文 | 斯凯有话说
关于中美 AI 算力消耗的差异，有一个被反复引用的说法：中国约 55% 的 Token 流向 AI 短剧与视频，美国约 58% 用于编程与研发。
这两个数字，来源都不牢靠。
中国 55% 的原始出处，是一家重仓布局 AI 短剧的A股上市公司 2026 年 6 月的投资者关系活动记录表，其中写着“在国内所有 Token 消耗份额中，AI 短剧与视频生成高居首位，占比高达 55%”。新京报贝壳财经核查后指出，这既不是国家统计口径，样本覆盖与折算方式也均未公开；“中国 55% 用于短剧，美国 58% 用于代码”的说法，本身“并无权威出处也未经缜密查证”。
美国 58% 这个数字同样经不起追问。有分析溯源发现，它可能来自 OpenRouter 与 a16z 联合发布的《State of AI》报告：在超过 100 万亿 Token 的样本中，2025 年末 OpenAI 模型在编程、技术相关两类任务上各占 29%，合计恰好 58%。但 OpenRouter 只是一个 API 聚合平台，它统计的也只是大语言模型，不含视频生成；它的 Token 分布，不等于全美 Token 消耗分布。另有多家媒体核查后结论一致：美国 58% 这个数字，找不到可对照的权威统计。
这两个数字都该打问号。但它们之所以能引发如此大规模的讨论，是因为它们指向了一个真实的结构性差异：中国的 AI 应用大量压在内容生成这一端，美国的 AI 应用大量压在代码与研发这一端。差异是真实的，数字是粗略的。值得拆解的，是差异背后的产业逻辑。
但在拆逻辑之前，先拆一个概念
55% 和 58% 的对比之所以能成立，靠的是一个隐含前提：把 Token 当成算力。这个前提是错的。
Token 是模型处理信息时的计量单位，衡量的是吞吐量——一次调用进出多少字、多少帧。算力是 GPU 在单位时间内的运算能力，衡量的是硬件做了多少功。同样一个 Token，在不同任务里对应的算力消耗并不对等。
这个不对等，大到什么程度？
据中国信通院《词元（Token）经济发展研究报告（2026 年）》，单集 1.5 分钟的 AI 短剧，词元消耗可达 500 万到 1000 万。按行业测算，生产 1 秒 1080p 视频约消耗 5 万 Token，一分钟就是 300 万。而据新京报贝壳财经引述的行业通用测算，一支 8 到 10 人的技术研发团队，一周高强度研发的总 Token 消耗大约只有 300 万到 500 万。
也就是说：写一周代码，抵不上做一天短剧。
这份报告还有一组更关键的对照：消费级场景的价值密度约为 0. 01 美元/百万词元，而药物研发、金融量化、精密代码生成这类产业级场景，价值可达 1000 美元/百万词元——相差十万倍。
所以“55% 对 58%”这个比较，方法论上本身就不成立：它拿高密度消耗的场景，去比低密度、高产出的场景。中国的 Token 消耗量大，首先是因为拍视频这件事本身太费 Token，不是因为它把算力配置错了。中国网的评论说得直接：视频生成是高密度消耗场景，代码生成是低密度高效场景，把两者放在一起比较，方法论上不成立。
厘清这一层之后，才有讨论的空间。真正的问题不是“谁消耗得多”，而是消耗出去之后，价值留在了哪里。
中国短剧：Token 烧在“试错”上
AI 短剧的 Token 消耗之所以惊人，是因为它是一条链式触发的流水线。剧本生成、分镜设计、角色建模、视频生成、配音、剪辑，每一道工序都要独立调用大模型。一部 12 集的 AI 短剧，算力成本估算约20 万元；一部 120 分钟的 AI 真人短剧，仅模型端的算力成本就达3 万到 4 万元，在大批量生产中占到总成本的50%。而实际生产中，同一个镜头抽卡十几次甚至几十次是常态，Token 大量消耗在生成、不满意、重抽的循环里，而不是最终的产出上。
同一份投资者关系记录表里还有另一个数字：技术研发、代码开发、模型迭代等生产力核心场景，仅占国内 Token 消耗的15%。55% 对 15%，这个反差比“中国 vs 美国”的对比更能说明问题——中国的 Token 消耗，在国内就已经高度倾斜向了内容侧。
但内容侧的繁荣，没有把价值留在内容侧。DataEye《2026 上半年 AI 剧漫剧数据报告》显示，抖音端上半年新增 AI 剧、漫剧 22.19 万部，播放量破亿的仅 1055 部，破亿率 0. 48%；以业内公认的 5000 万播放量为盈亏平衡线，达标项目占比仅 1. 3%，即 98. 7% 的项目无法在上线半年内回本，平均每 77 部只有 1 部能盈利。投流支出约占总流水的 70%，制作方最终分账只有4% 到7%。省下的人力成本，转手交给了平台买量。Token 烧在了生成环节，钱赚在了流量和算力两端，内容公司在中间承担了全部不确定性。
美国编程：Token 烧在“工作流”里
美国 58% 这个数字的来源虽然不可靠，但美国编程场景的 Token 消耗确实有可验证的体量。
微软 FY2026 Q4 财报电话会披露，GitHub Copilot 用户数已达 5000 万，Copilot 相关收入单季度环比加速增长超过 60%——注意，5000 万是用户数，付费订阅规模则要小得多，微软此前披露的付费订阅数是 470 万量级，两者相差约十倍，不能混为一谈。Cursor 的年化收入运行率从 2025 年初的约 1 亿美元，攀升到 2026 年 6 月突破 40 亿美元——需说明，这并非经审计财报数据，而是媒体援引知情人士的运行率估算。
编程场景的 Token 消耗逻辑，和短剧有本质区别。短剧是“一遍过”的链式生成，错了就重抽，Token 消耗与有效产出之间的转化率极低。编程辅助是单点嵌入工作流：生成一段代码、解释一个报错、重构一个函数，每次调用的 Token 量远小于视频生成，但调用直接对应一个可交付的产出。开发者很少为了一个函数反复抽十几次算出的代码；代码到底对不对，编译器和测试会告诉开发者。Token 的浪费率，天然低于视频生成。
更重要的是价值留存。Cursor 的付费逻辑是“按席位或按用量收费”，企业为节省的开发者时间付费。钱从企业的效率预算里出，直接落到了工具提供方手里。短剧的付费逻辑是“投流买流量”，钱从内容公司的营销预算里出，落到了平台手里。两种模式都在消耗 Token，但 Token 创造的价值，一个留在了工具层，一个漏到了流量层。
“中国做娱乐、美国做生产力”是一个过于整齐的叙事
只看到短剧对编程，很容易得出一个结论：中国在用 AI 造奶头乐，美国在用 AI 提生产力。这个叙事有部分事实基础，但它掩盖了三个更复杂的现实。
第一，美国的 Token 消耗里，有相当一部分代码生成，是中国程序员贡献的。新京报贝壳财经引述业内人士的说法，许多国内科技公司的软件工程师使用 Claude 等美国模型写代码，这些消耗被记在了美国的 Token 账本上；OpenRouter 的报告也显示，亚洲在全球调用支出中的占比，已从最初的约 13% 升至约 31%。Token 的“国籍”，不等于使用者的国籍。
第二，中国的生产力场景 AI 渗透，并不像 55% 对 15% 所暗示的那样停滞。经济日报 10 月 26 日的评论指出，中国工业企业应用大模型和智能体的比例已升至 47. 5%，累计建成 3. 5 万家基础级智能工厂，算力芯片国产化率提升至 37%；TCL 华星光电用 AI 排产，生产计划从 7 天压缩到 30 分钟；宁德时代一条产线布设 7000 多个检测点，电芯失效率从百万分之一降到十亿分之一级别。斯坦福大学《2026 年 AI 指数报告》显示，截至 2026 年 3 月，中美顶尖模型的性能差距已收窄至 2. 7%（经济日报的表述是“不足3%”，两者口径接近但来源不同）。短剧是最大的单一流向，但不是唯一的流向。
第三，短剧的 Token 消耗，本身也是中国 AI 能力的一种“压力测试”。高并发、低延迟、大规模视频生成的工程需求，倒逼了算力调度和推理优化的进步。问题不在于短剧用了 Token，而在于这种工程能力的外溢，是否足以抵消内容层面的边际递减。
真正的差异，不在“造什么”，在“谁为 Token 买单”
把中美对比从“内容 vs 代码”的层面往下压一层，会看到一个更根本的区别：美国的生产力场景，有一个成熟的付费市场在承接 Token 成本；中国的娱乐场景，Token 成本被投流竞价吸收，没有形成一个可持续的价值循环。
美国企业软件付费习惯成熟，软件订阅像水电费一样是刚性支出，硅谷资深工程师年薪数十万美元，AI 写代码省下的人力就是真金白银，企业级应用因此最先起量。付费方和使用方是同一批人，价值反馈链条短且清晰。Cursor 能跑到 40 亿美元量级的运行率，是因为有一批公司真的在用它替代一部分开发工作量。
中国的短剧，付费方是投流平台，使用方是观众，掏钱的是内容公司。内容公司掏的钱，大部分变成了平台的广告收入，而不是回到了内容生产环节。Token 烧出来了产量，但产量没有变成内容公司的利润，也没有变成可复用的技术资产。
这不是“中国 AI 走错了路”。中国有全球最大的内容消费市场，AI 在短剧场景的爆发，是市场结构决定的合理选择。但合理选择不等于最优选择。当 55% 的 Token 流向一个“九成以上项目无法回本、制作方只分到个位数百分比”的环节时，这笔投入的长期回报，需要重新算账。
结语
“55% 对 58%”这个对比之所以能传播，是因为它用一个简单的数字，说出了一种真实的焦虑：中国的 AI，是不是过多地消耗在了“让人看得更爽”上，而不是“让生产变得更高效”上。
数字本身经不起查证，Token 也不等于算力。但焦虑指向的问题是真实的。美国编程场景的付费闭环，证明 Token 可以创造可计价、可留存的价值。中国短剧的投流闭环，证明 Token 可以创造流量，但流量不等于价值留存。
Token 的流向，最终会变成产业的走向。中国不需要因为 55% 这个数字而否定短剧——短剧用 AI 降本是合理的，大规模场景产生的调用量也确实摊薄了推理成本，国产视频模型的定价已经降到每秒 1 元以下。但需要追问的是：在短剧之外，那些更难、更慢、但一旦跑通就能改变生产效率的场景，有没有拿到足够的算力，有没有形成同样清晰的付费闭环。如果答案是否定的，那 55% 就不只是一个统计口径的问题，而是一个配置选择的问题。
Token 的消耗流向，本质是资本与市场的投票结果。短剧消耗海量 Token 换来了流量规模，代码场景精准消耗 Token 沉淀生产力价值。流量可以速成，产业价值的闭环却需要长期深耕。后续我会深度拆解：国内工业 AI、企业级智能体，究竟哪些赛道跑通了真实付费闭环、摆脱“烧 Token 换流水”的低效模式，关注我，持续看懂 AI 产业的真实盈利逻辑。
本文事实依据：中文在线 2026 年 6 月 3 日投资者关系活动记录表（“55%/24%/15%”原始出处，经上海证券报、北京日报、新京报贝壳财经核查）；新京报贝壳财经《“美国 AI 提生产力，中国 AI 造奶头乐”是伪命题吗?》（数据无权威出处、Token≠算力、8—10 人团队周消耗 300 万—500 万 Token）；上海证券报《谁在制造词元消耗对立》（55% 溯源链条：中文在线→7 月中泰传媒材料→信通院报告，券商报告正文未见该占比）；中国信通院《词元（Token）经济发展研究报告（2026 年）》（单集 1.5 分钟短剧 500 万—1000 万词元、日均调用量 500 万亿、价值密度 0.01 vs 1000 美元/百万词元、2026 年推理算力占比 70.5%）；中国网评论《AI 造短剧，是浪费算力吗?》（视频高密度 vs 代码低密度，方法论不成立；国产模型定价降至每秒 1 元以下）；OpenRouter × a16z《State of AI》（100 万亿 Token 样本，2025 年末 OpenAI 模型编程 29%、技术 29%）；经济日报《莫因词元消耗一叶障目》（2026 年 10 月 26 日，工业 AI 渗透率 47.5%、3.5 万家智能工厂、国产芯片 37%、顶级模型差距不足3%）；斯坦福大学《2026 年 AI 指数报告》（中美模型性能差距 2.7%）；微软 FY2026 Q4 财报电话会（2026 年 7 月 29 日，GitHub Copilot 用户 5000 万、Copilot 收入环比增长超 60%；付费订阅 470 万为 FY26 Q2 口径）；Cursor 年化运行率（2026 年 6 月约 40 亿美元，媒体援引知情人士，非经审计）；DataEye《2026 上半年 AI 剧漫剧数据报告》（22.19 万部、破亿 1055 部、0.48%、盈亏平衡线 1.3%、77 部 1 部盈利）；证券时报、中国新闻周刊（投流约占 70%、分账4%—7%、12 集短剧算力成本约 20 万元、120 分钟模型端 3 万—4 万元）；潮新闻、虎嗅、中国新闻周刊对本次数据争议的核查报道；55% 与 58% 均非权威统计口径，Token 消耗不等于算力投入，具体流向以官方或第三方独立审计数据为准。
免责声明：本文引用的数据、行业测算、报告转述均来自公开材料，部分数据为行业抽样估算，非全国全量审计统计；Token、算力、营收口径在不同机构之间存在差异，不构成任何投资建议。文中观点仅为产业逻辑推演，不代表对任何公司、赛道的价值判断。
