☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
7月17日，世界人工智能大会展馆内，模型正实时生成代码，机器人在观展人流中自如穿行。
而就在同一天，受海外科技股回调影响，A股市场呈现明显分化。上证综指单日下挫3.05%，科创50指数跌幅逾7%；全市场超5000只个股收跌，半导体、算力硬件等核心产业链集体承压，存储芯片、光刻设备及AI应用类题材领跌板块。
这两组画面，共存于同一座城市、同一段时空。就在大会开幕前夕，月之暗面发布参数规模达2.8万亿的Kimi K3大模型，并宣称其为当前全球参数量最大的开源权重AI系统，综合能力已逼近美国头部厂商前沿水平。而在K3亮相之前，费城半导体指数已连续走弱。
事实上，市场正悄然启动一轮对AI资本开支节奏、算力订单落地性与产业化进度的再评估，也同步反思此前高企的估值水平与高度集中的交易结构。
若说7月17日的下跌折射出市场对AI未来“是否过于昂贵”的质疑，那么7月21日的强势反弹则传递出另一层信号：即便旧有定价逻辑难以为继，AI的长期价值仍不容轻言放弃。当日A股主要指数悉数回升，科创50领涨，单日涨幅超10%。
前者未必标志AI牛市终结，后者亦非原有行情简单重启。这更像智能工业革命首次真正步入价格发现阶段。
01
AI落地物理世界，价值标尺已然切换
“投资回收期至少控制在18个月内，否则就是画饼。”7月19日，在中金公司主办的世界人工智能大会投融资论坛上，霍尼韦尔科技大中华区总裁余锋直言。
他以江苏某民营化工企业为例：该企业投入500万元试点部署“自动导航操作系统”，一年后确认实现约1500万元综合效益，包括每小时节约蒸汽6吨、延长装置大修周期等可量化成果。
过去评估AI模型，多聚焦参数规模、推理速度与回答质量。但当AI进入工厂现场，企业最先追问的是：判断失误是否引发停机、安全事故或质量波动；决策过程能否回溯、解释并验证；老旧产线与既有信息系统是否兼容；系统能否长期稳定运行；节能降耗、人力替代与减少非计划停机所带来的收益，是否足以覆盖前期投入。
ABB集团全球副总裁董慧娟分享的厦门工业中心实践，则构建了基于AI的“源—网—荷—储”协同调控体系，将光伏发电、储能单元、楼宇负荷、生产流程与微电网五大智能体统一接入中央优化平台。这印证了AI正深度嵌入能源调度与制造执行系统。
换言之，一旦AI走出实验室、进入物理世界，其价值评判体系已发生根本性迁移。
AI正将部分认知能力转化为可调度、可编排的“智能供给”，但这种供给依赖芯片、算力、电力及固定资产投入，同样受制于产能爬坡、设备折旧与投资回报周期。数字经济由此显露出鲜明的工业经济底色。
尤为关键的是，模型能力与经营成效之间横亘着一家真实企业的完整组织生态：数据能否无缝融入现有业务流；一线员工是否接受新工作范式；决策权归属何方、错误责任由谁承担；AI节省的时间与精力，能否切实转化为营收增长与利润提升。
中金研究院执行总经理周子彭将这一中间环节定义为“组织中介”。它揭示了一个现实悖论：模型性能可以按月跃升，但企业整体生产率与财务指标却难以同步改善。在他看来，要让AI真正成为生产力要素，企业必须同步推进数据治理、任务颗粒度拆解、系统集成、结果闭环验证，乃至岗位职责与绩效考核机制的重构。
不难理解，AI迈入真实场景后，容错空间持续收窄，而价值兑现的门槛却显著抬升。模型解决的是“有没有智能”，而企业的流程韧性、数据质量与组织适配度，才真正决定“智能能不能创造价值”。
这也解释了为何模型能力以月为单位进化，而生产率提升往往需以年为尺度衡量。
经合组织（OECD）近期研究亦指出：模型价格下行与性能跃升仅是必要条件；AI深度融入核心业务，还需组织变革、数据资产化与人才技能等互补性投入同步到位。若这些支撑要素滞后，前端激进扩张的算力基建与智能服务，就可能演变为低效资产、价格内卷与加速折旧压力。
资本市场当前重新测算的，正是从模型能力到企业报表之间那段充满不确定性的传导距离。
02
市场主动退半步，价值重估拉开帷幕
此时，产业端与资本市场的转向显得格外迅疾，甚至略带突兀。
AI主题交易正经历一场“资本回报审问”：半导体板块出现典型“业绩好、股价弱”现象——台积电披露强劲财报后，股价仍明显回落；费城半导体指数自6月高点累计回调逾20%，亚洲、欧洲及美股芯片类资产普遍承压。
台积电面临的并非短期盈利问题，而是市场对其未来数年巨额资本开支的终极拷问：在云服务商、大模型厂商与芯片代工厂的三角关系中，利润究竟会沉淀在哪一环？
7月17日全球芯片股集体下挫，可视作AI产业由“资本驱动”向“价值驱动”转型过程中的典型阵痛。“退”的感知体现在双重维度：其一是海外市场对“无限规模扩张”叙事的理性祛魅；其二是国内具身智能、世界模型等长周期赛道对自身技术成熟度的冷静审视。
周子彭在中金研究院《工业化数字经济》报告中直指核心：AI模型服务的底层计算成本已占API定价比重接近传统工业形态，与过往互联网模式形成显著分野。报告将此趋势定义为“工业化”——智能能力的生成、调用与组合，均需消耗真实芯片、电力与数据中心资源，并承担固定资本投入与折旧成本。数字经济再度被纳入产能约束与成本刚性框架。
国内长周期赛道从业者的判断更为审慎。
原力灵机联合创始人兼CEO唐文斌指出，具身智能目前大致处于“GPT-1.0”阶段，距商业化成熟仍有较长路径。一方面，“大脑”即世界模型泛化能力尚弱；另一方面，高质量“难例数据”严重匮乏——当前采集的多为机器人已掌握动作，真正稀缺的是其在真实复杂环境中犯错后产生的纠错样本。
VAST创始人兼CEO宋亚宸描绘的世界模型远景更具纵深感：未来AI 3D大模型与世界模型有望大幅降低可交互虚拟世界的构建门槛。但若要以近乎零门槛的方式重构《GTA》级别的3A游戏内容生产体系，仍需跨越模型架构革新、空间一致性保障、交互逻辑闭环及可持续商业模式等多重关卡。
7月21日，A股主要指数早盘高开后快速探底，随后在半导体等科技板块带动下走出“深V”反转，显示市场风险偏好正逐步修复。
或许，反弹日比暴跌日更能映射市场真实结构。当日走势更接近杠杆出清后的超跌修复，能否演变为趋势性反转，仍需观察长鑫科技上市后的市场反馈，以及8月海外科技巨头资本开支指引与财报验证。
但“看多科技”已不再等于“无视估值”。一位保险资金投资负责人列出的关键观测指标颇具代表性：全球AI资本开支与算力链订单的实际兑现进度、国产AI芯片规模化落地节奏、机器人等方向能否由主题炒作转向产业化验证、以及海外利率走势、地缘科技摩擦强度与市场交易拥挤度变化。
由此观之，AI的未来图景未必收缩，只是通往未来的成本账单正变得日益清晰可测。
03
转折点：重估价值兑现所需的真实时间
“AI真正的力量，在于做人类从未做过的事。”在中金公司首席经济学家彭文生主持的高端对话中，未来学家、《连线》杂志创始主编凯文·凯利如是说。
这一观点与同场出席的“云经济学”奠基人、美国未来产业研究院院长乔·韦曼形成呼应：降本存在天然极限，成本最多归零；而真正蕴含巨大增长潜力的，是新产品、新服务与新增收来源。AI的价值不仅在于替代人类回答既有问题，更在于加速科学突破、协助人类提出全新命题，并处理过去因认知、算力与协同瓶颈而无法攻克的复杂任务。
但凯利强调，更强的智能并不能绕过现实约束。他曾以“思考主义”（Thinkism）批判一种常见误区：误以为只要智能足够强大，现实问题即可迎刃而解。事实上，科学发现仍需实验验证，产品落地仍需工程迭代，生物合成、精密制造与系统集成等过程，依然遵循难以压缩的“日历时间”。AI可极大加速推理与假设生成，却无法跳过原型试制、失败复盘、实测验证，以及与真实物理世界反复校准的漫长过程。
“阿玛拉定律”亦提醒世人：一项新技术的短期效应常被高估，而其深远影响却往往被低估。
凯利认为，前沿模型领域或将经历泡沫破裂与投资亏损，但AI基础设施本身仍有望推动科研范式变革与全社会生产率跃升，因而属于具有长期社会价值的“必要泡沫”。
此处“必要”，是从技术扩散广度与文明进步维度出发，并非指每一笔具体投资都具备合理性，更不意味着所有AI企业都能匹配当前估值水平。铁路、互联网与新能源发展史上，皆曾留下相似轨迹：基础设施终将惠及全社会，但早期参与者中仅有少数能穿越完整产业周期。
AI产业的“进”与“退”，尺度常以五年、十年计；而资本市场的进退，却可能在数日内完成。两种时间维度的剧烈碰撞，正是当下市场波动的本质成因。
凯利关注的是AI如何拓展人类能力边界；周子彭聚焦的，则是这些新能力如何穿透企业内部的流程壁垒、权责结构与成本刚性，最终抵达利润表。前者解释资本为何持续加注，后者揭示市场为何开始重估。
或许，AI最深层的价值，在于持续推动人类可行能力边界的外延：使原本受限于认知负荷、算力瓶颈、时间成本与协同难度的任务变为可执行，也将少数专家的隐性知识沉淀为可复制、可扩展、可规模化的系统能力。资本市场此刻重新核算的，正是这些能力穿越实验验证、流程再造与组织适配，最终转化为生产率提升、收入增长与利润兑现所需的真实时间、真实成本，以及真实受益主体。
本文来自微信公众号“经济观察报”，作者：欧阳晓红，36氪经授权发布。
