2026年中：AI需要新的敍事

當智能仍然稀缺時，模型就是故事；當智能逐漸充裕時，結果纔是資產。

2026年7月最后一周，全球AI資產經歷了一次少見的同步震盪。

港股方面，恆生科技指數全周下跌2.3%，其中智譜周內跌幅達18.2%（含7月30日單日下跌16.55%），MiniMax周內下跌6.7%。韓國KOSPI指數在7月28日單日下跌10.8%——其中既有半導體出口周期下行的因素，也疊加了韓國國內政治動盪的影響，不宜簡單等同於"AI資產全線承壓"。從算力硬件到大模型，亞洲多類AI資產在7月下旬普遍回調。

華爾街的反應則更為分化。7月30日夜間，納斯達克綜合指數上漲2.8%，微軟上漲15.5%，美光上漲18.4%，AMD上漲13%；但Meta同日下跌8%。截至7月31日，納指盤初漲幅一度全部回吐，美光由早盤上漲6.4%轉為一度下跌5.3%。

把這一周的行情概括為"資金從上游轉向應用"過於簡化。智譜與MiniMax近期分別疊加了新H股配售、股份配售與可轉債發行等供給變化；硬件端面對估值、資本開支和競爭格局的重新審視。但剝去供給端噪音后，一個趨勢性的信號仍然浮現：投資者正在把AI產業鏈拆開，分別審視每一層的資本開支、供給變化、競爭位置和價值留存能力。

真正沒有被回答的是：過去幾年投入的鉅額資本，究竟怎樣穿過芯片、數據中心和模型，最終變成客户願意持續付費的結果、企業能夠保留的利潤，以及股東可以獲得的現金回報？

這就是AI此刻需要新敍事的原因。

01

市場不是否定AI，

而是在重估「智能稀缺」

過去幾年，AI最有力量的敍事建立在一條直線上：

更多算力，帶來更強模型；更強模型，吸引更多用户；更多用户，最終創造更大商業價值。

這條邏輯並沒有錯，卻省略了中間最難的部分。

算力需求增長，不等於任何價格下的硬件資產都能獲得更高回報；模型能力提升，不等於能力可以長期保持稀缺；用户快速增長，也不等於收入能夠覆蓋推理、集成、交付、渠道和服務成本。

技術價值與股東回報之間，從來不是一個自動成立的等號。

尤其當開放模型加速迭代、推理價格持續下降、前沿能力更快成為標準供給，市場必然開始追問：如果「會做這件事」的模型越來越多，客户為什麼仍要選擇你？你真正能夠保留的價值是什麼？

這條邏輯在過去三年里並非虛構。算力投入確實帶來了模型能力的飛躍，模型能力也確實吸引了大量用户和資本。問題不在於邏輯本身，而在於邏輯的適用條件正在變化：當開放模型加速迭代、推理價格持續下降、前沿能力更快成為標準供給，"擁有更強模型"這件事的稀缺性在下降，而"把模型能力變成客户持續付費的結果"這件事的難度沒有下降。

所以，7月最后一周的回調不是AI終結的證明，更像是舊估值語法的一次壓力測試。需要區分的是：哪些下跌來自供給端事件（配售、可轉債），哪些來自估值重估；哪些資產的能力仍然稀缺，哪些資產的"稀缺"正在被開放模型和價格下降侵蝕。

以前，市場願意為「未來可能擁有的智能」提前付錢；現在，它開始要求企業解釋，智能如何轉化為可以覈驗的現實回報。

02

   新敍事不是換一個熱詞，

而是換一套價值起點

當「大模型」不再足以支撐所有想象，行業很容易尋找下一個詞：智能體、垂直模型、具身智能、AI for Science。

這些方向都可能產生巨大價值，但一個新名詞本身不是新敍事。

聊天框接入行業知識，不等於形成行業壁壘；能夠連續調用工具的智能體，不等於可靠生產力；一場流暢的產品演示，也不等於客户會把試驗預算轉成長期採購。

真正的新敍事，不是把「參數規模」換成「智能體數量」，而是改變價值判斷的起點：

舊敍事從供給出發——我們擁有更強的模型，所以未來一定會產生更大的價值。

新敍事從結果出發——哪個客户、在哪個任務、通過什麼流程，得到了什麼可以驗證的改善；扣除接入、推理、人工複覈、合規和失敗成本后，這個改善是否依然成立。

換句話説，AI需要完成一次從「展示能力」到「交付生產力」的跨越。

這條跨越可以寫成一條很朴素的鏈條：

模型能力 → 產品 → 工作流 → 可驗證結果 → 持續付費

任何一環斷掉，技術能力都未必能變成商業價值。

03

   AI只有進入反饋迴路，

纔可能成為生產力

編碼是生成式AI最早跑出清晰付費需求的場景之一。代碼有幾個天然優勢：任務相對結構化，結果可以運行和測試，錯誤能夠定位，修改可以回滾。

據Anthropic今年2月披露，Claude Code的年化收入運行率已經超過25億美元，説明客户確實願意為編碼智能體付費。

但「有人付費」仍然不能直接等同於「生產率普遍提高」。METR在2025年的一項隨機對照研究中，讓16名熟悉自身開源項目的開發者完成246項真實任務。允許使用當時前沿AI工具的任務，平均完成時間反而增加19%。

需要指出的是，該研究樣本為16名開發者、246項任務，且使用的是研究開展時點的前沿AI工具，模型版本和工具能力與當前最新版本可能存在差距。它不能證明"AI降低生產率"，但確實提示：工具的採用速度和實際效果之間，可能存在顯著的任務依賴性和人群依賴性。

客服是另一個值得觀察的場景。與編碼不同，客服任務的"正確性"不像代碼那樣可以自動驗證，但它的反饋迴路有另一種形態：對話是否被轉人工、客户滿意度評分、問題是否在首次接觸中解決。這些信號可以持續優化模型表現。多個客服AI廠商披露的數據顯示，在限定場景內（如訂單查詢、退換貨政策），AI獨立解決率已超過70%。

但客服場景也暴露了反饋迴路的邊界：當問題超出訓練分佈、涉及情緒安撫或需要跨系統操作時，轉人工率迅速上升。這説明反饋迴路的有效性高度依賴任務邊界的清晰程度。

編碼、客服和其他場景共同提示了一個規律：AI能否成為生產力，不只取決於模型有多強，還取決於任務是否結構化、結果能否檢驗、失敗能否發現，以及人和系統能否根據反饋持續修正。

醫療影像之所以值得專門討論，不是因為它比編碼"更難"或"更高級"，而是因為它在反饋迴路的每一個環節上都提出了更苛刻的要求：結果必須可複覈，適用邊界必須可説明，失敗必須可發現，責任必須可追溯。

04

醫療影像，是AI新敍事的一場壓力測試

醫療影像具備大模型發揮作用的基礎，也集中體現了AI產業化最難跨越的門檻。

一方面，CT、MRI、病理、超聲、內鏡、眼底等影像已經高度數字化，許多任務重複且耗時，輸出可以與專家判斷或既定標準比較，結果也能夠由醫生複覈。另一方面，不同模態、器官、病種和檢查序列又對應大量專業任務。數據分散在不同機構和系統中，格式不一，標註高度依賴醫生，模型訓練完成后還要面對評測、臨牀驗證、部署以及持續迭代。任何一環斷開，醫療影像AI都可能停留在一個孤立項目。

正因如此，醫療影像基座大模型的產業價值才值得關注：它試圖在多模態影像中學習可被不同專科任務調用的底層能力，使新專科模型能在既有能力上繼續訓練，不必每次從零開始。

在醫療影像基座大模型方向，國內外已有多條探索路徑。

路徑一：通用模型向醫療延伸。 以Google的Med-PaM系列為代表，從通用大模型出發，通過醫學數據微調進入影像分析領域。優勢是底層能力強，挑戰在於醫療數據的合規獲取和專科任務的適配深度。

路徑二：單模態深耕后橫向擴展。 部分國內外企業從病理或放射單一模態出發，建立臨牀驗證和註冊證壁壘后，再向其他模態擴展。優勢是單點驗證充分，挑戰在於跨模態能力遷移的邊際成本。

路徑三：多模態基座+生產系統。 以德適的iMedImage® + iMedLoop™為代表，從多模態基座出發，同時建設數據治理、標註生產、模型部署和反饋迭代的系統化能力。

三條路徑並非互斥，但代表了不同的價值判斷：通用模型路線押注"能力溢出"，單模態路線押注"驗證深度"，基座+系統路線押注"複用效率"。哪條路徑最終更有效，目前還沒有確定性答案。

德適的探索屬於第三條路徑。其iMedImage®醫療影像基座大模型在CT、MRI、病理、超聲、內鏡、眼底等多模態影像中訓練底層能力，iMedLoop™則將數據治理（iMedStudio™）、模型訓練部署（iMedMaaS™）和場景反饋連接為一套生產系統。

這套系統的核心假設是：如果不同專科任務能夠複用基座能力，新任務的數據、標註和訓練成本可以持續下降，大模型就能從"能力展示"轉變為"生產基礎設施"。

但這個假設目前仍在前半段驗證中。飛輪要真正運轉，至少需要回答三個問題：

第一，數據迴流效率。 醫療數據不會天然迴流到模型訓練。一份難例從臨牀發現到進入下一版模型，需要經過授權、標註、質控和重新驗證。這個鏈條的周期多長、成本多高、目前有多少比例的難例真正完成了迴流——這些數據尚待披露。

第二，跨任務複用率。 基座模型的價值在於複用，但"CT上學到的特徵能在多大程度上遷移到病理或內鏡"這個問題的量化答案，目前還不夠清晰。如果每個新任務仍然需要大量專屬數據和訓練，基座模型的成本優勢就會被稀釋。

第三，商業轉化。 2026年5月，AI AutoVision取得國家藥監局第三類醫療器械註冊證，證明大模型能力可以被封裝進邊界明確、結果可複覈、責任清楚的工作流。但一張註冊證不等於一個商業閉環——產品是否進入穩定使用、客户是否續費、單院部署的ROI是否為正，這些"可驗證"的指標，纔是文章開頭所要求的"新敍事"證據。

德適提供的是一條正在接受驗證的產業路徑，而不是一個已經完成的商業答案。

05

市場需要給AI換一把尺子

下一階段，硬件仍然是智能經濟的物理基礎，前沿模型也仍可能創造巨大價值。但市場會越來越難把所有算力投入都視為同樣優質的增長，也不會因為模型用户很多，就自動相信一家公司擁有高利潤能力。

新的評價尺度，可能越來越接近四本賬：

• 採用賬：客户有沒有從試點走向常態使用，是否續費和擴大采購；

• 結果賬：時間、成本、收入、風險或最終結局究竟改善了多少；

• 經濟賬：扣除完整交付成本后，還能留下多少利潤和現金；

• 證據賬：效果能否復現，適用邊界是否清楚，失敗是否被如實記錄。

這不是要求AI降低想象力，而是要求它提高兑現能力。

一家AI公司的護城河，也將不再只是「模型比別人領先幾個月」。它可能來自深度嵌入的工作流、長期積累的行業數據、持續反饋形成的改進閉環、監管與責任體系，以及客户遷移時不得不放棄的真實價值。

因此，AI需要的新敍事，並不是從硬件簡單輪動到應用，也不是從大模型機械切換到智能體。它是一次更根本的變化：

從為智能的稀缺性定價，轉向為可驗證的生產力定價。

7月最后一周沒有證明AI結束。它只是提示，市場的計分板正在變化：模型能力仍然重要，但能力最終必須穿過真實世界，變成可以覈驗的結果、可以持續的收入，以及能夠留下來的現金流。

過去幾年，AI一直在證明自己「能做什麼」。

下一階段，它必須證明這些能力能夠在真實場景中，持續完成值得付費的事情。

市場不是要求AI退場，而是要求AI畢業。

文章參考來源

• 7月30日智譜、MiniMax及主要指數收市數據

• Reuters：7月28日韓國股市及芯片公司表現

• NewTimeSpace：7月28日港股AI模型與芯片公司表現

• 港交所公告：智譜新H股配售；MiniMax股份配售及可轉債

• Anthropic：Claude Code商業進展

• METR：2025年開發者生產率隨機對照研究

• 德適生物：《2025年年度報告》；AI AutoVision第三類醫療器械註冊證公告