王庆峰

    近日，屡屡见到“中国一半算力在造爽剧”的说法。

    起因是“中文在线”披露，国内AI Token的55%“烧”在短剧和视频生成上，24%“烧”在电商广告上，而真正用于研发的只有15%，AI短剧与视频生成的Token消耗量已达到软件开发的两倍以上。

    与之形成对照的是，有消息称，在美国，约58%的Token流向了代码生成和企业自动化。于是，不少人类比“西方用火药造枪炮，中国用火药造烟花”，称“美国用AI提生产力，中国用AI造奶头乐。”在他们的潜意识里，AI资源应当优先用来攻坚“卡脖子”技术——如果算力都“烧”在短剧上，我们靠什么赢得科技竞争？

    情绪可以理解，但结论站不站得住，有待于进一步商榷。

    一方面，Token是“调用次数”的计量单位，不能等同于算力投入规模。科研场景主要消耗算力在模型预训练、微调上，算力投入很重，Token却“烧”得很少，而AI短剧依赖“抽卡”反复生成和筛选画面，从而产生持续且直观的Token消耗。因此，短剧Token消耗高，不意味着科研算力被挤压、投入偏少。

    另一方面，两组数据的统计口径不一样。“中文在线”统计的，是第三方调用API的用户侧Token消耗，而很多科研使用的都是自建算力，不体现在55%的统计里。日前，豆包回应称字节总算力仅有约10%投向视频生成模型的训练推理，这一说法也佐证，API层面的Token流向，无法代表企业全部算力的投向。

    总之，统计边界、模型类型、统计样本不同，并不能放在一起简单做比较。而如果跳出数据之争，不难发现这场对比背后，暗含着对AI发展路径的不同理解。在AI赛道上，美国更依赖顶尖实验室与科研巨头的原始创新，走的是“基础突破再向应用渗透”的路子，中国则是更突出应用导向——先把AI“用起来”，再以应用反哺技术。这种差异是各自国情决定的路径选择，应当分几个层面去看。

    其一，产业结构的差异是市场条件使然，无关价值取向的高下。各国AI应用赛道的分化，扎根于各自长期形成的商业生态，不能简单贴上价值标签。美国的代码助手、企业自动化之所以先行，得益于ToB软件产业和企业付费习惯的数十年积累。而中国拥有全球最大的内容消费市场和电商市场，短剧、直播产业链基础扎实，AI视频技术落地之后率先在此形成规模，是市场供需匹配的自然结果。

    其二，突出应用导向是我国人工智能发展的鲜明特点。回头看移动支付、电商、新能源汽车等，大都呈现这样的演进脉络：先在应用端爆发、跑出规模，再同步打磨底层技术。这不是偶然，而是立足自身禀赋形成的选择——超大规模市场、完整产业链、海量应用场景，为技术发展提供了天然“试验场”。把这条路径一律斥为“造烟花”，其实是低估了以需求驱动创新、以场景反哺技术的内在价值。

    其三，应用导向是推动产业科技互促双强的重要路径。技术的价值，不只在论文和实验室里，更在于它能否实现和千行百业的结合。“从0到1”靠基础研究的突破，但要把“1”放大成“100”，靠的正是应用场景的承接。反过来，大规模应用能反向牵引需求、倒逼技术迭代——短剧的爆发，激烈的竞争，恰恰能倒逼视频生成模型更好地磨砺工程能力，未来，可以下沉到数字孪生、虚拟仿真等更硬核的领域。

    当然，从“枪炮”和“烟花”的对比中，也需要正视网友的焦虑——应用层的热闹替代不了底层的攻关，短剧再繁荣，也代替不了芯片设计、工业软件、科学计算这些“卡脖子”领域。这份紧迫感，恰恰是推动中国AI向硬核处使劲的动力。