本文来自微信公众号： AI时代我的人生下半场 ，作者：席春迎博士，原文标题：《国内一半算力都在“造爽剧”？先别急着批评中国AI“不务正业”！》
“国内超一半算力在造爽剧”，这句话很抓眼球，也很容易让人产生一种焦虑：中国投入大量资源发展人工智能，结果大部分资源却被短剧、视频和广告消耗了——美国在做科研、写代码，中国却在生产爽剧？
但这句话把几个不同概念压缩成了一个结论：把Token消耗说成算力投入，把一家公司披露的行业估算说成全国统计，再把消费场景占比高，直接推导成产业方向走偏。
争论并非没有价值。短剧和营销占据很高的Token消耗比例确实值得关注，但要判断资源配置是否合理，不能只看一个未经充分说明的数据，我们更应该追问：这组数字从哪里来、统计了什么、能说明什么，又不能说明什么？进一步说，AI应用究竟应该由谁来评判价值，是看场景“够不够高端”，还是看它能否创造真实需求、形成商业回报，并推动生产效率提升？
一、55%的数字有出处，但不是全国算力统计
目前流传的“55%”，源自上市公司中文在线6月3日的一份投资者关系活动记录表。记录称，根据“行业调研数据”，AI短剧与视频生成占国内Token消耗的55%，电商与营销占24%，软件开发占15%，并称前者的Token消耗量超过软件开发的两倍。10月这组数字经媒体传播后，迅速被概括成“国内超一半算力在造爽剧”。
问题在于，中文在线的记录没有给出这组行业数据的具体来源、样本范围、统计方法和时间区间。澎湃新闻和上海证券报的追踪报道都指出，数据来源及统计口径仍有疑问；一些行业人士也认为，公有云、企业自有算力集群、私有化部署和科研机构的本地算力并不容易纳入同一套统计。
中国信通院2026年9月发布的《词元（Token）经济发展研究报告（2026年）》也提到，短剧与电商营销是词元消耗的重要应用场景。不过，报告中的相关数据有其引用来源，不能因此把55%理解成工信部对全国算力结构做出的官方统计，更不能把媒体标题里的“造爽剧”当成主管部门的定性。公开报道显示，报告引用的数据与中文在线披露的数字存在关联，而这组数字最终仍缺乏足够透明的统计方法说明。
图1｜词元（Token）消耗≠算力占用：应用消耗的Token多，不代表占用了同等比例的全国GPU——“全国过半算力在造爽剧”至少跨了两步推论。
因此，对这组数字最稳妥的表述应当是：中文在线投资者交流记录披露了一项行业估算，信通院报告及媒体报道进一步传播了类似数据，但其完整统计口径尚未充分公开。它可以作为讨论行业应用结构的线索，却不能被当成全国算力配置的权威结论。
二、Token消耗不等于算力占用，更不等于国家资源被拿去拍短剧
Token是大模型处理文本、图像或视频时的计量单位之一；算力则是硬件在一定时间内执行计算任务的能力。两者有关联，却不是同一个指标。应用消耗的Token多，不代表它占用了全国同等比例的GPU，也不代表全国超过一半的智算资源都被短剧业务占用。每日经济新闻对这场争论的分析也指出，Token消耗与算力分配不能直接画等号。
视频生成的Token消耗高，也有技术上的原因。与文本问答相比，视频任务要处理连续画面、帧数、分辨率和时序关系；在实际制作中，生成、筛选、修改往往要重复多次。于是，一条视频背后可能对应大量模型调用。Token占比高，既可能反映这类场景受到市场欢迎，也可能反映生成成本高、产品流程需要反复试错。它说明“吞吐量”大，却不能单独说明这些任务占用了多少全国GPU，更不能直接判断单位算力创造的经济价值高低。
图2｜短剧、营销是词元消耗的重要场景，但视频生成的高Token占比，既反映市场欢迎度，也反映生成成本高、需反复试错。
一个有助于理解口径差异的例子，是字节方面的回应。豆包公关负责人称，字节总算力中约10%用于视频生成模型的训练和推理。这是企业内部的算力分配口径；中文在线披露的55%则是Token消耗场景占比。两者统计对象不同，不能把它们直接放在同一张账上比较。
把“某些场景消耗了较多Token”转述为“全国过半算力在造爽剧”，就跨越了至少两步推论。第一步，把Token占比替换成算力占比；第二步，把一项行业估算扩展为全国资源分配。这种表达有传播力，但容易误导判断。
三、娱乐内容不是天然的低价值应用
批评者的担心并非全无道理。高性能算力和高质量模型训练需要巨额投入，如果大量资源被用于同质化内容生产，而没有形成稳定收入、技术进步或就业效率提升，那么这确实可能是资本和算力的低效使用。短剧如果只是不断复制套路、重复生成，最后靠投流争夺有限注意力，Token消耗再高，也未必代表产业价值同步增长。
但反过来，把短剧、视频和广告直接归类为“低端浪费”，同样过于简单。消费内容也是AI商业化的重要入口。消费者愿不愿意使用、企业愿不愿意付费、内容生产成本能否下降，都是技术走向真实市场的重要检验。短剧制作、广告创意和电商运营，未必能像药物研发、工业仿真那样体现“硬科技”形象，却可能更快形成付费需求和规模化应用。
AI产业的价值也不能只用“是否属于科研或工业”来划线。一个营销工具若能帮助中小企业减少拍摄成本、提高转化率；一套视频模型若能缩短制作周期、降低试错成本，它创造的价值并不因为服务消费市场而自动归零。反过来，即使应用名称听起来高端，如果模型效果不稳定、客户不愿付费、项目长期不能落地，也不能仅凭“服务实体经济”几个字就认定其投资回报很高。
真正该问的，不是“短剧值不值得使用AI”，而是：它是否创造了可持续的收入，是否提高了生产效率，是否形成可复用的技术能力，是否让客户获得了可量化的收益？这些问题比给场景贴上“高端”或“低端”的标签更有意义。
四、真正需要警惕的，是把消耗规模误当成产业进步
AI行业正进入从技术展示走向商业兑现的阶段。Token消耗量增长，表明模型调用增加、应用活跃度提升；但消耗本身并不是成功指标。如果企业只强调调用量和使用量，却不能说明客户留存、收入来源、毛利水平和单位经济性，Token越多，甚至可能只是成本越高。
短剧和视频生成尤其需要面对这道检验。生成内容的成本是否下降？用户付费或广告收入是否覆盖推理成本？重复生成的素材能否沉淀为企业资产？内容制作效率的提升，最终有没有反映为更高的利润率？如果答案是否定的，那么高消耗可能只是流量竞争的新形式。
图3｜别崇拜消耗：AI的价值不由场景是否“高端”、消耗多少Token决定，而看每单位算力能否带来真实需求与可持续回报。
同样，这条检验标准也适用于科研、编程和工业AI。不能因为研发场景听起来更有社会价值，就免于商业验证。科研成果能否转化、工业系统能否稳定运行、编程工具能否真正提高开发效率，都需要事实和数据支撑。AI发展不能只看“用了多少Token”，也不能只看“用了多少GPU”，而要看投入最终转化成了什么：技术进步、生产率、收入、利润，还是更高的补贴与营销开支。
从这个意义上说，55%即使准确，也更像是一个提示：AI应用的商业化首先落在了能够快速形成需求、频繁调用模型的消费和营销场景。它不等于中国的AI资源配置已经失衡，却提醒我们，如何把短期调用转化为长期生产力，才是产业下一阶段的关键。
五、别拿未经证实的中美数字，制造“谁在做正事”的对立
围绕55%数字，网上还出现了“美国58%的Token用于编程、研发”等对比说法。现有媒体追踪没有找到这一数字的权威数据来源，上海证券报的调查也指出，相关海外比例来自自媒体转述，无法核验。
因此，用“美国搞科研、中国造爽剧”来概括两国AI应用结构，证据不足。不同国家的模型平台、云服务市场、企业私有化部署比例和统计方法都不一样。没有统一口径的横向数据，简单比较百分比，很容易把传播话术包装成产业判断。
更何况，国家之间的AI竞争也不是一道选择题：一边做科研，另一边做娱乐。一个成熟的AI生态，必然同时包含基础研究、工业应用、企业服务、消费产品和内容生产。真正的差距不在于有没有短视频，而在于能不能形成从底层模型、算力基础设施，到行业应用和商业回报的完整链条。
六、我们的判断：不要嘲笑应用，也不要崇拜消耗
这场“算力造爽剧”的争论，最值得保留的不是情绪化结论，而是它提出的资源效率问题。算力是稀缺资源，企业、投资人和政策制定者当然应关注它被用在哪里、带来什么回报。但讨论必须先建立在可靠的统计口径上：公有API调用与全国算力不是一回事，Token消耗与算力投入不是一回事，行业估算也不等于官方统计。
我们的判断是，短剧和营销占据较大Token消耗，可能反映这些场景更早形成了高频、规模化的商业调用；这既是AI应用落地的信号，也可能意味着资源和资本正在追逐短期流量。单靠55%这个数字，既不能证明中国算力被“浪费”，也不能证明行业结构已经合理。
判断AI应用的价值，应当从三个维度看：有没有真实客户，能否形成可持续收入，是否提升了效率或生产力。短剧也好，工业软件也好，科研模型也好，都应该接受同一套商业和技术检验。既不因为一个场景属于娱乐，就预先否定它；也不因为它消耗大量Token、制造了热度，就把它当作产业进步。
AI的价值，不由场景听起来是否高端决定，也不由消耗了多少Token决定。最终决定价值的，是每一单位算力能否带来真实需求、可持续回报和可验证的效率提升。
本文配图由AI生成
END
