豆包辟谣"算力造爽剧":当AI算力成为公众情绪的靶子
- 2026-11-09 10:19:34

"国内超一半算力在造爽剧"——这句话最近在科技圈刷屏了。它的潜台词很清楚:中国AI公司把大量算力浪费在了短视频内容生成上,而不是更"正经"的模型研发上。这句话像一根针,扎中了公众对AI行业的一种普遍焦虑:当资本蜂拥而入、算力价格飞涨、电力消耗成为新焦点时,这些算力到底去了哪里?有没有被真正有价值的工作消耗掉?
豆包公关负责人刘星的一纸辟谣,让这场讨论从情绪宣泄回到了事实核查。他表示,字节跳动总算力中只有约10%用于视频生成模型的训练和推理。但辟谣本身不是终点,它只是一个更值得追问的起点:为什么"算力造爽剧"这个说法能够引发如此广泛的共鸣?
.
"爽剧"为什么成了算力的替罪羊?
"超一半算力在造爽剧"这个说法之所以能够快速传播,是因为它精准击中了公众对AI行业的一种刻板印象:大公司把最先进的AI技术用在了最肤浅的内容上。
这种刻板印象有现实基础。过去两年,AI短剧、AI生成的营销视频、AI辅助的短视频剪辑确实经历了爆发式增长。这些应用场景直观可见、易于理解、容易传播,公众每天在短视频平台上消费着大量AI生成内容。当人们看到越来越多的"AI感"明显的内容时,一个自然的联想就是:这些内容消耗了大量算力。
但"直观可见"不等于"规模庞大"。AI短剧的高曝光度,反而掩盖了AI算力的真正消耗大户。
在字节跳动的算力分配里,视频生成只是冰山一角。更大规模的算力消耗发生在你看不见的地方:模型训练、推理服务、搜索索引、推荐系统、广告匹配。这些才是算力的主要去向,但它们不像AI短剧那样具有话题性,无法成为公众情绪的表达载体。
这种"看不见的消耗"恰恰是AI行业最需要被理解的部分。一个推荐系统背后可能运行着数百个特征模型,每一次用户刷新都需要在毫秒级内完成数万次推理计算;一个搜索系统每天处理数十亿次查询,每一次查询都需要在数万亿级别的文档索引中找到最相关的结果。这些工作的算力消耗,远远超过生成一段几分钟的AI短剧。
公众对"爽剧"的愤怒,本质上是一种对不可见事物的焦虑投射。当人们无法直观理解算力的真实去向时,他们需要一个具体的、可视化的靶子——而"爽剧"恰好满足了这个需求。
.
辟谣数字背后的实力炫耀
刘星说"只有约10%用于视频生成",这个数字本身就是一种实力的展示。
如果字节跳动的10%算力用于视频生成,就意味着公司的总算力规模已经大到让这10%都成为一个不可忽视的数字。换算成绝对值,这可能是许多中小型AI公司总算力的数倍。
这个数字的潜台词是:不是我们只把少量算力给了视频生成,而是我们的算力总量足够大,以至于即使只分配10%给视频生成,绝对值依然可观。
在AI行业,算力规模是一种硬通货。它决定了你能训练多大规模的模型、能支撑多高的并发请求、能覆盖多广的业务场景。字节跳动敢于公开这个比例,说明它对自身的算力优势有足够的信心。这种信心不是来自宣传话术,而是来自实际的基础设施投入。
字节跳动在过去几年里大规模建设数据中心、采购AI芯片、优化算力调度系统。这些投入不是为了支持视频生成,而是为了支撑整个AI生态的运转——从模型训练到推理服务,从搜索推荐到广告系统,从内部工具到开放平台。视频生成只是这个庞大算力体系中的一个应用场景,而不是全部。
.
算力焦虑的本质:不是浪费,是分配效率问题
"算力造爽剧"的说法背后,隐藏着一种更深层的焦虑:在AI成为基础设施的当下,算力的使用效率是否匹配它的社会价值?
这种焦虑是合理的,但指向错了对象。问题不在于"爽剧"消耗了多少算力,而在于整个行业是否在最高优先级的工作上使用了最优化的算力。
当一家公司把10%的算力用于视频生成时,真正值得追问的不是"为什么给视频生成这么多",而是"剩下的90%是否都在刀刃上"。
如果这90%的算力确实用在了模型迭代、产品优化、服务提效这些核心业务上,那么10%的视频生成就是合理的业务延伸。但如果这90%的算力中有相当比例被冗余的训练、重复的推理、低效的系统消耗掉,那么问题就不是视频生成,而是整个算力架构的效率。
AI行业的算力浪费,往往不是发生在某个具体业务上,而是发生在系统层面:重复的模型训练、过度的参数调优、闲置的算力资源、不合理的任务调度。这些浪费分散在各个部门、各个项目、各个时间点,难以被 pinpoint,但它们累积起来可能远超某个业务线的总消耗。

.
从"算力去哪了"到"算力值不值"
这场讨论应该促成的思维转变,是从关注算力的"去向"转向关注算力的"价值"。
过去两年,AI行业的主要矛盾是"算力不够"。大模型竞赛推动了对更大规模算力的渴求,几乎所有公司都在不计成本地扩大算力储备。但如今,随着大模型技术进入平台期、商业化压力增大、资本环境收紧,"算力够用"开始让位于"算力值用"。
当算力成为一种需要精打细算的资源时,每一分算力的投入都需要回答一个问题:它产生了多少可衡量的价值?
这个问题对所有AI公司都是一样的。视频生成业务需要回答,模型训练团队需要回答,推荐系统团队也需要回答。不是只有"造爽剧"才需要证明价值,所有算力的消耗方都需要面对同样的审视。
在商业语境里,价值的衡量标准是收入、利润、用户增长、市场占有率。但在社会语境里,标准更加复杂:就业影响、环境成本、信息质量、伦理风险。AI公司的算力决策,需要在多重标准之间找到平衡点,而不是简单地用"造模型"或"造爽剧"来划分高低。
.
短剧只是开始,不是终点
把"AI短剧"视为算力浪费的象征,是一种短视的判断。视频生成技术不仅服务于短视频内容,它还在向更长视频、交互式内容、教育素材、广告创意、虚拟制片等场景扩展。这些应用的价值,不能仅用"爽剧"这一个标签来概括。
技术的价值往往在它被滥用的时刻才变得明显,但它的潜力往往在更广泛的场景中才得以实现。
字节跳动在视频生成上的投入,不是为了制造更多的"爽剧",而是在构建下一代内容基础设施。当AI能够以极低的成本生成高质量视频内容时,受益的不仅是娱乐行业,还有教育、培训、营销、设计等众多领域。今天的"造爽剧"可能只是 Tomorrow's 内容生产范式的雏形。
更重要的是,视频生成技术的发展,正在倒逼底层模型的进步。视频生成对模型的时空理解、因果推理、美学判断提出了极高的要求,这些能力的提升最终会反哺到其他AI应用场景。你今天看到的AI短剧,可能是 Tomorrow's 通用AI能力的训练数据。
.
算力叙事需要被重新定义
"国内超一半算力在造爽剧"这个说法,本质上是一种简化叙事。它把一个复杂的资源配置问题,压缩成了一个容易传播的标签。这种叙事在社交媒体时代具有很强的传播力,但它对公众理解AI行业没有帮助。
AI算力的使用情况,不是一个可以用"造爽剧"或"造模型"来二元划分的问题。它是一个涉及技术路线、商业策略、资源约束、竞争环境的多维决策。
真正有意义的讨论,应该聚焦在这些问题上:AI公司的算力分配决策基于什么逻辑?不同技术路线之间的算力效率如何比较?算力使用的外部性(如碳排放、电力消耗)如何内部化?公众如何看待AI公司的算力使用选择?
这些问题没有简单的答案,但它们值得被认真讨论。当"算力造爽剧"的标签遮蔽了真正的议题时,我们失去的不是某个公司的声誉,而是公众对AI行业进行有效监督的可能性。
.
最后
豆包的辟谣,提供了一个重新讨论算力问题的契机。与其纠结于"多少算力用于视频生成",不如推动整个行业建立更透明的算力披露机制。
当AI公司能够公开解释自己的算力分配逻辑,当第三方机构能够独立审计算力使用的效率,当公众能够基于事实而非标签做出判断时,关于"算力造爽剧"的讨论才能从情绪宣泄转向理性分析。
透明不是对商业机密的背叛,是建立公众信任的基础设施。 在一个算力成为关键资源的时代,AI公司有义务向公众解释:这些宝贵的资源,到底被用在了什么地方,产生了什么价值。
"爽剧"不应该成为算力的替罪羊,但它也不应该成为回避算力效率问题的挡箭牌。真正值得关注的,不是某一家公司把多少算力用于视频生成,而是整个行业如何在技术创新、商业价值和社会责任之间找到算力使用的平衡点。
真正的算力智慧,不是把每一分算力都用在最"正确"的地方,而是建立一个让算力流向最高价值之处的系统。
Software 爱探员 | 专注AI科普,让每个人都能读懂AI