两年前，知乎上有个话题：为什么说「美国把AI用来娱乐，中国把AI用于工业生产」？

彼时，美国的文生视频大模型Sora横空出世，其生成的视频几乎以假乱真，在全球范围内引发惊叹与焦虑。而中国的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」。

两年后，Sora关停，Seedance、可灵等国产文生视频大模型相继崛起，AI短剧和视频生成在国内迎来井喷式增长。

围绕中美AI用途的争论也出现了戏剧性的反转——

在社交媒体上，「美国用AI提升生产力，中国用AI拍逆袭短剧」成为一种新的论调，「中国55%Token消耗用于短剧」的话题一度登上微博热搜。

更尖锐的言论随之而来，有人借用鲁迅的名言，感叹道：中国人再一次把火药做成了烟花。

看似金句的总结里，是中美AI的全部真相吗？

01

算力到底去哪了

引发这场争论的，是一组悬殊的数据。

10月10日，一则帖子在社交平台传播开来。该帖称，中国55%的Token消耗用于短剧、短视频、娱乐内容生成，而美国58%的Token消耗用于编程、研发和企业自动化。

一边忙着生产娱乐内容，另一边忙着编程和研发。鲜明的对比之下，帖主感慨：「AI时代，中国人再一次把火药做成了烟花。」

此后，相关话题在社交平台上持续发酵。

有媒体找到了数据来源，中国的数据出自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%。而帖子中所谓美国58%的数据，则被笼统归于「公有API Token用量」，未见明确的统计来源。

在一次次转述中，信息也在失真。

「Token消耗量」被等同于「AI算力」，「短剧与视频生成」被简化为「爽剧」，「软件开发」也变成了「用于研发」。

几番概念转换后，信息演变成了「中国超过一半的AI算力在造爽剧，真正用于研发的只有15%」，有媒体由此发问：「中国最稀缺的AI算力，究竟在造爽剧还是造未来？」

简单来说，Token消耗衡量的是模型处理和生成了多少信息，而算力消耗衡量的是完成这些工作实际需要多少计算资源。即使处理相同数量的Token，不同模型由于规模、架构和推理方式不同，所需的计算资源也可能有很大差异。

这就像微信运动中的步数和运动消耗：步数反映走了多少路，但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相差很大。

10月19日，豆包公关负责人刘星公开质疑这组数据不太靠谱。他透露，字节的总算力中，只有约10%用于视频生成模型的训练和推理。

根据《降噪NoNoise》的求证，引自中文在线的信息本身，同样存在不少疑点。

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」，但未进一步披露具体数据来源、统计范围和方法。公开渠道中，也尚未找到能够独立验证这一结论的全国性行业统计数据。

而美国的数据也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，出现了一组相近的数字。

该报告分析了超过100万亿大语言模型交互的Token使用情况，其中，2025年末OpenAI模型在OpenRouter平台上的编程和技术相关Token消耗各占29%，合计恰好为58%。

不过，这一数据仅是OpenRouter平台的OpenAI模型使用情况，并非美国整体的AI使用情况。而且，报告只统计大语言模型，并不包含文生视频模型的消耗，这与中文在线所称的视频生成数据并不在同一统计范围内。

截至目前，我们尚未发现一份按统一标准比较中美AI应用场景的Token消耗统计。

其次，模型来自哪个国家，也不代表Token就消耗在哪个国家。中国用户可能使用ChatGPT、Claude等海外模型，美国用户也可能使用DeepSeek、Seedance等中国模型。

这点从中国AI公司的收入结构可窥见一二，目前MiniMax超60%的收入来自海外，可灵AI约70%的收入来自海外。

除此之外，AI的使用还分散在API调用、个人订阅、企业内部部署等不同渠道，第三方机构很难完整掌握这些数据。

再者，文本与视频Token虽然名称相同，计量方式却并不一致。甚至在某些实际应用中，语言模型尤其是多轮交互的Agent，累计处理的Token 数量可能比一次视频生成任务更多。

因此，将两类Token简单加总，再据此判断不同AI应用的使用情况，容易产生误导。

既然如此，为何一个未经证实的中美AI用途对比，能让这么多人相信？

02

被标签化的中美AI

传播学中的例证理论认为，人们在判断复杂问题时，容易受到具体、生动案例的影响，进而用少数例子推断整体情况。

一段AI短剧可以在社交媒体上迅速传播，一个AI智能体将某项商业工作大幅降本增效未必会成为热门话题，所以认知偏差更易形成——大众舆论场容易把传播声量当成产业实力，把最显眼的应用当成最重要的应用。

今年以来，中美AI市场恰好都出现了足够醒目的案例。

在中国，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抢夺用户注意力。随着Seedance等视频生成模型能力提升，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。

在美国，OpenAI关停轰动一时的Sora，将更多资源转向编程和企业服务，并与Anthropic展开角逐。Sora被关，不是因为它不够好，恰恰是因为其能力出色、太烧钱，眼睁睁看着Claude的编程能力带动Anthropic的ARR（年度经常性收入）一路飙升，OpenAI自然是要有所取舍的。

在企业服务市场，中美之间的差异也被一线创业者感知到。

一位常年在中美两地从事企业AI业务的创业者告诉《降噪NoNoise》，相比中国，美国企业客户的付费意愿更强，AI服务也更容易形成生意。

而这些热度也有相应的数据佐证——OpenAI和Anthropic的企业业务收入分别占40%和80%，微软的Microsoft 365 Copilot的付费席位不断上涨，美国软件公司Palantir仰仗AI机遇成为AI商业化第一股……

中美AI眼下跑出来的生意，都有各自的产业土壤。

在中国，短视频、短剧、电商营销等行业早已形成庞大的内容生产需求，也因此诞生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，只不过是恰好切入了这些行业降本增效的需求。

我们近期接触过的短剧从业者多数由真人短剧转向AI短剧，电商商家们也在通过AI批量制作、修改营销素材，降低成本、缩短制作周期。快手财报显示，今年第二季度，平台AIGC短视频营销素材的投放消耗同比增长超过70%。

换句话说，AI短剧的盛行某种程度上是中国既有互联网产业能力的一种延伸，更是这条产业链发展的必然，但并非中国 AI 能力的全部体现。

美国的企业AI的商业化，同样是建立在一套成熟体系之上。

微软等公司早已培养起企业按年订阅、按席位采购软件的付费习惯，也建立了成熟的客户渠道。AI到来后，微软将Copilot嵌入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。

但差异之内亦有交集。全球来看，AI视频生成都不是一门冷清的生意。据彭博社报道，今年9月，美国AI视频公司Runway的ARR已经达到2亿美元，五个月内翻了一倍。包括杜嘉班纳在内的品牌，正将其技术用于广告和营销制作。

短剧也并非中国市场的独有偏好，字节旗下海外短剧应用PineDrama上线不到一年，全球累计下载量便突破1亿次。

AI短剧不是原罪，娱乐本身也不是原罪。真正值得追问的是，当AI把内容生产成本降低到前所未有的水平时，这种效率提升最终会流向哪里？

如果它让更多独立创作者拥有表达能力，让小团队也能制作过去无法承担的作品，那么AI确实扩大了创作的边界。

但如果它主要被用于批量生产更符合算法偏好的内容，以更低的成本争夺更多的用户时间，那么技术带来的生产力提升，就可能转化为更高效率的注意力竞争。

视频模型的用途也远不止于此。 Seedance已被用于制作多语言产品介绍、企业培训等视频内容，一些企业还在探索利用视频生成技术合成机器人训练数据、模拟自动驾驶中的极端场景。

只是，相较于复杂的商业化结构，人们显然更容易记住几个鲜明的标签。

03

路径差异还是目标分裂？

波士顿咨询公司（BCG）今年6月发布的一份研究指出，美国凭借资本、人才和算力优势，持续投入前沿模型研发；中国则更加重视低成本模型的普及，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》采访时引入了「Cost Play&Value Play」的概念，即中国偏向通过低成本、规模化应用获取收入；而美国偏向通过高价值场景获取收入。这也解释了为什么两国会出现不同的AI 应用形态，以及为什么相同的模型能力可能走向不同的商业化路径。

当然两国AI商业化的侧重点也是一个动态变化的过程。

中国AI也在编程和企业服务市场加速追赶。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取得突破，10月24日，月之暗面正式发布Kimi K3.1 Pro，并当即冲上Artificial Analysis全球智能指数第四名，超过了GPT-6 Astra。

技术进步也在同步转化为收入。今年上半年，MiniMax开放平台及其他AI企业服务收入达到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业务收入达到8.25亿元，同比增长2735.7%，成为公司主要的收入来源。

大厂也在争抢企业AI市场。腾讯、字节、阿里纷纷推动企业Agent接入办公生态，并招聘FDE（前线部署工程师），加速AI在企业落地。

所以，中美AI眼下的商业化差异，真的会演变成长期技术发展目标上的分裂吗？

祁瑞峰表示，「从模型到应用」与「从应用到模型」这样两种技术创新机制已经显现——美国的技术突破可能先提高模型能力，再催生新的工具和应用；中国则可能因为短剧、视频生成等已有的变现场景，反过来推动模型能力提升。

AI的发展远未定型。可以确定的是，在这一过程中，大众对中美AI的看法，会随着热门产品的变化而摇摆，也难免受到科技竞争叙事和不同价值判断的影响。

如果市场能够为高频、低成本的内容生成付费，企业就可以通过规模化应用寻找商业回报；如果市场愿意为编程、科研或企业自动化支付更高价格，企业就可以通过高价值服务获得收入。这些路径并不必然代表不同的技术理想，而可能是不同市场条件下，对同一个现实约束的回应。

真正值得比较的，不是谁今天用 AI 赚到了哪一类钱，而是谁能通过可持续的商业模式，持续投入研发、积累应用反馈，并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，那么商业化路径的差异，首先应该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，这种正向循环并非必然发生。商业化可能反哺技术突破，也可能让企业长期停留在容易变现的局部优化中。因此，中美 AI 的长期差异，最终还需要回到基础模型能力、研发机制和实际技术进展上验证。