真正需要警惕的不是AI制作短剧，而是将Token消耗、算力投入和技术竞争力混为一谈。
文章作者、来源：ME News
TL;DR
- 55%不等于中国55%的算力。 中文在线披露的是Token消耗结构，而非全国算力分配比例，且没有提供可核验的统计方法。
- 10%也不是全国平均水平。 字节跳动披露的数据包含视频模型训练与推理，不能直接等同于短剧生产所使用的算力，更不能代表整个行业。
- 短剧繁荣有其商业逻辑。 AI视频正在形成真实需求和商业收入，但使用规模大，不代表技术价值一定高，也不意味着资源配置合理。
- 真正需要警惕的不是AI制作短剧，而是将Token消耗、算力投入和技术竞争力混为一谈。 衡量中国AI产业的前景，最终要看技术突破、应用效率和持续创造价值的能力。
一、从55%到10%，一场被放大的算力争议
2026年10月19日，豆包公关负责人刘星在社交平台公开回应近期备受关注的“中国超一半AI算力在造爽剧”话题，认为相关算力数据“有些不靠谱”。他给出了一项来自字节跳动内部的数据：公司总算力中，只有约10%用于视频生成模型的训练和推理。
这场争议之所以受到广泛关注，不只是因为字节跳动出面反驳了一组数据，更因为它触及了中国人工智能产业发展中一个颇具争议的问题：当全球科技企业都在加大AI投资时，中国的算力究竟在创造什么价值？那些投入数据中心、GPU和大模型的巨额资金，最终是推动软件开发、科学研究和产业升级，还是更多地转化成了娱乐内容？
问题值得讨论，但讨论的前提必须是数据可信。
争议源头是中文在线在今年6月3日披露的《投资者关系活动记录表》。这份文件记录了公司6月1日至2日面向投资机构的交流内容，其中提到，在国内所有Token消耗份额中，AI短剧与视频生成占55%，电商与营销占24%，软件开发占15%。中文在线据此判断，AI短剧与视频生成已成为Token经济的重要消耗场景。
到了10月，这组数据经过媒体报道和网络传播，被进一步概括为“中国一半算力都在造爽剧”，并延伸出“美国造未来，中国造爽剧”的产业比较。原本关于AI应用需求结构的讨论，逐渐变成了对中国AI发展方向的整体评价。
问题在于，这里至少发生了两次概念转换：第一次是把Token消耗量等同于算力消耗，第二次是把视频生成等同于短剧制作。两次转换看似自然，却都缺乏充分的数据支持。
刘星公布的10%，恰恰使这种模糊变得难以忽视。
不过，也不能据此认定中文在线的55%必然错误。因为字节提供的是一家企业的算力使用比例，中文在线声称描述的是全国Token消耗结构，两者的统计对象和计量方式并不相同。严格来说，10%无法直接推翻55%，正如55%也无法证明全国超过一半的算力正在生产短剧。
我的判断是，这场争论目前最有价值的结果，不是谁赢得了数据上的胜利，而是一个流传甚广的结论终于需要接受统计口径的检验。
二、55%的Token，为什么不等于55%的算力？
理解这场争议，首先要区分Token、算力和算力资源占比这三个概念。
Token是模型处理信息时使用的计量单位，也是大模型服务常见的计费依据。算力则是计算设备执行运算的能力，实际计算资源消耗还涉及模型架构、参数规模、计算精度、硬件利用率以及输入输出方式等多个因素。
两者存在关联，但不能简单画等号。
比如，同样消耗100万个Token，不同模型所需的实际计算量可能存在明显差异。视频生成还涉及画面分辨率、帧率、时长以及反复生成等因素，不能仅凭Token数量推断其占用了多少GPU资源。
更复杂的是，视频生成、文本推理和模型训练可能采用不同的Token表示和计量方法，即使供应商将它们统一转换成计费Token，也不意味着这些Token具有相同的计算成本。
因此，即便中文在线披露的55%能够得到完整验证，它最多首先证明某一统计口径下视频相关应用占据了较高的Token消耗份额，仍不足以推导出全国55%的算力都被视频业务占用。
其次，视频生成也不等于短剧制作。
今天的视频生成模型不仅服务于网络短剧，还可以用于商业广告、产品展示、游戏素材、影视特效、数字人、教育培训和其他内容生产。把这一整类技术应用统称为“造爽剧”，实际上是用其中一个有传播度的场景代替了整个产业。
还有一个容易被忽视的问题：中文在线所说的软件开发占15%，并不意味着中国AI只有15%的资源投入研发。
软件开发只是研发活动的一个类别。基础模型预训练、算法研究、模型评测、科学计算、工业研发和芯片设计等工作，并不能简单归入软件开发这个应用标签。何况，研发训练所消耗的计算资源，也未必会出现在面向应用场景的Token调用统计中。
把“软件开发占15%”进一步解释为“真正用于研发的只有15%”，实际上又扩大了一次结论。
值得注意的是，中文在线披露上述数据时，没有同步说明全国Token统计所依赖的原始机构、样本范围、覆盖平台、统计周期及计算方法。
对于一家上市公司而言，在投资者交流中引用行业数据并不罕见，但如果数据被用于判断全国AI资源配置，就必须接受更高标准的验证。
尤其是中文在线本身正在发展AI短剧业务，其投资者交流材料具有明确的业务叙事背景。这不意味着相关数据必然失实，却提醒我们不能将企业对产业前景的描述直接视为独立的全国性统计结论。
三、字节的10%，能说明什么，又不能说明什么？
刘星此次回应的重要性，在于它提供了一个来自头部AI企业的具体参考。
字节跳动同时拥有大模型、内容平台、推荐系统及多种AI应用，其算力投入覆盖不同业务环节。因此，视频生成模型训练和推理约占公司总算力10%的说法，至少表明不能想当然地认为，一家在视频领域拥有重要业务的企业，就会将大部分计算资源用于视频生成。
但需要明确，10%目前仍是企业负责人公开披露的数据，并非经过独立审计的全国性统计结果。
我们尚不知道这一比例具体采用什么计量方式，是计算资源使用量、折算后的运算量，还是内部资源分配口径；也不知道统计对应的时间周期，以及不同硬件和外部云资源如何处理。
这些问题不会自动否定10%的可信度，却决定了它能被用于什么样的比较。
此外，刘星所说的10%同时包含视频生成模型的训练与推理。训练是模型研发过程的重要组成部分，推理则可以服务于短剧之外的多种应用。由此可见，真正直接用于生成商业短剧的资源，只是这个10%口径下的部分，具体比例目前无法确定。
所以，10%最有力的作用不是给全国AI算力结构重新定标，而是提醒公众：缺乏统一口径的数据，不能直接拿来比较。
对于字节这样的企业，视频模型投入是否合理，也不应只取决于其算力占比高低，而应取决于技术进步、用户需求和商业回报。如果一个视频模型能够服务多个行业，持续提高生成效率，那么适度的资源投入完全可能形成长期价值。
反过来，即便视频业务只占10%，也不意味着剩下的90%必然全部用于高价值研发。其他资源如何分配、使用效率如何，仍然需要独立分析。
四、短剧不是原罪，但算力消耗也不是成绩单
抛开数字争议，中国AI短剧快速发展确实是不容忽视的产业现象。
根据北京市广播电视局2026年6月发布的《2025年北京微短剧研究报告》，2025年中国微短剧全年产值达到1000亿元，其中北京相关产值585.7亿元，同比增长74.2%。
这里需要强调，1000亿元是微短剧行业的整体产值，并不等于AI生成短剧的收入，更不能据此推导AI短剧消耗了多少算力。但它至少说明，短剧已经拥有相当规模的市场需求，而不是一个完全依赖技术补贴维持的实验性场景。
从商业逻辑看，AI短剧的快速发展有其现实基础。
传统影视制作需要演员、场地、拍摄团队以及较长的制作周期，AI视频生成则能够在部分环节减少实拍需求，并让创作者更快完成分镜测试、视觉素材制作和内容迭代。
这种成本结构变化，尤其适合需求变化快、需要持续测试内容效果的短剧市场。
对于中文在线这样的内容企业，AI还可能改善已有版权资产的开发效率。过去只有少量优质IP能够获得影视化机会，现在部分作品可以先通过成本较低的AI视觉内容测试市场反馈，再决定是否投入更多制作资源。
这是一种有现实价值的商业创新，并不应该因为最终产品带有娱乐属性，就被轻易贬低。
但商业价值和技术价值仍然需要分开衡量。
一部短剧获得大量观看，意味着它可能满足了消费者的娱乐需求；一家企业大规模调用视频模型，意味着它形成了一定的模型服务需求。两者都不能自动证明底层模型取得了重大技术突破。
中文在线在投资者交流材料中提到，AI短剧制作过程中需要反复生成、筛选画面，这会带来持续的Token消耗。
这一描述很有代表性，因为它揭示了AI内容生产尚不成熟的一面：高Token消耗既可能意味着需求旺盛，也可能意味着生成成功率不足、重复试错较多。
如果模型能力提升后，同样质量的视频只需要过去一半的生成次数，那么Token消耗下降，反而可能代表技术效率提高。
因此，从产业投资角度看，Token消耗量只能是观察需求的指标之一，而不是判断竞争力的最终依据。
更值得关注的指标，是单位内容生产成本、有效镜头生成率、付费转化、客户留存以及企业实际利润。
当行业从追求生成数量转向追求投入产出效率时，才能更清楚地分辨哪些企业拥有持续竞争优势，哪些企业只是享受了市场扩张初期的红利。
五、“美国造未来，中国造爽剧”，是一个过于粗糙的判断
这场争议中最值得警惕的，是用一组尚未得到充分验证的数据，推导出两个国家不同的技术发展命运。
中国AI应用确实具有鲜明的消费互联网特色。短视频、电商、内容平台拥有成熟的商业模式，也有大量愿意尝试新技术的用户。视频生成技术首先在这些领域形成需求，并不令人意外。
但这不意味着中国AI的发展仅仅围绕娱乐内容展开。
中国互联网络信息中心在2026年9月29日发布的《生成式人工智能应用发展报告（2026）》显示，截至2026年上半年，中国生成式人工智能用户规模突破7亿人，普及率超过50%。
从用户用途看，76.0%的用户会使用生成式AI回答问题，47.8%使用AI处理图片或视频，37.6%用于文本处理，32.5%用于工作总结、会议纪要及PPT等任务。
这些使用率允许同一用户同时选择多个场景，因此不能相加，也不能转换成各类应用的算力占比。不过，它们说明中国AI需求并非集中于单一的娱乐领域。
更值得注意的是，这份报告披露，截至2026年6月，中国智能算力规模达到2185 EFLOPS，同比增长177%。这表明算力基础设施仍在快速扩张，但同样需要区分算力供给规模与实际资源使用结构。
另一方面，美国AI市场也远非只有科研和编程。
路透社旗下Breakingviews在10月16日发表的文章指出，微短剧正在美国市场扩大影响力。根据文章引用的YouTube数据，2026年上半年，微短剧在该平台的观看量已超过65亿次。研究机构Omdia预计，美国微短剧市场2026年的收入可能达到15亿美元。
虽然这些数字与AI算力分配没有直接对应关系，却足以说明，娱乐内容同样是美国数字经济的重要商业方向。
反过来看，美国AI企业在软件开发方面的应用优势，也不能被简单等同于美国全部AI算力的配置方向。
Anthropic在2026年3月发布的经济指数报告显示，根据2026年2月的抽样数据，Claude.ai平台约35%的对话涉及计算机与数学类任务，编程是其中的重要应用。报告同时指出，部分编程任务正在从聊天产品向API及自动化工作流迁移。
这反映了Claude特定用户群体的应用特征，而不是美国全国AI算力的行业分布。
如果拿Claude的开发任务占比，与中国某家内容企业披露的视频Token份额比较，本质上仍然存在样本和统计口径不一致的问题。
真正值得研究的差异，是不同市场在哪些环节率先形成了成熟的AI商业应用，以及这些应用能否反过来推动底层技术升级。
中国拥有庞大的消费市场、制造业体系和互联网平台，具备丰富的模型应用场景。美国则拥有成熟的软件产业、企业服务市场和基础研究体系，这些因素都可能影响AI技术的商业化路径。
但产业发展的长期竞争，不取决于哪个国家更擅长讲述自己正在创造未来，而取决于技术能力能否不断突破，产品能否提高实际效率，以及企业能否在成本约束下形成可持续的收入和利润。
六、真正应该追问的，是中国AI算力有没有创造足够价值
经过这次争论，一个更有意义的问题逐渐清晰：AI算力的配置究竟应该如何评价？
在我看来，需要同时关注三个维度。
首先是基础技术能力。对于基础模型训练、科学研究、芯片生态和关键工业软件等领域，不能只依据短期利润决定资源投入。这些领域具有长期战略价值，商业回报往往需要更长时间才能体现。
其次是应用层面的投入产出效率。商业视频生成、电商营销、企业智能体和编程助手等应用，都应该接受成本、收入与用户价值的检验。真正成熟的AI业务，最终应当具备持续付费需求，而不是单纯依赖补贴和资本投入维持增长。
最后是技术扩散能力。一个优秀的视频生成模型，除了制作短剧，还能否应用于工业设计、教育、广告和影视制作？一套成熟的推理基础设施，能否以合理成本服务更多企业？这些跨行业的技术复用能力，可能比单一产品产生多少Token更值得长期关注。
对于行业研究机构和平台企业而言，未来如果希望讨论全国AI资源的真实流向，也需要建立更有可比性的统计框架。
例如，明确统计周期，区分模型训练与实际推理，按应用用途划分资源，并使用经过硬件性能和使用时长校正的计算量指标。商业Token调用规模、实际计算成本与算力基础设施规模，也应分别统计。
只有具备相对一致的标准，讨论算力资源配置才有可靠的事实基础。
回到这次事件，中文在线的55%提醒我们，视频生成正在成为受到重视的AI商业应用；字节跳动的10%则提醒我们，企业内部的资源分配远比外界想象的复杂。
这两个数字都值得关注，但目前任何一个都不足以单独回答中国AI算力究竟流向何处。
我并不认为中国AI应该因为短剧商业化取得进展而感到尴尬，也不认为拥有庞大的视频生成市场就足以证明中国AI已经建立技术优势。
更合理的产业判断应该是：允许市场选择应用场景，同时持续检验资源投入的效率，并为长期基础技术研究保留足够空间。
未来几年，中国AI产业真正需要避免的，不是生产出太多娱乐内容，而是企业越来越擅长展示调用量、生成量和应用规模，却无法清楚解释这些数字究竟转化成了多少真实价值。
当企业能够用更低的计算成本完成更复杂的任务，用更好的技术解决更多现实问题，并把产品能力转化成稳定的商业回报时，中国AI的发展质量才会得到更有说服力的证明。
与其争论中国有多少算力正在“造爽剧”，不如认真研究还有多少算力能够创造新的生产力。这比55%和10%的数字之争，更值得整个行业投入精力。