从“55%的AI算力用来做短剧”说起

# 从“55%的AI算力用来做短剧”说起

今天在网上看到一张图，说国内55%的AI Token消耗在短剧和视频生成上，而美国接近六成的AI算力用于写代码、科研和企业自动化。这个说法很容易给人留下一个直观印象——中国人在用AI做短剧、搞娱乐，美国人在用AI编程、做科研。

但仔细想一下，这样的比较其实有不少问题。

先说数据本身。国内55%这个数字并不是完全没有出处。中文在线在一份投资者交流材料中确实提到，AI短剧与视频生成占国内Token消耗的55%，电商与营销占24%，软件开发占15%。但这份材料没有充分说明这个全国性数据是怎样统计出来的，覆盖哪些模型和平台，不同模型的Token又是怎样换算的。所以这个数字可以说有出处，却还不能简单当成一个已经得到独立验证的全国统计。

至于网上所说的“美国接近六成算力用于代码、科研和企业自动化”，目前没有找到相应的可靠来源。美国确实有不少关于AI用途的研究，例如Anthropic对Claude使用情况的分析、OpenAI对ChatGPT工作用途的研究，以及斯坦福AI Index对企业采用AI的长期调查。这些研究能够说明一个基本趋势——编程和企业生产活动确实是美国生成式AI的重要使用领域，但它们并不能证明“58%”这个具体说法。

不过，比数字真假更值得讨论的，其实是这种比较方法本身。

把“短剧”“视频”“电商”“编程”“科研”直接并列起来，本身就不是一个特别科学的分类。因为它们并不处在同一个维度。短剧是一种内容类型，编程是一种技术活动，电商是一个商业领域，科研又是一种社会生产活动。把这些东西放在一张表里，很容易让分类失去一致性。

如果想研究AI到底被用来干什么，也许更有意义的一个维度，是看它进入了什么样的社会活动。比如一部分AI使用进入了生产过程，用来提高工作效率、开发软件、辅助科研、设计产品、管理企业；另一部分进入了消费和娱乐过程，用来生成娱乐内容、聊天、游戏或者满足日常消遣。

但即使这样分，也不能简单地把视频归入消费，把编程归入生产。生成一段产品演示视频、制作培训材料，本身也是生产活动；制作一部短剧，同样也是一种文化产品的生产。反过来，编程虽然通常具有比较强的工具性和生产性，但程序也完全可能是为了娱乐产品服务的。

所以这里还有第二层区别。娱乐内容的创造当然也是创造，也有产业价值，但它和软件开发、科研这样的技术性创造还是不完全一样。后者往往能够作为工具继续进入其他生产过程，对其他行业的生产效率和技术能力产生影响。娱乐内容主要面向人的消费需求，它产生价值的方式不同。两者没有必要分出高低，但在研究AI对生产力和经济结构的影响时，应该区分开。

还有一个很现实的问题，就是按国家统计AI的使用情况本身就很困难。

美国的大型AI服务基本都是全球性的。ChatGPT、Claude等产品的用户遍布世界各地。一个美国公司的模型产生了多少Token，或者消耗了多少算力，并不能直接等同于“美国人使用了多少AI”。模型可能运行在美国的数据中心，用户却可能在印度、欧洲、澳大利亚或者其他地方。

因此，如果要真正比较中国和美国，至少应该明确统计的是用户所在地、企业所在地、算力所在地，还是AI公司的注册所在地。否则“中国AI”和“美国AI”本身就可能不是同一个统计概念。

不过，这个问题仍然有值得研究的地方。

不同社会的人群知识结构和职业结构不同，确实可能造成AI使用方式的差异。如果一个社会中真正从事科研、软件开发和知识密集型工作的人占人口比例有限，那么从全部用户来看，大量AI使用落在聊天、娱乐和日常消费领域并不奇怪。这种可能性不能因为原来的统计不严谨就完全排除。

但反过来，也不能简单地说，这是因为“用户只喜欢娱乐”。用户怎样使用AI，并不完全由用户自己决定。

产品本身会塑造使用方式。

如果一个AI很会聊天，反应自然，能够持续给用户提供比较好的情绪体验，那么人们自然会越来越多地拿它聊天。如果它生成短视频非常方便，平台又不断降低视频生成的门槛，娱乐内容就会迅速增长。

相反，如果一个AI用来编程时经常出错，需要用户反复修改，最后花掉的时间甚至比自己写代码还多，那么很多人试过几次之后自然就不用了。科研、工程、法律、金融等严肃场景也是一样。错误成本越高，对可靠性的要求就越高。如果模型能力还没有达到这个要求，用户就不会轻易把真正重要的工作交给它。

于是我们看到的“用户偏好”，其实可能同时是几种力量共同作用的结果——人口和职业结构决定了谁在使用AI，产品设计决定了什么功能最容易使用，模型能力决定了哪些任务真正能够完成，平台的商业模式又会进一步强化某些使用方式。

这样再回头看网上那张“国内55%做短剧，美国近六成写代码”的图，就会发现真正值得讨论的已经不是这两个百分比。

更有意义的问题可能是，AI正在进入一个社会的哪些活动，它主要在扩大娱乐和消费能力，还是在进入科研、工程、软件开发和企业生产过程？而这种差异究竟来自人的选择，还是来自产业结构、产品设计和AI本身能力的共同作用？

这可能比简单判断“中国人在用AI娱乐，美国人在用AI干活”更接近真正的问题。

以上分析实际上采用了维成论的结构性思路。它不是从某一个孤立的数据直接推出结论，而是把AI的使用放回到具体的关系结构中来看——用户的知识和职业结构、社会的产业结构、产品的设计方式、平台的商业激励以及AI本身的能力和可靠性，都在相互约束，并共同形成最后呈现出来的使用分布。因此，55%或58%这样的数字即使准确，也只是一个已经形成的结果，并不能单独解释这个结果为什么出现。维成论在这里提供的不是一个现成答案，而是一种分析方法——从差异、约束以及这些因素共同维持的结构中，理解一个现象是怎样形成的。