今日市场：AI抛售、油价飙升及其影响

太长不看: 今日市场以AI股票大幅抛售为主导——在中国最新AI突破引发科技估值担忧后，纳斯达克和标普500指数下跌约1%——而油价持续攀升。此次抛售反映的是市场担忧更便宜、高效的开源模型可能扰乱昂贵的AI基础设施支出，而非整体经济崩溃。

今日市场为何下跌？

主要驱动因素是AI相关股票的估值重置，由中国最新AI模型发布引发。投资者突然质疑，如果开源替代方案能以极低的成本实现相当的性能，那么对AI芯片和数据中心的大规模资本支出是否合理。

这并非市场全面恐慌。标普500和纳斯达克下跌约1%，值得关注但并非灾难性。亏损集中在半导体股和大型科技股——这些是从AI支出热潮中受益最多的公司。相比之下，能源股因供应担忧导致油价上涨而走高。

什么是“中国AI突破”，为何重要？

中国实验室持续发布能力不断增强的开源权重模型，最新模型似乎以显著更低的训练和推理成本媲美西方前沿模型。市场的担忧很直接：如果像DeepSeek V3.2（输入$0.42/M，输出$0.63/M）这样的模型能以商品价格提供接近前沿的性能，企业为何还要为专有API支付溢价？

下图显示了令投资者不安的显著成本差异：

模型	输入（每百万tokens）	输出（每百万tokens）	上下文
DeepSeek V3.2	$0.42	$0.63	128K
GLM 4.6	$0.90	$3.30	200K
Kimi K2	$0.855	$3.45	131K
Qwen3 Coder	$2.25	$11.25	262K

当一个有能力的模型每百万输入tokens成本不到一美元时，AI的经济性就发生了转变。这正是那种让投资者对估值假设持续高利润AI收入的公司感到不安的颠覆性定价。

如何解读AI芯片股抛售？

此次抛售是对预期的重新定价，而非对当前盈利的裁决。像NVIDIA这样的芯片制造商仍有创纪录的积压订单，超大规模云服务商也未取消订单。改变的是边际需求前景——如果开源模型减少了对大规模训练的需求，未来芯片需求可能放缓。

对于开发者和企业来说，这实际上是好消息。更便宜、开源权重模型的趋势意味着你的推理成本可能会持续下降。如果你正在基于OpenAI兼容API构建，你已经可以以两年前难以想象的价格访问DeepSeek V3.2或GLM 4.6等模型。市场波动不会改变基本轨迹：AI计算正在变得更便宜，而非更昂贵。

油价上涨对整体市场意味着什么？

油价上涨增加了第二个不利因素。更高的能源成本会推高通胀，可能导致利率在更长时间内保持高位——这对成长股不利，尤其是科技股。这就是为什么你会看到资金从AI股轮动到能源和防御性板块。

AI估值担忧和油价驱动的通胀恐惧相结合，形成了“避险”基调，但重要的是区分信号和噪音。AI抛售是关于科技股内部的相对估值。油价飙升是关于宏观条件。两者都不预示即将到来的衰退；它们更多是关于投资组合内的重新配置。

是否应因市场波动改变AI策略？

不。如果你正在为产品或内部工具使用LLM API，今天的市场变动不会改变哪种模型适合你的用例。应该改变的是你对成本格局的认识——更便宜的模型正变得适用于更多任务。

一个实用的方法：在你的实际工作负载上对几个模型进行基准测试。例如，如果你需要长上下文代码生成，Qwen3 Coder 每百万tokens $2.25/$11.25的价格可能证明其溢价是合理的。对于高容量摘要，DeepSeek V3.2 的$0.42/$0.63很难被超越。市场抛售不会改变这些权衡；只是让它们更加明显。

如果你对成本敏感，考虑将简单查询路由到更便宜的模型，将昂贵的模型保留给复杂推理。大多数OpenAI SDK使这变得非常简单——只需更改model参数。通过TokShop的每次调用日志记录，监控你的token使用量和成本非常直接，它显示每个请求的确切美元支出。

更大的风险不是市场波动——而是在更便宜的替代方案同样有效时，为AI支付过高费用。利用当前的市场噪音作为提醒，审计你的AI支出，看看你是否获得了最佳的性价比。

常见问题

我应该因为今天的抛售卖出AI股票吗？

这取决于你的时间跨度和风险承受能力。此次抛售反映了对未来AI基础设施支出的担忧，但当前盈利仍然强劲。如果你是长期投资者，日常波动是噪音；如果你是短线交易者，尊重动量并设置止损。

更便宜的开源模型真的和高端模型一样好吗？

对于许多任务，是的——尤其是结构化输出、代码生成和高容量处理。差距正在缩小，但高端模型在复杂推理、细微指令遵循和一些创造性任务上仍领先。在你的具体用例上进行基准测试，而不是依赖一般性说法。

如何在不破坏应用的情况下切换到更便宜的模型？

大多数OpenAI兼容API允许你通过更改SDK调用中的单个参数来切换模型。如果你使用TokShop，只需将model字段更新为deepseek-v3.2或glm-4.6，你现有的代码就能工作。从小比例流量开始，比较质量，然后扩大规模。