每经深度观察 | 算力分配引热议：AI应用场景不应被简单贴上“高低”标签

近期，中文在线发布的投资者关系活动记录表引发行业热议。数据显示，在国内AI Token消耗结构中，短剧与视频生成占比达55%，电商广告占24%，软件开发仅占15%。这意味着AI生成内容的Token消耗量已是传统软件开发场景的两倍以上，成为当前AI算力消耗的核心领域。这一数据披露后，“国内超半数算力用于制造爽剧”的论调迅速成为社交媒体焦点。

针对该争议，字节跳动旗下豆包公关负责人刘星于10月19日通过徽声在线回应称：“某机构发布的算力数据存在明显偏差，以字节跳动为例，公司总算力中仅有约10%用于视频生成模型的训练与推理。”这场数据之争背后，折射出行业对算力资源分配的深层焦虑。

需要明确的是，算力与Token消耗是两个维度的概念。Token作为AI模型处理信息的最小计算单元，其消耗量反映的是模型处理的内容规模；而算力则指硬件单位时间内的浮点运算能力。二者虽密切相关但本质不同——相同算力投入在不同模型架构下，产生的Token量可能存在数量级差异。例如生成4K高清视频需要处理海量视觉Token，其计算开销远超文本补全或广告文案生成。

中文在线披露的是Token消耗占比，豆包回应的是总算力分配比例，二者统计口径的差异导致结论看似矛盾。换个视角看，短剧视频领域能消耗过半Token，恰恰证明该场景实现了极高的算力利用效率，单位算力被充分转化为内容产出，资源闲置率较低。这种“算力燃烧”模式，正是AI技术商业化落地的关键特征。

公众质疑的根源在于价值判断的二元对立：编程、科研、制药被视为创造长期价值的“生产型”应用，而短剧、广告则被归为娱乐变现的“消费型”内容。但现实中的AI发展路径显示，全球顶尖企业均采取“多场景突破”策略。OpenAI在推出GPT-Rosalind助力药物研发的同时，也通过Sora模型开拓视频生成市场；谷歌DeepMind的AlphaFold突破蛋白质预测后，同样持续优化广告内容生产算法。国内企业同样呈现这种趋势：石药集团利用AI筛选出新型口服小分子药物并实现技术授权，剂泰科技的AI纳米递送平台完成国际技术输出，临港实验室联合发布的ODesign模型正在重塑分子设计范式——与此同时，这些企业的AI大模型也深度参与电商广告优化与短视频生成。

这种“全能型”发展模式背后，是AI技术的底层共性。无论是科研编程还是视频广告，都依赖相同的技术栈：数据训练、参数推理、Token计算等基础环节。不同场景的差异仅在于输入数据模态（文本/图像/视频）与商业落地形式。Token消耗规模既取决于场景的算力利用效率，也反映行业AI渗透程度。短剧视频领域Token占比高，说明该行业已实现AI全流程嵌入；而科研领域占比偏低，恰恰表明AI技术在该场景的规模化应用仍处于早期阶段。AI应用场景本无高低之分，只有技术成熟度的差异。

当前更值得关注的核心问题是算力资源的有效利用。作为典型重资产投入领域，AI产业持续依赖硬件采购与研发投入，只有落地到具有真实需求且能产生稳定现金流的场景，企业才具备持续投资能力。当前市场对AI产业的最大疑虑，正是数万亿级资本开支能否转化为预期回报。与其纠结算力是否该用于生产爽剧，不如优先推动算力在商业变现领域的闭环应用，通过现金流回笼支撑后续技术迭代与场景拓展。这种“以战养战”的模式，正是互联网早期发展的成功路径——门户网站、搜索引擎、网络游戏率先实现盈利，为后续电商、移动支付、云计算等重磅应用奠定了基础。电力发展史同样印证了这一规律：最初主要用于照明的电能，最终成为工业生产的核心动力。

AI算力的应用场景不应被简单贴上“高贵”或“低贱”的标签。技术演进遵循其内在规律，颠覆性创新往往始于边缘场景。当我们在争论算力分配时，更需要思考如何建立更高效的资源调配机制，让每一单位算力都能在最适合的场景中发挥最大价值。毕竟，在技术革命的浪潮中，没有浪费的算力，只有未被激活的潜力。