中美AI用途之争：55%算力造短剧的说法站得住脚吗

两年前，知乎上出现过这样一个问题：为什么有人说「美国把AI用来娱乐，中国把AI用于工业生产」？

那时候，美国的文生视频大模型Sora刚亮相，生成的画面几乎难辨真假，全球范围内既惊叹又紧张。中国的DeepSeek还没出圈，豆包尚未起势，文生视频大模型Seedance更是「查无此人」。

两年过去，Sora关停，Seedance、可灵等国产文生视频大模型接连崛起，AI短剧和视频生成在国内迎来井喷式增长。

围绕中美AI用途的争论，也随之出现了戏剧性的反转——

社交媒体上，「美国用AI提升生产力，中国用AI拍逆袭短剧」成了一种新论调，「中国55%Token消耗用于短剧」的话题一度登上微博热搜。

更尖锐的言论跟着来了，有人借用鲁迅的名言感叹：中国人再一次把火药做成了烟花。

这些看似金句的总结，真能概括中美AI的全部真相吗？

01

算力到底去哪了

这场争论的起点，是一组差距悬殊的数据。

10月10日，一则帖子在社交平台传开。帖中称，中国55%的Token消耗用于短剧、短视频、娱乐内容生成，美国则有58%的Token消耗用于编程、研发和企业自动化。

一边在生产娱乐内容，另一边在忙编程和研发。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。」

随后，相关话题在社交平台上不断发酵。

有媒体追到了数据源头：中国的数字出自A股上市公司中文在线今年6月披露的一份《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%。帖子中所谓美国58%的数据，则被笼统归到「公有API Token用量」名下，统计来源并不明确。

信息在一次次转述中走了样。

「Token消耗量」被当成「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？」

其实，Token消耗衡量的是模型处理和生成了多少信息，算力消耗衡量的则是完成这些工作实际需要多少计算资源。即便处理相同数量的Token，不同模型因规模、架构和推理方式不同，所需计算资源也可能相差很大。

这就好比微信运动里的步数和运动消耗：步数反映走了多少路，却不直接决定消耗了多少热量。同样走一万步，平地散步和爬山的能量消耗可能差得很远。

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。他提到，字节总算力里投入视频生成模型训练和推理的部分，大约只占10%。

《降噪NoNoise》求证后发现，引自中文在线的信息本身也有不少疑点。

首先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》中提到，这组数字来自「行业调用数据」，但具体数据来源、统计范围和方法均未进一步披露。公开渠道中，也还没找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。

这份报告统计的是超过100万亿个大语言模型交互Token的消耗情况，时间节点落在2025年末。

但要注意，这些数字只反映OpenAI模型在OpenRouter平台上的使用，代表不了美国AI应用的整体面貌。另外，报告只覆盖大语言模型，文生视频模型的消耗并不在统计之内，跟中文在线所说的视频生成数据压根不在一个口径里。

到目前，还没有一份按统一标准把中美AI应用场景的Token消耗拿来对比的统计。

还有一个问题：模型是哪国的不等于Token就消耗在哪国。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。

看看中国AI公司的收入结构就能明白，MiniMax目前超过60%的收入来自海外，可灵AI这一比例约为70%。

何况AI的使用还散落在API调用、个人订阅、企业内部部署等不同渠道，第三方机构想把这些数据摸全，很难。

再说，文本Token和视频Token名字一样，计量方式却对不上。有些实际场景里，语言模型——尤其是多轮交互的Agent——累计处理的Token量，可能比一次视频生成任务还多。

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

那问题来了：一个没被证实的中美AI用途对比，凭什么让这么多人信？

02

被标签化的中美AI

传播学里的例证理论讲的是，人判断复杂问题时容易被具体、生动的案例牵着走，拿少数例子推整体。

一段AI短剧能在社交媒体上飞快传开，而一个AI智能体帮某项商业工作大幅降本增效，未必能成为热门话题。认知偏差就这么形成了——舆论场容易把传播声量当产业实力，把最扎眼的应用当成最重要的应用。

今年中美AI市场，恰好都冒出了足够吸睛的案例。

中国这边，红果短剧日均使用时长超过抖音和微信，逼得腾讯重新押注短剧去抢用户注意力。Seedance等视频生成模型能力上来后，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」成了网络热梗。

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正面角逐。Sora被关不是因为它不够好，恰恰是因为能力出色、太烧钱；眼看着Claude的编程能力带动Anthropic的ARR（年度经常性收入）一路飙升，OpenAI自然要有所取舍。

企业服务市场上，中美之间的差异，一线创业者感受得到。

一位常年在中美两地做企业AI业务的创业者告诉《降噪NoNoise》，美国企业客户的付费意愿比中国更强，AI服务也更容易做成生意。

热度背后有数据撑着——OpenAI和Anthropic的企业业务收入分别占40%和80%，微软Microsoft 365 Copilot的付费席位不断上涨，美国软件公司Palantir借AI机遇成为AI商业化第一股……

中美AI眼下跑出来的生意，各有各的产业土壤。

中国这边，短视频、短剧、电商营销等行业早就积攒了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，不过是恰好切进了这些行业降本增效的需求。

快手财报提到，今年第二季度平台AIGC短视频营销素材的投放消耗同比涨了70%以上。电商商家眼下也拿AI批量做营销素材、改素材，图的是压成本、缩周期。我们最近聊过的短剧从业者里，不少人是原先拍真人短剧，后来转做AI短剧的。

换句话说，AI短剧盛行，某种程度上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，但它并不是中国AI能力的全部。

美国企业AI的商业化，同样搭在一套成熟体系上。

微软等公司早就培养起企业按年订阅、按席位采购软件的付费习惯，客户渠道也建得成熟。AI到来后，微软把Copilot嵌进Office办公体系，Palantir将AI接入企业原有的数据和业务系统，Anthropic则通过企业订阅和API服务向企业客户输出AI能力。

不过，两边也有重合的地方。放在全球看，AI视频生成这门生意并不冷清。彭博社报道称，美国AI视频公司Runway今年9月的ARR已到2亿美元，五个月翻了一倍。杜嘉班纳等品牌正用它的技术做广告和营销内容。

短剧同样不是中国市场独有的偏好。字节旗下的海外短剧应用PineDrama上线不到一年，全球累计下载量就超过1亿次。

AI短剧谈不上原罪，娱乐本身也不是。该追问的是另一件事：AI把内容生产成本压到以前没有过的低点之后，省下来的效率最终会流到谁手里？

假如更多独立创作者因此有了表达手段，小团队也能做出过去负担不起的作品，那AI确实把创作的边界往外推了。

可假如它主要被拿来批量生产更合算法口味的内容，用更低的成本去抢用户更多的时间，那这轮生产力提升，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已经用于多语言产品介绍、企业培训等视频制作；也有企业在试，用视频生成技术合成机器人训练数据、模拟自动驾驶里的极端场景。

问题是，商业化结构再复杂，人们记住的往往还是几个鲜明的标签。

03

路径差异还是目标分裂？

波士顿咨询公司（BCG）今年6月的一份研究提到，美国靠资本、人才和算力上的优势，持续往前沿模型研发里投；中国更看重低成本模型的铺开，以及AI向实体经济的扩散。

零一万物联合创始人、AI连续创业者祁瑞峰接受《降噪NoNoise》采访时提出「Cost Play&Value Play」的说法：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上不同的商业化路子，答案也在这里。

当然，两国AI商业化的侧重点并非一成不变。

中国AI在编程和企业服务市场也在加快追赶。今年以来，智谱GLM-5系列、Kimi K3等国产模型在编程和复杂任务处理上接连突破；10月24日，月之暗面正式发布Kimi K3.1 Pro，随即登上Artificial Analysis全球智能指数第四名，超过GPT-6 Astra。

技术上的进步也在变成收入。今年上半年，MiniMax开放平台及其他AI企业服务收入达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%，已是公司主要收入来源。

大厂同样在抢企业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），让AI在企业里落地更快。

那么，中美AI当下这轮商业化差异，真会演变成长期技术目标上的分裂吗？

祁瑞峰说，「从模型到应用」和「从应用到模型」两种技术创新机制已经出现——美国的技术突破可能先把模型能力抬上去，再带出新工具和新应用；中国则可能借着短剧、视频生成这些现成的变现场景，反过来推着模型能力往前走。

AI的走向远没定型。能确定的是，这中间大众对中美AI的判断会跟着热门产品起落，也躲不开科技竞争叙事和不同价值判断的影响。

市场若肯为高频、低成本的内容生成掏钱，企业就能靠规模化应用找回报；市场若愿意为编程、科研或企业自动化付更高的价，企业就能靠高价值服务挣钱。这些路子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，不是谁今天靠AI赚了哪一类钱，而是谁能用可持续的商业模式持续投研发、攒应用反馈、不断把模型能力的边界往外推。两国头部公司追求的长期目标如果高度重合，那商业化路径的差异首先该看成抵达目标的不同打法，而不是目标已经分裂的证据。

当然，这样的正向循环不会自动发生。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，说到底还要回到基础模型能力、研发机制和实际技术进展上去验证。