一张社交媒体截图，把复杂的中美人工智能竞争压缩成了一组鲜明对照：美国用 AI 提高生产力，中国用 AI 制作爽剧。评论区进一步给出解释：美国人工昂贵，所以需要机器替人；中国人工便宜，所以技术更容易流向廉价娱乐。
这类说法容易传播，因为它既提供了一种技术判断，也提供了一种社会情绪。但它把企业行为、产业结构与国家竞争力连接得过于轻巧。
真正值得讨论的，不是哪国人民更爱工作、哪国人民更爱娱乐，而是：什么样的经济结构与商业激励，决定了算力被用来争夺注意力，还是扩大解决问题的能力？
回答这个问题，首先要从图片中几个似是而非的判断说起。
短剧繁荣是真的，“中国算力主要用于爽剧”却没有得到证明。
中国微短剧市场确实已经形成相当规模。中国文艺网转引《中国微短剧行业发展白皮书（2024）》的数据称，2024年全国微短剧市场规模为504.4亿元，超过当年中国内地电影票房425.02亿元。但这里比较的是“短剧行业市场规模”和“电影院线票房”，既不是同一平台的收入比较，也不是两个产业全部收入的比较。〔来源〕
因此，从“短剧行业规模超过电影票房”，跳到“红果收入超过全国电影票房”，再跳到“AI 爽剧代表中国算力用途”，中间至少跨过了三个尚未被证实的环节：行业不等于平台，短剧不等于 AI 短剧，收入更不等于算力消耗。
图片对电影业的描述也过于绝对。国家电影局公布，2025年全国电影票房518.32亿元，同比增长21.95%。这不能消除影视行业内部的经营压力，却足以说明，不能用一句“明星都失业了”概括整个行业。〔来源〕
更关键的是，目前检索到的公开资料，不能提供一张口径一致的“中美算力最终用途占比表”。用户数、提问次数、模型调用量、投资额与实际计算消耗，衡量的是不同事物。生成一段视频与回答一个问题的计算负担不同，训练模型与运行模型也不能混为一谈。
我们可以比较应用结构与商业路径，却不宜据此编造国家算力分配的百分比。
美国的 AI 并不只在工作，中国的 AI 也并不只在娱乐。
发表于 NBER 的《How People Use ChatGPT》研究发现，在所研究的消费版 ChatGPT 使用中，非工作相关消息的比例从2024年6月的53%上升至2025年6月的七成以上；实用指导、信息查询和写作合计接近八成。需要强调，这是一项关于特定产品全球用户的研究，既不是美国全国统计，也不能把“非工作”简单理解为娱乐——学习、生活决策同样可能创造价值。〔来源〕
另一边，CNNIC 于2026年10月发布的报告显示，中国生成式 AI 用户中，76.0%使用其回答问题，47.8%用于处理图片或视频，37.6%用于处理文本，32.5%用于工作总结、会议纪要或 PPT。这些用途可以重叠，反映的是用户覆盖情况，并非算力份额，但显然也不是一个只有“爽剧生产”的应用世界。〔来源〕
美国企业级 AI 的生产工具属性确实突出。例如，Anthropic 的2025年9月报告中，编程在其 Claude 样本里占据重要位置。不过，这也提醒我们：选择一个偏开发者的产品，容易看到编程；选择一个短视频平台，容易看到娱乐。平台的用户画像，不能直接变成国家的技术画像。〔来源〕
比“生产与娱乐”的二分法更有解释力的，是以下几个比较维度：
| 比较维度 | 美国值得关注的路径 | 中国值得关注的路径 |
|---|---|---|
| 商业变现 | 通过软件订阅、企业服务，将专业任务效率转为付费收入 | 通过平台分发、广告、电商及行业服务，将规模化应用转为收入 |
| 生产场景 | 编程、知识工作及企业流程自动化 | 研发设计、制造质检、生产运维及供应链优化 |
| 消费场景 | 信息咨询、创作、学习和个人助手 | 智能问答、内容处理、生活服务和娱乐 |
| 关键考验 | 高额技术投入能否兑现为稳定收益 | 广泛应用能否沉淀为持续的生产率提升 |
这是一组分析维度，不是对两国全部应用的统计排名。它指向的核心差异，是技术进入经济活动的路径，而非技术用途的道德高下。
人工贵不贵，只解释了一部分；流程能不能改，往往更加重要。
“美国人工贵，所以更愿意用 AI 替代劳动”，有经济学上的合理性。当一项技术能节省高薪专业人员的时间，企业通常更容易为它支付较高价格。
但企业购买的不是抽象的智能，而是一个可以核算的结果。即使模型免费，如果引入它需要清洗多年积累的数据、改造旧系统、重新划分部门责任，并承担出错风险，项目仍可能得不偿失。
可以把企业的决策理解为：AI 带来的收入增加与成本节约，必须覆盖算力费用、系统接入、组织调整以及错误损失。
因此，工资水平只是其中一个变量。数据是否可用、流程是否标准、结果能否验证、节省的成本归谁，也会决定 AI 是否真正进入生产。
中国制造企业同样存在强烈的自动化需求。国际机器人联合会公布的2024年数据表明，中国当年安装工业机器人29.5万台，美国为3.42万台。工业机器人当然不能直接等同于生成式 AI，更不能据此推算 GPU 用途；但这一事实足以反驳“中国人工便宜，所以没有机器替人的需求”这种推论。〔来源〕
对于一家工厂而言，减少废品、避免停机、提高交付稳定性，可能比减少几个人头更重要。生产力提升的价值，从来不只有工资替代。
短剧为何容易率先跑通？因为它拥有一条更短的验证链。
与其把 AI 短剧解释为社会偏好低级娱乐，不如分析它为什么容易形成生意。
一段内容上线，很快就能看到点击、停留、完播与转化；创作者可以迅速调整题材、人物和节奏。相较之下，工业 AI 需要接入设备与业务系统，医疗 AI 需要验证可靠性，科研 AI 需要实验确认。它们即使潜在价值更大，也往往更难快速形成收入。
由此可以提出一个判断：商业上最先成功的 AI 应用，未必是社会价值最大的应用，而可能是验证成本最低、回款路径最短的应用。
这不是中国独有的问题，而是资本与平台普遍面对的激励结构。技术会优先进入容易测量收益的地方；那些收益分散、周期漫长、难以独占的用途，则需要额外的制度安排。
短剧繁荣也不必然意味着技术浪费。降低创作门槛、服务小众兴趣、帮助小团队表达，都可能带来真实价值。问题出现在：当平台主要奖励停留时长，生成能力便可能被用于更密集地制造悬念、刺激与重复。
此时，内容生产效率越高，未必意味着人的生活效率越高。机器节省了制作内容的时间，却可能占用了更多观看内容的时间。
这是评价消费型 AI 时必须补上的一笔账。
更深的竞争，是谁能把一次调用变成一种持久能力。
同样使用算力，长期效果可能截然不同。
一次调用可以生成一段转瞬即逝的内容，也可以帮助形成一套可复用的程序、一份可靠的数据集、一项改进后的工艺。前者可以提供当下满足，后者则可能继续降低未来解决问题的成本。
两者都有价值，关键在于一个经济体能否形成足够多的积累机制：今天的应用，会不会使明天的研发、生产与学习变得更容易？
中国相关政策已明确关注这一方向。2026年发布的《“人工智能+制造”专项行动实施意见》，将研发设计、质量控制、预测性维护等列为应用方向。但政策提出目标，与企业普遍实现收益之间，仍然存在需要验证的距离。〔来源〕
对美国同样如此。拥有先进模型、充足融资与强势软件平台，并不自动等于整个经济已经获得相应的生产率增长。把演示能力变成可靠流程，把局部提速变成组织收益，是任何国家都无法跳过的环节。
这也解释了为什么，不能仅用“生成了多少内容”衡量中国的应用成绩，也不能仅用“投入了多少钱”衡量美国的技术优势。两者都需要回答一个更困难的问题：投入之后，究竟留下了什么？
中国需要警惕的，是商业上的成功遮蔽了能力建设上的不足。
如果一项 AI 应用能立即增加广告曝光，另一项应用需要两年才能改善一条生产线，前者自然更容易获得关注。这并不证明企业目光短浅，而说明两类用途面对的收益周期与风险结构不同。
真正有效的应对，也不是简单限制娱乐、要求算力全部进入工厂，而是降低高价值应用的落地成本：让中小企业获得可负担的技术服务，让行业数据更容易在明确规则下使用，让采购与验收能够认可真实改进，让科研、教育和公共文化服务拥有持续试验的条件。
评价体系也应随之改变。少一些对算力规模、模型数量和调用热度的单独追逐，多问一些具体问题：研发周期缩短了多少？缺陷率下降了多少？工作人员的负担是否减轻？学生是否真正学会？公众获得可靠知识是否更容易？
尤其对图书馆、教育与科研机构而言，AI 的价值不应止于更快生产摘要，而应体现在来源核验、知识组织、证据关联与学习支持上。当信息生成越来越便宜，帮助人们判断哪些信息值得相信，会成为更加重要的能力。
图片中的判断，捕捉到了一个值得警觉的现象：最醒目的 AI 应用，可能集中在最容易变现的注意力市场。但它把这个现象夸大成了中美技术命运的分野。
中美算力竞争真正的分水岭，不是有没有爽剧，而是能否让算力持续转化为人的能力、企业的效率与社会的知识积累。
一个社会的技术前景，既取决于机器能算多少，也取决于它愿意为哪些问题付费，以及它有没有耐心解决那些暂时不能迅速变现的重要问题。
发表评论