2026年中：AI需要新的叙事|2026年中|大模型|工作流|底层逻辑|智能体|模态

当智能仍然稀缺时，模型就是故事；当智能逐渐充裕时，结果才是资产。

编辑丨李希

2026年7月最后一周，全球AI资产经历了一次少见的同步震荡。

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？

这就是AI此刻需要新叙事的原因。

市场不是否定AI，

而是在重估“智能稀缺”

过去几年，AI最有力量的叙事建立在一条直线上：

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。

这条逻辑并没有错，却省略了中间最难的部分。

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。

技术价值与股东回报之间，从来不是一个自动成立的等号。

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。

新叙事不是换一个热词，

而是换一套价值起点

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。

这些方向都可能产生巨大价值，但一个新名词本身不是新叙事。

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：

旧叙事从供给出发——我们拥有更强的模型，所以未来一定会产生更大的价值。

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。

从能力供给，到可验证生产力

换句话说，AI需要完成一次从“展示能力”到“交付生产力”的跨越。

这条跨越可以写成一条很朴素的链条：

模型能力 → 产品 → 工作流 → 可验证结果 → 持续付费

任何一环断掉，技术能力都未必能变成商业价值。

AI只有进入反馈回路，

才可能成为生产力

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，是AI新叙事的一场压力测试

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。

在医疗影像基座大模型方向，国内外已有多条探索路径。

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"。

但这个假设目前仍在前半段验证中。飞轮要真正运转，至少需要回答三个问题：

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。

德适提供的是一条正在接受验证的产业路径，而不是一个已经完成的商业答案。

市场需要给AI换一把尺子

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。

新的评价尺度，可能越来越接近四本账：