豆包回应“一半算力在造爽剧”：字节只有约 10% 用在视频生成

“国内超过一半的算力都在造爽剧。”过去几天，这句话在 AI 圈流传甚广。它来自中文在线一份投资者关系活动记录表中的一组数据：国内 AI Token 消耗中，55% 用于短剧和视频生成，24% 用于电商广告，真正投入研发的只有 15%。10 月 19 日，豆包公关负责人刘星公开回应：这个算力数据“有些不靠谱”，就字节而言，公司总算力中只有约 10% 用于视频生成模型的训练和推理。

一分钟速览

• 争议起点：中文在线披露的 Token 消耗结构，短剧与视频生成占 55%；
• 豆包回应：字节总算力中约 10% 用于视频生成训练与推理；
• 核心分歧：Token 消耗结构不等于算力结构；
• 视频模型的单位 Token 成本，远高于文本模型；
• 真正值得讨论的，是算力投入能否形成商业闭环。

两组数字，说的不是一回事

先把概念拆开。Token 消耗量衡量的是“模型处理了多少内容”，算力占用衡量的是“芯片跑了多久”。一段十秒的高清视频，背后可能是数十万级的多模态 Token，还要经过多轮扩散去噪；同样长度的文本，Token 数量少几个数量级。所以，视频生成在 Token 账单里占比高，并不自动等于它吃掉了一半的 GPU。

反过来，算力也不只服务于推理。预训练、后训练、强化学习、数据合成、评测，都要占用集群。刘星说“约 10% 用于视频生成模型的训练和推理”，强调的是字节整体算力的分配比例；中文在线的数据，则更接近某类平台侧的 Token 消费结构。两个口径放在一起对比，容易得出夸张的结论。

为什么视频生成这么“吃”

视频生成的成本结构，决定了它天然是算力大户。文本模型一次生成几百个 Token，视频模型一次要生成几十帧甚至上百帧，每一帧都要经过高维潜空间的计算；分辨率、时长、帧率、镜头运动，任何一个参数上调，成本都会成倍增加。再加上用户往往要反复抽卡、重生成，实际消耗远高于一次成功生成。

这也是短剧、广告素材成为第一批爆发场景的原因：需求高频、容错率高、可以直接换算成制作成本。相比研发场景，视频生成更容易算清楚投入产出比，平台自然愿意把算力往这里倾斜。

算力焦虑背后，是商业化的焦虑

这组争议之所以能刷屏，是因为它戳中了一个真实问题：大量算力投下去，最后变成了什么？如果主要变成短剧、广告和娱乐内容，说明 AI 的商业化仍然集中在流量生意；如果变成代码、科研、工业软件，才更接近“生产力工具”的叙事。

但两种去向并不是对立的。视频生成带来的现金流，反过来可以支撑更长期的模型研发；研发出的能力，又会降低视频生成的单位成本。关键不在于“算力有没有用在娱乐上”，而在于单位算力的产出是否在提升，以及平台能否把一次性的流量转化为可持续的订阅、API 或行业解决方案。

写在最后

“55% 造爽剧”是一个抓眼球的说法，但它更像一面镜子：它照出了外界对算力去向的好奇，也照出了行业缺少统一口径的尴尬。与其争论谁的统计更准，不如把训练、推理、行业分布拆开披露。算力越贵，账就越应该算清楚。