一半算力在造爽剧:烧得最猛的地方,恰恰最不赚钱
- 2026-11-18 02:16:13
QUOTE
55% 对 15%。等它传到第三个平台,标题已经变成“最稀缺的算力,一半在帮人造爽剧”。但把出处、口径、时间窗口翻一遍,结论会跟舆论正好相反——真正值钱的不是这个占比,是它背后的账。
这两天,一组数字被传疯了。一家做数字内容的上市公司,在给投资者的交流材料里写得很清楚:国内 AI 的 Token 消耗里,55% 流向短剧和视频生成,24% 用在电商广告,真正投入研发环节的只有 15%。
我把这组数字的出处、口径、时间窗口翻了一遍,结论跟舆论正好相反:“一半算力在造爽剧”这个说法本身站不住;但它指向的那个问题,比标题说的更严重。
本文看点
01
先看清口径
02
为什么是视频
03
反直觉的一环
04
对比站不住
05
真正的提示
06
两件事判优劣
01
THE MEASURE
这 55%,得先看清楚它是什么
第一,它不是普查,是采样。统计范围只是那家公司“参与的那个 AI 平台生态”,采集窗口只有 2026 年 10 月上旬的一周。一家公司、一个生态、一周数据,能说明一种倾向,说明不了整个产业的版图。
第二,也是最容易被绕过去的一点:Token 消耗,不等于算力去向。
Token 是大模型每次被调用时吐出来的文字和画面的计量单位;算力是芯片真正跑起来的整个盘子。两者像饭馆一天的出菜数,和整座城市的发电量,不在一个量纲上。真正能反映物理算力规模的,是另一组数字:据主管部门披露,到 2026 年 3 月,全国智能算力规模已达 1882 EFLOPS,是上年同期的 2.5 倍,万卡级集群建成 42 个。这些算力的大头,压在模型训练、工业互联网、政务和医疗底座上。
一句话,短剧消耗的那部分 Token,只是冰山露在水面的尖。
第三,披露方就在这条赛道里,既是数据的提供者,也是参与者。所以它更适合当“行业观测”,不适合当“权威统计”。
1882 EFLOPS
到 2026 年 3 月全国智能算力规模
2.5 倍
较上年同期的增幅
02
WHY VIDEO
为什么偏偏是视频
很多人第一反应是“因为短剧最赚钱”。这个答案后面会被数据打掉。真正的原因更技术:视频生成的计算密度,比文本高出一到两个数量级。
先算物理账。画面就是像素乘帧数。一段 5 秒的 720p 画面,要跨越上百帧,每一帧都是一次完整的模型推理。有从业者测算,这样一条 5 秒画面的 Token 消耗,可能相当于处理一部十万字的剧本。
再看形态差异。带真人质感的仿真人剧,对帧数和 1080p 清晰度要求更严,Token 消耗通常是偏漫画形态、720p 漫剧的两到三倍。清晰度和帧率每加一档,成本不是线性涨,是成倍涨。
最狠的是流程。真实制片不是“输入一次、输出一次”,是“生成一百次、挑出一个”——为了让角色连贯、镜头符合导演要求,团队要反复生成、反复筛选,业内叫这一步“抽卡”。每一次抽失败的卡,同样要付算力账单。
三层叠起来,就明白为什么是视频吃了最大那块:它计算最重、要求最高、还要反复试错。一部 12 集的 AI 短剧,算力成本接近 20 万元——这个价格里,绝大多数付给了没被选中的画面。
03
THE PARADOX
反直觉的地方在这里
如果算力流向等于赚钱能力,那 55% 就该是好消息。可惜账不是这么算的。
先看产能。据主管部门披露,2026 年前 8 个月,全国上线微短剧 43 万部,是去年全年的 13 倍,其中 AI 参与生成的超过九成——平均一天上线 1700 多部。
再看变现。第三方监测显示,2026 年上半年,某头部短视频平台新增的 22.19 万部 AI 剧里,播放量破亿的只有 1055 部,破亿率 0.48%;按业内认可的 5000 万播放量作为盈亏平衡线,达标项目占比仅 1.3%。
换个说法:98.7% 的 AI 短剧,半年内回不了本。
把这组数字和上一节的成本账放在一起,因果链就出来了——算力流向的不是“最赚钱的场景”,而是“计算密度最高、又有人愿意为试错持续买单的场景”。视频恰好两条全占:它计算最重,背后又站着一个愿意不断下注的内容市场。
所以不该用“值不值”去评判 Token 分布。同样一单位算力,写代码要的是“一次就对”,错了重来的代价由人来付;生成视频,错了重来的代价直接由算力付。试错成本的计价单位不同,占比自然不同。占比低,不等于投入低。
01
产能端
8 个月上线 43 万部,是去年全年的 13 倍,供给以天为单位堆积。
02
变现端
半年新增 22 万部里,只有 1.3% 摸到盈亏平衡线,其余难以回本。
03
成本端
单集算力成本高企,失败尝试同样计费,试错变成了明确的支出。
04
THE COMPARISON
被拿来对比的那个海外数字,站不住
舆论里最扎心的一句是“这边算力在造爽剧、那边算力在造未来”,依据是“那边 58% 的 Token 花在编程和科研上”。
我追到了被引用的原始材料:那类报告写的是企业在生成式 AI 上的支出结构,并没有“58% 用于写代码”这个表述;另一份常被引用的报告,开篇就提醒过那个流传的统计数字“很难让人相信”。
更根本的是分母缺失。占比离开总量,是没有意义的。如果一边的总消耗是另一边的五倍,那么 15% 的绝对量,可能反过来超过对面 58%。两个池子多大都不知道时,所有比较都是话术,不是事实。
05
THE SIGNAL
这件事真正的提示
把情绪剥掉,这组数字留下的是一条很实用的成本纪律。
其一,试错第一次有了明确的标价。过去一个内容环节的成本是“人力加设备”,摊在时间里;现在它变成“每尝试一次,就付一次算力账单”。竞争壁垒也会从“谁做得快”,转向“谁一次就对”。
其二,抽卡率会变成新的核心指标。谁把一次生成的成功率提上去,谁就把这段持续流出的成本,变成别人追不上的护城河。这不需要更新的芯片,需要的是数据积累、工作流打磨和对场景的理解。
其三,任何“必须反复试错”的行业,都会被同一笔账单卡住。影视特效、工业仿真、材料筛选,都是“生成—筛选—重来”的循环,区别只在计价单位和成本量级。谁先被卡住,取决于试错密度有多高、有没有人愿意为失败买单。
其四,还有一个侧面容易忽略。视频生成练出来的那套本事——画面连贯、角色一致、多镜头可控——并不只服务于短剧,换个场景就是别的用途。技术先在哪个行业跑出规模,往往由“谁先愿意付钱”决定,未必由“谁最需要”。
06
THE TAKEAWAY
最后
所以,“一半算力在造爽剧”是个被放大的标题。但它戳中的那件事是真的:
最贵的资源,正在被“计算密度”和“变现速度”一起牵着走,而不是被“技术重要性”牵着走。
要判断一笔算力花得对不对,别看它去了哪个行业,看两件事就够了——它一次尝试要付多少钱,以及在这个行业里,有多少人一次就能做对。
更详细的数据在我们团队手里
本文刻意不提任何具体公司或品牌,只讲产业环节和关键技术——公开文章有合规边界,而真正的判断需要更细的数据支撑。我们团队手上有一份更完整的梳理:
完整数据包
· 这两组 Token 消耗口径的原始出处与交叉验证:哪些能采信、哪些不能
· 视频生成这一环节的成本拆解:单次生成的算力单价、抽卡率的行业区间、清晰度与帧率档位下的成本倍数
想要这份数据,可以在留言区留下你最关心的产业环节,我们单独聊;
或者关注本公众号,在菜单栏找到我们团队。
免责声明:本文信息均来自公开渠道与媒体报道,仅用于产业与宏观逻辑的分析讨论,不构成任何投资建议。数据为媒体或机构统计口径,请以官方披露为准。市场有风险,决策需独立判断并自行承担相应责任。
本内容含 AI 辅助生成,已按平台要求标识。
我是赵骄,专注产业逻辑与投研数据梳理。
如果你觉得今天这篇有收获,欢迎点赞、在看、转发三连,我们下篇见。