真實需求

判斷AI需求的難點在於，交給AI的任務量沒有實時價格可以觀察。國際能源署（IEA）2026年報告估計，近年來同一項AI任務的耗電量每年至少下降90%，但2025年AI專用數據中心的用電量卻增長了50%。Google在6月披露，其月處理Token數量在兩年內增長了約330倍。 這組數據的含義值得深思。用電量反映的是物理層面的運算負載，Token用量反映的是實際使用規模，兩者都在快速擴張。當效率提升與總消耗同時出現時，最經典的解釋是傑文斯悖論：效率提高讓資源變得更便宜，使用量隨之增加，最後總消耗反而上升。 2025年12月，美國國家經濟研究局（NBER）發布了Mert Demirer等四位學者的工作論文，他們使用OpenRouter和微軟Azure的真實API數據觀察降價後的用量變化。研究發現，價格每下降10%，用量增長約11%。打個比方，原來使用100單位需要花費1000元；單價從10元降到9元後，用量增至約111單位，花費仍然維持在1000元左右。 這類研究觀察到的是用量對價格的短期反應，但無法區分增長來自更多請求，還是每次請求背後的任務變得更加複雜。月活躍用戶數和請求次數只能記錄有多少人使用、發起了多少次調用，卻看不出一個任務在後台被拆分成多少步驟。從用戶界面看，翻譯一句話和整理會議錄音、核對數字、列出待辦事項、撰寫客戶郵件，都可能只是一條指令，後台的工作量卻完全不同。 真正的AI需求反轉，需要看到單項任務中的AI步驟開始減少，AI進入專業領域的速度停滯，以及已經交出去的工作重新回到人工手中。 ## AI正在接手更多工作步驟

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，將研究、工具調用和複雜執行組成的長任務列為重點；智譜在6月發布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。各家開始比拼的，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23.5萬名用戶。數據顯示，對任務不熟悉的用戶每交代一次，Claude平均執行約5個動作、輸出約600詞；而熟悉任務的用戶則執行12個動作、輸出3200詞。 為了盡量排除其他因素的干擾，研究人員將工作方式、任務價值、月份、職業和模型等條件盡量拉齊。按照常理推斷，越熟悉一項工作的人，越不需要AI多做；但數據恰好相反，熟悉程度每提高一檔，AI執行的動作增加9%、輸出增加13%。 這意味著，越清楚一項工作應該怎麼做的人，越能把具體步驟交給AI。這裡真正發生的變化，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。 當任務進入Agent工作方式以後，後台消耗會顯著增加。如果再拆給多個AI智能體協作，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，而由多個智能體協作時則約為15倍。完成一項研究時，不同智能體會分別檢索資料，再由主智能體彙總和核對。 在這種系統裡，儘管用戶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。這組倍數雖然僅來自Anthropic的內部數據，並非同一任務在不同架構下的嚴格對照實驗，但足以說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。 斯坦福數字經濟實驗室2026年4月發布的一項工作論文，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。更值得注意的是，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。 這樣的證據表明，當前看似瘋狂的Token增長裡確實存在浪費。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。 隨著方法逐漸成熟，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，需要它完成的環節就越多；更多專業領域開始採用同樣的方式，又會帶來下一層增長。 ## 生命科學成為AI新戰場

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，因此編程率先成為AI智能體的主戰場。但其他專業領域同樣擁有自己的資料、工具和驗收方法，生命科學正是頭部公司正在重點推進的方向之一。 2026年6月17日，OpenAI發布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了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。這些任務包括處理證據、分析數據、設計實驗和驗證結果，將研究人員日常面對的複雜工作變成了可以評估的AI任務。 OpenAI在2026年4月推出了生命科學模型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則在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。兩家公司都在將通用模型改造為生命科學領域的工作平台。 2026年2月，OpenAI與Ginkgo Bioworks將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。六輪循環測試了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，相比此前最佳基線將生產成本降低了40%。AI也開始根據物理實驗的反饋決定下一步，進入了真實的實驗循環。 代碼靠測試驗證，生命科學靠實驗反饋，財務核對、合同審閱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。 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。 2026年7月9日，OpenAI將Chat、ChatGPT Work和Codex整合進同一款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聚到同一個桌面應用中。 對於大部分投資者來說，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。許多人雖然已經在使用ChatGPT，但使用方式仍停留在2022、2023年的一問一答——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。 使用停在這裡，用戶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。前者隨時可以停止，後者一旦能夠穩定交付，停用AI就意味著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裡。 ## 結論：判斷AI需求轉向的真正信號

當前市場面臨的困境是，看多和看空AI都能找到有道理的證據。存儲價格和股價的表現讓人謹慎，而Token用量、用電量和能力邊界的擴張又給人樂觀的理由。 市場每天都在為存儲和AI公司定價，但究竟有多少工作已經被交給AI，這個問題很難直接觀察，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，是觀察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，市場更多只是在重新選擇，AI這條主線裡的錢最後由誰來賺。