股市“蒸发”4800亿美元：中国AI泡沫破裂。下一个是美国吗？

Artem Honcharenko, PhD

KNUBA退伍军人重返社会、康复与职业发展学院“韧性建筑”负责人

2026年10月27日 • 作者分析

中国市场暴跌：市场究竟发生了什么

不久前，芯片、数据中心光学元件和机器人领域的制造商还被称为新一轮技术革命的主要赢家。投资者买入它们的股票，指望人工智能需求在未来持续增长。10月下旬，这种信心转为大规模抛售。

据 路透社2026年10月26日报道，反映上海交易所主要科技创新企业走势的STAR 50指数在 不到四个月内下跌约40%。总市值缩水估计约为 4800亿美元。10月27日当天，该指数收于 1252.28点，单日跌幅为 4,81%. [1–2]

这里有两点需要说明清楚。 STAR 50并非中国50家最大的纯人工智能企业名单，而是科技创新板块的指数，其中不少公司与半导体和人工智能有关。而且 4800亿美元并没有从企业的银行账户中“消失”：下跌的是持有股票的市场估值。

不过，这并不会让调整的幅度变小。路透社列举了个别机器人、芯片和光学设备制造商股价下跌数十个百分点的例子。市场突然想起了一条朴素的经济要求：好技术并不保证获得足以支撑任何股价的利润。[1]

市场为何降温：被抬高的预期与真实的利润

据路透社估算，在上涨最高点时，STAR 50指数的市盈率（P/E）接近 250。即便在急剧下跌之后，仍约为 100，而同一报道中纳斯达克100指数的参照值约为 30。这两个指数的构成并不相同，但差距显示出投资者已将多少未来增长计入了中国股票的报价。[1]

高估值之外，又叠加了对AI硬件需求增速的疑虑、可能的出口限制、税收因素，以及中国元件销往海外数据中心的风险。这些原因单独都不足以解释整场暴跌，但合在一起使市场变得脆弱。

我的结论很简单：必须把股价与技术的实用价值区分开来。 一家公司可能做出了有用的产品，却在股市中被不合理地高估；反过来，其股价下跌也不会抹去已经取得的技术成效。

必须清楚地区分两件事：人工智能的经济效能，以及靠它赚钱的公司的投机性价值。股票市场可能会误判预期。但如果一项技术确实缩短了研究时间、提高了生产率、让人们能更快地做出有依据的决策，那么这份价值不会随着股价下跌而消失。

AI真的能加快人类的工作吗：哪些已被证明，哪些只是承诺

作为研究者，我认为评估人工智能不应看发布会的声势，而应看设有对照组的独立实验。而这样的研究已经存在。

在发表于《 Science 》2023年的MIT研究中， 453名专业人士 完成了专业写作任务。在可使用ChatGPT的小组中，平均完成时间缩短了 40%，而专家评分显示成果质量提高了 18%。这是一项真实的实验，但并不能证明任何复杂研究都会自动加快同样的40%。[3]

在哈佛商学院与波士顿咨询公司开展的实验中，共有 758名顾问参与， 使用GPT-4的人在与模型能力相匹配的任务上， 完成速度快25%以上 并且完成的任务数多出 12%以上。与此同时，在超出工具可靠能力范围的任务上，使用AI反而导致结果更差。[4]

科研分析领域尤其有说服力。 25项研究的综述，发表于 Frontiers in Pharmacology 2025年，记录显示在 17项研究中，时间缩短超过50%。在某些情况下，摘要的自动筛选耗时缩短为原来的 五分之一至六分之一，而在材料检出率达95%的条件下，人工工作量缩减为原来的 六分之一至十分之一。这主要指的是筛选中的个别环节，而不是从构想到经过验证的结论的整个过程。[5]

也有需要注意的一面。在METR 2025年的随机实验中， 16名经验丰富的开发者，他们完成了 246项真实任务，借助当时的AI工具，平均耗时反而 多出19%，尽管他们自己认为速度变快了。可见，对新手有帮助的工具，如果核查结果的成本过高，反而会拖慢专家处理熟悉工作的速度。[6]

结论： 我们应当衡量的不是生成文本的数量，而是单位时间内 正确且经过验证的成果数量.

一个改变量级的例子：10万份文件

设想一个机构需要对 10万份文件 （合同、科研论文、报告、市民来信或重建材料等）进行初审。如果每份文件只花 三分钟，总共就是 5000人时，即625个八小时工作日。十名分析师满负荷工作，大约需要12.5周。

现在假设一套经过验证的系统能自动完成去重、初步分类、矛盾检索，并生成例外清单。如果它的质量允许将 人工筛选环节压缩90%，这一阶段将剩下相当于 500人时 的工作量。

这是一个示意性模型，并非某次具体应用的结果。 它没有单独计入计算、配置、质量控制的成本，也没有计入遗漏的关键案例。因此，不能机械地宣称整个研究会加快十倍。

但它说明了真正的价值产生于何处： 只要自动筛选证明达到了所需的准确度，专家就不必再逐条手工审阅每一条信息。他们将从海量阅读转向对复杂案例的深入处理。

市场开始走向成熟。仅凭技术革命的承诺已经不够。投资者想看到利润，机构想看到具体成果：节省了多少时间、避免了多少错误、处理了多少申请，以及维护系统要花多少钱。真正的竞争优势将属于能够证明AI经济成效的人。

战争改变了生产率公式：为何这对乌克兰很重要

在我们国家，一名员工可能技能高超、干劲十足，却无法取消防空警报或导弹袭击。人的安全必须始终放在首位。

在European Business Association于2026年2月开展的调查中， 131名高管 （来自协会成员企业）中， 45% 的受访者将防空警报期间暂停工作列为常见制约之一，而 82% 则将对能源系统的袭击列为对企业负面影响最大的因素之一。这并不是全乌克兰平均损失工时的统计数据，但它有力地证明了运营中的障碍。[7]

以一个需要100个有效分析工时的假设项目为例。如果工作时间的实际可用率为70%，完成它大约需要 143个计划工时的人力资源。在模拟的混合流程中，人工保留25小时，机器处理及配套操作增加10小时，总估算为 约46小时。差距约为 3.1倍.

不应把这些数字当作乌克兰企业的标准： 这里的70%可用率和操作结构只是情景假设。实际效果取决于任务的性质、数据的准备程度和系统的架构。

不过，这一原则很重要。如果计算资源、数据和任务队列有恰当的冗余备份并且地理上分散，那么即使员工在避难所里，部分业务也可以继续运行。反之，如果系统依附于一台没有备用通信和供电的办公室服务器，就享受不到这一优势。

对乌克兰而言，使用人工智能不只是想要在技术上显得先进，而是关乎韧性。战争期间，人有权获得安全、休息和保护。与此同时，搭建得当的数字基础设施可以保障部分关键流程的连续性。我们的任务不是取代人，而是用技术增强人的能力。

真正的革命不是一分钟生成文本，而是在报告出具之前发现问题

我认为，下一轮变革将比自动撰写分析备忘录更为深刻。这指的是 全天候监测，即数据持续流入，系统发现偏差，按规则核验，对风险分级，并把信息交给负责人，或执行事先获准的安全操作。

在网络安全领域，为此早已发展出 SIEM 和 SOAR等平台。2025年的国际指南将它们描述为收集事件、发现可疑活动、通知专业人员并使响应的特定环节自动化的工具。同时，这类系统需要持续调整、测试和合格人员的监督。[8]

对乌克兰而言，这一原则可以应用于重建监测、财务监管、环境指标、网络威胁，以及退伍军人及其家属的诉求处理。例如，新的诉求可以自动转给相应的部门，招标文件中的异常改动可以为审计人员生成提示信号。但涉及医疗救助、权利限制或财务处罚的决定，在缺少适当的独立监督机制时，不能交给生成式模型。

未来属于那些不只是积累信息，而是持续分析事件的系统。人工智能可以帮助发现异常、核验异常，并启动事先约定的响应方案。但关键决策必须始终处于适当的人类监督之下。新型数字生态系统的质量，恰恰取决于自动化与责任的结合。

错误的代价：哪些地方不能把自动化与信任混为一谈

自动化规模越大，系统性错误的代价就可能越高。模型可能一本正经地编造出处、遗漏重要文件，或者让不合适的用户访问机密数据。正因如此，医疗、个人和金融类材料需要数据最小化、访问权限控制、操作日志、准确性核验，以及针对关键操作的单独审批程序。

科学界必须把机器处理的速度与结论的可靠性区分开来。当AI协助撰写科学综述或为管理决策提供分析时，这一点尤为重要。

我们必须区分信息处理的速度与所得知识的可靠性。人工智能可以大幅加快数据的检索、比较和系统化，但这并不能取消核实来源、检验方法论和确保结果可重复的必要性。

中国的暴跌会在美国重演吗？

这是眼下呼声最高的问题。不过， 中国STAR 50指数40%的跌幅，并不意味着美国股票会自动下跌40%。路透社把中国的这轮调整与纳斯达克较近期高点回落约6%相比较。这是不同的指数、不同的时期和不同的企业结构，据此直接作出预测是没有依据的。[1]

全球科技股确实存在风险：预期很高，计算基础设施的资本开支很大，需求不确定，变现也不容易。但每家公司的脆弱程度，取决于它的利润、现金流、债务、客户和融资成本。

我认为，市场的关键问题已经发生了变化： 不是“谁把AI喊得最响”，而是“谁真正把技术变成了经过验证的经济成果”。按这一逻辑，投机性估值的收缩甚至可能促使企业采取更有纪律的投资。

我对乌克兰机构的建议

没有必要因为另一个国家股市的暴跌而停下数字化转型。但同样也不应仅仅因为时髦，就不加思考地购买昂贵的AI方案。理性的做法可以归结为五个实用步骤。

1. 衡量当前流程： 操作时长、成本、错误、等待答复的时间以及人员负荷。
2. 选择范围窄的试点： 例如文件分类、查找重复项或对诉求排序，而不是一下子把整个管理流程都自动化。
3. 确定自主权的边界： 明确算法可以自行完成什么、只能提出建议的是什么，以及哪些必须由人来决定。
4. 检查质量与安全： 遗漏的关键案例、误报、对个人数据的访问、对供应商的依赖以及抗故障能力。
5. 核算完整的经济账： 许可证、计算、集成、维护、团队培训，以及所节省时间的价值。

如果不衡量这些指标，所谓节省五倍、十倍的说法就会沦为营销话术。一旦加以衡量，机构就能基于证据做出决策。

结论：股市泡沫可能破裂，技术革命仍将继续

中国的暴跌是对投资者的严重警告。它表明，即便是前景可观的行业，也难以免受估值虚高、预期落空和市场情绪骤变的冲击。

但对我这个研究者、同时也是致力于人力资本和乌克兰重建问题的机构负责人来说，结论却不同： 评价技术应看它对真实任务的影响，而不是看股市的狂热.

如果自动化缩短了处理诉求的时间，帮助及时发现风险，在战时保障工作的连续性，并让专家腾出手来做需要负责的决策，那么它就已经具有实际价值。但这种价值需要衡量，安全性需要证明。

AI泡沫可能会破裂，但对经过验证的知识、有韧性的机构和及时决策的需求不会消失。

资料来源与方法说明

[1] Reuters. “In China, the AI bubble has already burst”，2026年10月26日 来源

[2] Investing.com. SSE STAR 50: historical data，2026年10月27日收盘价 来源

[3] Noy S., Zhang W. «Experimental evidence on the productivity effects of generative artificial intelligence». Science, 2023 来源

[4] Harvard Business School / Boston Consulting Group. «Navigating the Jagged Technological Frontier», 2023 来源

[5] Abogunrin S. et al. «How much can we save by applying artificial intelligence in evidence synthesis?». Frontiers in Pharmacology, 2025 来源

[6] METR. «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity», 2025 来源

[7] European Business Association，《大规模战争四年：乌克兰企业如何运转》，2026年2月24日 来源

[8] Australian Signals Directorate及国际合作伙伴，《Implementing SIEM and SOAR platforms: Executive guidance》，2025年5月27日 来源

计算说明：10万份文件的示例以及战时人员可用率模型均为示意性假设。应将其与具体对照研究的结果区分开来，并在做出投资决策前用自己的数据加以检验。