中美AI用途之争：55% Token流向短剧，美国58%搞研发？

两年前知乎上曾冒出过一个问题：凭什么说「美国把AI用来娱乐，中国把AI用于工业生产」？

那时候，美国文生视频大模型Sora刚出来，生成的画面几乎分不出真假，全球一片惊叹，也夹着焦虑。中国的DeepSeek尚未出圈，豆包还没起势，文生视频模型Seedance更是「查无此人」。

两年过去，局面翻了个个儿：Sora关停，Seedance、可灵这些国产文生视频模型接连冒头，AI短剧和视频生成在国内迎来井喷。

中美AI用途的争论，也跟着出现了戏剧性反转。

社交媒体上开始流传另一种说法——「美国用AI提升生产力，中国用AI拍逆袭短剧」，「中国55%Token消耗用于短剧」的话题还一度冲上微博热搜。

更尖锐的话紧跟着来了。有人借鲁迅的名言感叹：中国人再一次把火药做成了烟花。

这些听着像金句的总结，真能概括中美AI的全部真相吗？

算力到底去哪了

争论的起点，是一组差距悬殊的数据。

10月10日，一则帖子在社交平台上传开。帖子里说，中国55%的Token消耗用在短剧、短视频、娱乐内容生成上，美国则有58%的Token消耗花在编程、研发和企业自动化上。

一头在忙着做娱乐内容，另一头在忙着编程和研发。对比如此鲜明，帖主感慨：「AI时代，中国人再一次把火药做成了烟花。」

这之后，相关话题在社交平台上不断发酵。

有媒体查到了数据出处：中国这组数字来自A股上市公司中文在线今年6月披露的《投资者关系活动记录表》。中文在线称，国内AI Token消耗中，短剧与视频生成占55%，电商与营销占24%，软件开发占15%。至于帖子里美国58%那个数，只被笼统归到「公有API Token用量」名下，统计来源并不明确。

信息在一轮轮转述里走了样。

「Token消耗量」被当成了「AI算力」，「短剧与视频生成」被简化成「爽剧」，「软件开发」也变成了「用于研发」。

几番概念转换下来，说法演变成「中国超过一半的AI算力在造爽剧，真正用于研发的只有15%」。有媒体据此发问：「中国最稀缺的AI算力，究竟在造爽剧还是造未来？」

说白了，Token消耗量的是模型处理、生成了多少信息；算力消耗量的则是干这些活实际要花多少计算资源。哪怕处理同样数量的Token，模型规模、架构、推理方式不一样，所需算力也可能差得很远。

打个比方，就像微信运动里的步数和热量消耗：步数只说明走了多少路，并不直接决定烧掉多少热量。同样走一万步，平地散步和爬山，能量消耗可能差出一大截。

针对这组数据，豆包公关负责人刘星在10月19日公开表示，其可靠性存疑。他说，字节全部算力里，用到视频生成模型训练和推理上的只有大约10%。

据《降噪NoNoise》求证，引自中文在线的信息本身也有不少疑点。

一是数据来源难以核实，统计范围也缺乏可比性。

中文在线在《投资者关系活动记录表》里说，这组数字取自「行业调用数据」，但具体来源、统计范围和方法都没再披露。公开渠道中也还找不到能独立验证这一结论的全国性行业统计数据。

美国那边的数据，同样没有明确的原始出处。

《降噪NoNoise》查阅后发现，去年12月，AI模型API聚合平台OpenRouter与美国风投机构a16z联合发布的《State of AI》报告中，出现过一组相近的数字。

上述报告覆盖了逾100万亿个大语言模型交互Token的使用数据。数据显示，到2025年末，OpenAI模型在OpenRouter平台上编程类和技术类Token消耗各占29%，两项加起来正好是58%。

需要说明的是，这组数字反映的只是OpenAI模型在OpenRouter这一平台上的使用情况，并不能代表美国AI应用的整体面貌。另外，该报告只统计大语言模型，文生视频模型的消耗不在其中，跟中文在线所说的视频生成数据压根不在一个统计口径里。

到目前为止，还没有一份按统一标准对比中美AI应用场景Token消耗的统计出现。

再有一点，模型由哪国开发，不等于Token就花在哪国。中国用户会用ChatGPT、Claude这些海外模型，美国用户同样可能用DeepSeek、Seedance等中国模型。

从中国AI公司的收入构成也能看出这点：MiniMax目前超过60%的收入来自海外，可灵AI约70%的收入来自海外。

况且，AI的使用还分散在API调用、个人订阅、企业内部部署等渠道，第三方机构要把这些数据摸全，难度很大。

还有，文本Token和视频Token虽然叫法一样，计量方式并不相同。在一些实际应用里，语言模型——尤其是多轮交互的Agent——累计处理的Token量，可能超过一次视频生成任务。

所以，把两类Token直接相加，再拿这个结果去判断不同AI应用的使用状况，很容易把人带偏。

那么问题来了：一个没被证实的中美AI用途对比，凭什么让这么多人信？

被标签化的中美AI

传播学里有个例证理论，说的是人判断复杂问题时，容易被具体、生动的案例带跑，拿少数例子去推断整体。

一段AI短剧能在社交媒体上飞快传开，而一个AI智能体帮某家企业大幅降本增效，却未必能成为热门话题。认知偏差就是这么形成的——舆论场容易把传播声量当成产业实力，把最扎眼的应用当成最重要的应用。

巧的是，今年中美AI市场都冒出了足够吸睛的案例。

国内，红果短剧的日均使用时长超过抖音和微信，逼得腾讯重新押注短剧来抢用户注意力。Seedance等视频生成模型能力上来之后，AI漫剧大量涌现，千篇一律的「AI脸」让观众触发「恐怖谷效应」，模板化台词「不烧心」也成了网络热梗。

▲社交媒体上网友们对千篇一律的「AI脸」感到不适

美国那边，OpenAI关停了轰动一时的Sora，把更多资源转向编程和企业服务，跟Anthropic正面较量。Sora被关，原因不是它不够好，恰恰是能力太出色、太烧钱；眼看Claude的编程能力把Anthropic的ARR（年度经常性收入）一路推高，OpenAI当然要做出取舍。

企业服务市场上的中美差异，一线创业者也有切身感受。

一位常年在中美两地做企业AI业务的创业者对《降噪NoNoise》说，跟中国相比，美国企业客户的付费意愿更强，AI服务也更容易做成生意。

热度背后也有数据撑着：OpenAI和Anthropic的企业业务收入分别占40%和80%，微软Microsoft 365 Copilot的付费席位持续上涨，美国软件公司Palantir借着AI机遇成了AI商业化第一股……

中美AI眼下跑出来的生意，背后各有各的产业土壤。

在中国，短视频、短剧、电商营销这些行业早就积累起庞大的内容生产需求，也长出了成熟的内容工业和流量分发体系，短视频平台、短剧平台和直播电商的商业化机制相当完善。视频生成模型的出现，不过是恰好踩中了这些行业降本增效的刚需。

真人短剧转过来的从业者是近期我们接触到的短剧人里的多数，AI短剧成了他们的新方向；电商商家那边也在拿AI成批做和改营销素材，为的是压成本、缩周期。快手财报提到，第二季度平台AIGC短视频营销素材的投放消耗同比涨了70%以上。

换句话说，AI短剧的盛行，某种程度是中国既有互联网产业能力的一种延伸，也是这条产业链发展的必然结果，但它并不等于中国AI能力的全部。

美国企业AI的商业化，同样立在一套成熟体系之上。

微软这些企业早就把软件付费养成了习惯，按年订阅、按席位采购，客户渠道也铺得成熟。AI 一来，微软把 Copilot 塞进 Office，Palantir 把 AI 接进企业原有的数据和业务系统，Anthropic 则靠企业订阅和 API 服务向客户输出能力。

▲Microsoft 365 商业版付费席位已连续多个季度保持 6% 以上增速

不过两边也有交集。放到全球看，AI 视频生成并不是没人做的冷门生意。彭博社报道称，今年 9 月美国 AI 视频公司 Runway 的 ARR 已达 2 亿美元，五个月翻了一倍，杜嘉班纳等品牌正拿它的技术做广告和营销。短剧同样不是中国市场独有的偏好，字节旗下海外短剧应用 PineDrama 上线不到一年，全球累计下载量就突破了 1 亿次。

AI 短剧不是原罪，娱乐本身也不是。真正该追问的是：AI 把内容生产成本压到前所未有的低位之后，这份效率提升最后会流向哪里？假如它让更多独立创作者有了表达手段，让小团队也能做出过去负担不起的作品，那 AI 确实拓宽了创作边界。可假如它主要被拿来批量生产更合算法口味的内容，用更低的成本抢更多的用户时间，那技术带来的生产力提升，就可能变成一场效率更高的注意力争夺。

视频模型能做的事远不止这些。Seedance 已被用来制作多语言产品介绍、企业培训等视频，还有企业在试着用视频生成合成机器人训练数据、模拟自动驾驶里的极端场景。

只是比起复杂的商业化结构，几个鲜明的标签显然更容易被人记住。

路径差异还是目标分裂？

波士顿咨询公司（BCG）今年 6 月的一份研究指出，美国靠资本、人才和算力优势，持续投入前沿模型研发；中国更看重低成本模型的普及，以及 AI 向实体经济的扩散。

零一万物联合创始人、AI 连续创业者祁瑞峰在接受《降噪NoNoise》访问时提出了「Cost Play&Value Play」的概念：中国偏向用低成本、规模化应用挣钱，美国偏向从高价值场景挣钱。两国 AI 应用形态为何不同、同样的模型能力为何会走向不同的商业化路径，答案也在这里。

当然，两国 AI 商业化的侧重点本身也在动态变化。

中国 AI 在编程和企业服务市场同样在加速追赶。今年以来，智谱 GLM-5 系列、Kimi K3 等国产模型的编程和复杂任务处理能力接连突破，10月24日，月之暗面正式发布 Kimi K3.1 Pro，随即冲上 Artificial Analysis 全球智能指数第四名，超过 GPT-6 Astra。

▲截至10月25日，Kimi K3.1 Pro 排名第四

技术进步也在变成收入。今年上半年，MiniMax 开放平台及其他 AI 企业服务收入 7390 万美元，同比增长 703.1%，占总收入的 63.4%；同期智谱开放平台及 API 业务收入 8.25 亿元，同比增长 2735.7%，成为公司主要收入来源。

大厂也在抢企业 AI 市场。腾讯、字节、阿里都在推企业 Agent 接入办公生态，并招聘 FDE（前线部署工程师），加快 AI 在企业里的落地。

那么，中美 AI 当下的商业化差异，真会演变成长期技术目标上的分裂吗？

祁瑞峰表示，「从模型到应用」和「从应用到模型」两种创新机制已经显现——美国的技术突破可能先抬高模型能力，再催生新工具和新应用；中国则可能因为短剧、视频生成这些现成的变现场景，反过来推动模型能力提升。

AI 的发展远未定型。能确定的是，这过程中大众对中美 AI 的看法会跟着热门产品变化而摇摆，也难免受科技竞争叙事和不同价值判断的影响。

市场若肯为高频、低成本的内容生成付费，企业就能靠规模化应用找到商业回报；市场若愿意为编程、科研或企业自动化出更高的价，企业就能靠高价值服务挣钱。这些路径未必代表不同的技术理想，更像是不同市场条件下对同一个现实约束的回应。

真正该比的，不是谁今天用 AI 赚到了哪一类钱，而是谁能靠可持续的商业模式，持续投入研发、积累应用反馈，不断突破模型能力的边界。如果两国头部公司追求的长期目标高度重叠，那商业化路径的差异首先应被理解为抵达目标的不同策略，而不是目标本身已经分裂的证据。

当然，这种正向循环不是必然发生。商业化可能反哺技术突破，也可能让企业长期停在容易变现的局部优化里。所以中美 AI 的长期差异，最终还得回到基础模型能力、研发机制和实际技术进展上来验证。