港股方面,恒生科技指数全周下跌2.3%,其中智谱周内跌幅达18.2%(含7月30日单日下跌16.55%),MiniMax周内下跌6.7%。韩国KOSPI指数在7月28日单日下跌10.8%——其中既有半导体出口周期下行的因素,也叠加了韩国国内政治动荡的影响,不宜简单等同于AI资产全线承压。从算力硬件到大模型,亚洲多类AI资产在7月下旬普遍回调。
华尔街的反应则更为分化。7月30日夜间,纳斯达克综合指数上涨2.8%,微软上涨15.5%,美光上涨18.4%,AMD上涨13%;但Meta同日下跌8%。截至7月31日,纳指盘初涨幅一度全部回吐,美光由早盘上涨6.4%转为一度下跌5.3%。
把这一周的行情概括为资金从上游转向应用过于简化。智谱与MiniMax近期分别叠加了新H股配售、股份配售与可转债发行等供给变化;硬件端面对估值、资本开支和竞争格局的重新审视。但剥去供给端噪音后,一个趋势性的信号仍然浮现:投资者正在把AI产业链拆开,分别审视每一层的资本开支、供给变化、竞争位置和价值留存能力。
真正没有被回答的是:过去几年投入的巨额资本,究竟怎样穿过芯片、数据中心和模型,最终变成客户愿意持续付费的结果、企业能够保留的利润,以及股东可以获得的现金回报?
更多算力,带来更强模型;更强模型,吸引更多用户;更多用户,最终创造更大商业价值。
算力需求增长,不等于任何价格下的硬件资产都能获得更高回报;模型能力提升,不等于能力可以长期保持稀缺;用户快速增长,也不等于收入能够覆盖推理、集成、交付、渠道和服务成本。
尤其当开放模型加速迭代、推理价格持续下降、前沿能力更快成为标准供给,市场必然开始追问:如果“会做这件事”的模型越来越多,客户为什么仍要选择你?你真正能够保留的价值是什么?
这条逻辑在过去三年里并非虚构。算力投入确实带来了模型能力的飞跃,模型能力也确实吸引了大量用户和资本。问题不在于逻辑本身,而在于逻辑的适用条件正在变化:当开放模型加速迭代、推理价格持续下降、前沿能力更快成为标准供给,拥有更强模型这件事的稀缺性在下降,而把模型能力变成客户持续付费的结果这件事的难度没有下降。
所以,7月最后一周的回调不是AI终结的证明,更像是旧估值语法的一次压力测试。需要区分的是:哪些下跌来自供给端事件(配售、可转债),哪些来自估值重估;哪些资产的能力仍然稀缺,哪些资产的稀缺正在被开放模型和价格下降侵蚀。
以前,市场愿意为“未来可能拥有的智能”提前付钱;现在,它开始要求企业解释,智能如何转化为可以核验的现实回报。
当“大模型”不再足以支撑所有想象,行业很容易寻找下一个词:智能体、垂直模型、具身智能、AI for Science。
聊天框接入行业知识,不等于形成行业壁垒;能够连续调用工具的智能体,不等于可靠生产力;一场流畅的产品演示,也不等于客户会把试验预算转成长期采购。
真正的新叙事,不是把“参数规模”换成“智能体数量”,而是改变价值判断的起点:
新叙事从结果出发——哪个客户、在哪个任务、通过什么流程,得到了什么可以验证的改善;扣除接入、推理、人工复核、合规和失败成本后,这个改善是否依然成立。
编码是生成式AI最早跑出清晰付费需求的场景之一。代码有几个天然优势:任务相对结构化,结果可以运行和测试,错误能够定位,修改可以回滚。
据Anthropic今年2月披露,Claude Code的年化收入运行率已经超过25亿美元,说明客户确实愿意为编码智能体付费。
但“有人付费”仍然不能直接等同于“生产率普遍提高”。METR在2025年的一项随机对照研究中,让16名熟悉自身开源项目的开发者完成246项真实任务。允许使用当时前沿AI工具的任务,平均完成时间反而增加19%。
需要指出的是,该研究样本为16名开发者、246项任务,且使用的是研究开展时点的前沿AI工具,模型版本和工具能力与当前最新版本可能存在差距。它不能证明AI降低生产率,但确实提示:工具的采用速度和实际效果之间,可能存在显著的任务依赖性和人群依赖性。
客服是另一个值得观察的场景。与编码不同,客服任务的正确性不像代码那样可以自动验证,但它的反馈回路有另一种形态:对话是否被转人工、客户满意度评分、问题是否在首次接触中解决。这些信号可以持续优化模型表现。多个客服AI厂商披露的数据显示,在限定场景内(如订单查询、退换货政策),AI独立解决率已超过70%。
但客服场景也暴露了反馈回路的边界:当问题超出训练分布、涉及情绪安抚或需要跨系统操作时,转人工率迅速上升。这说明反馈回路的有效性高度依赖任务边界的清晰程度。
编码、客服和其他场景共同提示了一个规律:AI能否成为生产力,不只取决于模型有多强,还取决于任务是否结构化、结果能否检验、失败能否发现,以及人和系统能否根据反馈持续修正。
医疗影像之所以值得专门讨论,不是因为它比编码更难或更高级,而是因为它在反馈回路的每一个环节上都提出了更苛刻的要求:结果必须可复核,适用边界必须可说明,失败必须可发现,责任必须可追溯。
医疗影像具备大模型发挥作用的基础,也集中体现了AI产业化最难跨越的门槛。
一方面,CT、MRI、病理、超声、内镜、眼底等影像已经高度数字化,许多任务重复且耗时,输出可以与专家判断或既定标准比较,结果也能够由医生复核。另一方面,不同模态、器官、病种和检查序列又对应大量专业任务。数据分散在不同机构和系统中,格式不一,标注高度依赖医生,模型训练完成后还要面对评测、临床验证、部署以及持续迭代。任何一环断开,医疗影像AI都可能停留在一个孤立项目。
正因如此,医疗影像基座大模型的产业价值才值得关注:它试图在多模态影像中学习可被不同专科任务调用的底层能力,使新专科模型能在既有能力上继续训练,不必每次从零开始。
路径一:通用模型向医疗延伸。 以Google的Med-PaM系列为代表,从通用大模型出发,通过医学数据微调进入影像分析领域。优势是底层能力强,挑战在于医疗数据的合规获取和专科任务的适配深度。
路径二:单模态深耕后横向扩展。 部分国内外企业从病理或放射单一模态出发,建立临床验证和注册证壁垒后,再向其他模态扩展。优势是单点验证充分,挑战在于跨模态能力迁移的边际成本。
路径三:多模态基座+生产系统。 以德适的iMedImage® + iMedLoop™为代表,从多模态基座出发,同时建设数据治理、标注生产、模型部署和反馈迭代的系统化能力。
三条路径并非互斥,但代表了不同的价值判断:通用模型路线押注能力溢出,单模态路线押注验证深度,基座+系统路线押注复用效率。哪条路径最终更有效,目前还没有确定性答案。
德适的探索属于第三条路径。其iMedImage®医疗影像基座大模型在CT、MRI、病理、超声、内镜、眼底等多模态影像中训练底层能力,iMedLoop™则将数据治理(iMedStudio™)、模型训练部署(iMedMaaS™)和场景反馈连接为一套生产系统。
这套系统的核心假设是:如果不同专科任务能够复用基座能力,新任务的数据、标注和训练成本可以持续下降,大模型就能从能力展示转变为生产基础设施。
第一,数据回流效率。 医疗数据不会天然回流到模型训练。一份难例从临床发现到进入下一版模型,需要经过授权、标注、质控和重新验证。这个链条的周期多长、成本多高、目前有多少比例的难例真正完成了回流——这些数据尚待披露。
第二,跨任务复用率。 基座模型的价值在于复用,但CT上学到的特征能在多大程度上迁移到病理或内镜这个问题的量化答案,目前还不够清晰。如果每个新任务仍然需要大量专属数据和训练,基座模型的成本优势就会被稀释。
第三,商业转化。 2026年5月,AI AutoVision取得国家药监局第三类医疗器械注册证,证明大模型能力可以被封装进边界明确、结果可复核、责任清楚的工作流。但一张注册证不等于一个商业闭环——产品是否进入稳定使用、客户是否续费、单院部署的ROI是否为正,这些可验证的指标,才是文章开头所要求的新叙事证据。
下一阶段,硬件仍然是智能经济的物理基础,前沿模型也仍可能创造巨大价值。但市场会越来越难把所有算力投入都视为同样优质的增长,也不会因为模型用户很多,就自动相信一家公司拥有高利润能力。
一家AI公司的护城河,也将不再只是“模型比别人领先几个月”。它可能来自深度嵌入的工作流、长期积累的行业数据、持续反馈形成的改进闭环、监管与责任体系,以及客户迁移时不得不放弃的真实价值。
因此,AI需要的新叙事,并不是从硬件简单轮动到应用,也不是从大模型机械切换到智能体。它是一次更根本的变化:
7月最后一周没有证明AI结束。它只是提示,市场的计分板正在变化:模型能力仍然重要,但能力最终必须穿过真实世界,变成可以核验的结果、可以持续的收入,以及能够留下来的现金流。
•德适生物:《2025年年度报告》;AI AutoVision第三类医疗器械注册证公告