AI需求仍在扩张：从存储股价波动看主线未变

利润暴涨、价格续涨、股价下跌，不等于AI退潮

7月7日，三星公布二季度营业利润预计为去年同期的19倍，但当日股价却下跌6.9%；美光、闪迪同步跟跌。几乎同期，集邦咨询预测三季度DRAM（不含HBM）与NAND合约价仍将上涨13%—18%和10%—15%，仅涨幅略有收窄。 表面矛盾——利润暴增、价格坚挺、股价承压——容易被简化为“市场对AI热情降温”。但单一环节的价格或股价波动，无法定义整条技术主线的走向。真正需要厘清的，是当前调整属于AI内部的节奏切换，还是主线本身正在迁移。 只要人类交付给AI的任务总量仍在上升，AI作为底层基础设施的需求根基就依然稳固。利润最终落在芯片、模型、云服务还是应用层，是分配问题；而任务量是否增长，才是需求是否真实的标尺。

没有实时价格的任务量，如何观测？

任务量没有交易所，也没有期货合约。但它在物理世界留下痕迹：用电量与Token消耗。 国际能源署（IEA）2026年报告指出，同一AI任务的单位能耗近年每年下降超90%，但全球AI专用数据中心总用电量2025年仍增长50%；Google于6月披露，其月处理Token数量两年内增长约330倍。 用电反映硬件负载强度，Token体现计算调用频次与复杂度。二者同步扩张，指向一个经典现象：杰文斯悖论——效率提升降低单次使用成本，反而刺激更广泛、更深度的应用，最终推高总消耗。 美国国家经济研究局（NBER）2025年12月发布的一项实证研究佐证了这一点：基于OpenRouter与微软Azure真实API数据，价格每下降10%，用量平均上升约11%。用户并未因便宜而少用，而是用得更多、更深。 但这类短期弹性数据，尚不能区分用量增长来自“更多人发起请求”，还是“单次请求背后的任务链更长”。界面端的一条指令，背后可能是翻译一句话，也可能是自动整理会议录音、提取关键数字、生成待办清单、撰写客户邮件——四步动作，在前端只呈现为一次输入。 因此，真正的AI需求拐点，并非出现在存储涨价放缓或股价回调时，而应表现为：单个专业任务中AI参与步骤减少；AI向新领域渗透的速度明显停滞；已移交的工作开始回流至人工操作。

AI正接手更多步骤，且不止于编程

模型竞争的焦点，早已从“单次回答准确率”转向“长周期任务执行能力”。 OpenAI在2026年2月介绍GPT-5.3-Codex时，将“研究—工具调用—复杂执行”的多步闭环列为关键能力；智谱6月发布的GLM-5.2直接以“为长周期任务打造”为标题，并用持续数小时甚至数十小时的真实开放项目验证模型耐力。 Anthropic对40万次Claude Code会话的分析发现：对任务越熟悉的用户，AI执行动作越多——熟悉程度每提高一档，AI动作数增加9%、输出词数增加13%。这不是因为用户问得更勤，而是他们更清楚如何把整条工作流拆解后交由AI连续推进：检索→执行→校验→修正→再规划，全程无需人工干预。 当任务进入Agent模式，后台消耗自然放大。Anthropic内部测试显示：单智能体完成研究类任务的Token消耗约为普通聊天的4倍；多智能体协同时可达15倍——不同智能体并行检索、交叉验证、主控整合，用户只看到一份结果，背后已是多线程运转。 Stanford数字经济实验室2026年4月的研究进一步揭示：同一编码任务，不同运行路径的Token消耗最高相差30倍；而准确率往往在中等成本区间已达峰值。说明当前存在显著冗余：重试、无效调用、过度检查……这些并非永久性消耗，而是能力演进过程中的调试成本。 方法成熟后，重复尝试会减少，单任务Token有望下降。但只要任务仍需分步、调用、反馈、迭代，这些环节就不会消失。人交给AI的任务越完整，AI承担的环节就越全；专业领域采纳该范式越广，整体需求就越深。

编程只是起点，生命科学、投研、法务正快速跟进

代码之所以率先成为AI Agent主战场，是因为其具备明确反馈闭环：运行→报错→修改→测试→再运行。其他专业领域同样拥有可结构化的资料、工具与验收标准。 2026年6月，OpenAI发布LifeSciBench——由173名具博士背景的生物科技与制药专家构建的750项真实科研任务集，其中79%需多步推理与决策，覆盖实验设计、数据解读、证据评估与结果验证。 同月，OpenAI上线GPT-Rosalind生命科学模型，并配套支持50+科学工具与数据库的Codex插件；Anthropic推出Claude Science，可接入实验室计算资源、60余个科研数据库，及专用于结果核验的辅助智能体。通用大模型正加速蜕变为垂直领域工作台。 更关键的是闭环落地：2026年2月，OpenAI与Ginkgo Bioworks将GPT-5接入云端自动化实验室，在人工监督下实现“AI设计→机器人执行→结果回传→AI再决策”的六轮循环。3.6万种反应组合测试中，某蛋白合成成本较此前最优方案降低40%。AI已不只是模拟推演，而是嵌入真实物理实验流程。 类似逻辑正在财务、合同、工业仿真等领域复现：有规则、有工具、有反馈，就有AI工作流落地的可能。Anthropic数据显示，2025年10月至2026年4月，Claude Code会话中“查错改错”占比从33%降至19%，而“部署运行”升至21%，“写作与数据分析”合计升至20%——它的角色，正从程序员助手，扩展为知识工作者协作者。 作者本人即一例：无编程背景，却已用Codex与Claude Code完成资料整理、数据核对与投研推进，并逐步将整套投研流程托管给AI。编程场景打磨出的产品逻辑与AI能力，正系统性溢出至研究、市场、财务与法务等企业职能。 2026年7月9日，OpenAI将Chat、ChatGPT Work与Codex整合进同一桌面端：Work负责研究分析与成果交付，Codex专注软件开发，两者共享内置浏览器与上下文记忆。聊天、知识工作与工程开发，首次统一于一个交互入口。 多数用户尚未感知这一跃迁。很多人仍习惯打开手机，输入股票代码，问一句“这家公司怎么看”，读完回复即止。这种用法下，AI只是信息摘要器；而真正发生变革的，是把“查财报→比同业→验数据→写纪要→做图表→发邮件”整条链路交由AI自主完成——一旦稳定交付，停用AI就意味着整套流程倒退回人工时代。

结语：主线未移，只是重心在动

当前市场困境在于：看多与看空都能找到支撑。存储价格与股价提供谨慎理由，Token、用电与能力边界的持续扩张又构成乐观依据。 但AI需求的本质，从来不是某个公司的季度利润，也不是某种芯片的合约报价，而是人类每天多交出了多少原本必须亲手完成的工作。 不必执着于精确量化。只需观察：你是否已从“问一句”，过渡到“交代一件事”？编程之外，投研、生命科学、财务、法务是否也正采用同样方式？只要这些变化仍在发生，AI就仍在承接增量任务。 真正值得警惕的信号，不是某次股价回调，也不是某季存储涨价放缓，而是——模型持续进化、使用成本不断下降，人们却不再把新任务交给AI，甚至开始收回已委托的工作。那一刻，需求才真正转向。在此之前，所有波动，不过是主线内部的价值再分配。