存储股下跌之后，AI还是市场主线吗？

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。

01AI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。

02AI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。

声明：本文仅用于学习和交流，不构成投资建议。