Ban Yue Tan: Don't Let One-Sided Comparisons Derail AI Discussion
English text is being prepared.
In response to the claim that "more than half of China's computing power is being used to make short dramas," a Doubao public relations head said on October 19 that the data is "somewhat unreliable," and that only about 10% of ByteDance's total computing power is used for training and inference of video generation models. Ban Yue Tan pointed out that token consumption does not equal computing power consumption, and that the two sets of data circulating online from China and the United States differ in statistical boundaries, model types, and samples, so simple comparisons distort the picture. The article also noted that structural imbalances in computing power resources objectively exist, and that a mechanism to make research computing power broadly accessible should be improved, along with a unified statistical standard that distinguishes training from inference and distinguishes application scenarios.
Body
近日,“国内超一半算力在造爽剧”的说法在网上流传。有观点据此对比中美词元消耗,得出“中国喂爽剧,美国铸未来”的结论,甚至断言中国AI发展“跑偏”。 追根溯源,这一说法出自某上市公司在投资者交流中的表述,原意是国内AI词元消耗中,55%用于“短剧和视频生成”。10月19日,豆包公关负责人发文回应,称这一数据“有些不靠谱”,就字节而言,总算力中仅约10%用于视频生成模型的训练和推理。显然,仅凭片面数字下判断,本身就不够严谨。 人工智能是科技竞争的战略制高点,此次讨论折射出行业对算力资源配置的关切。也正因如此,讨论更需建立在准确的概念之上。词元消耗不等于算力消耗。词元是模型处理信息的计量单位,反映的是调用量,而不同模型处理同样数量的词元,所需计算量可能相差很大。视频生成也不等于短剧生产。训练与推理区分的是技术环节,科研与娱乐区分的是应用用途,两种划分不能混为一谈,“娱乐应用占用推理算力”推不出“科研缺少训练算力”。网传的中美两组数据,统计边界、模型类型和样本都不相同,简单比较就会失真。即便某类应用占比较高,也不足以据此判断整个产业的发展方向。 “一好一坏”的二元对立叙事,是这类观点快速传播的重要原因。复杂的算力结构、产业发展阶段差异,理解门槛较高;简化的中美对比更容易调动情绪、博取流量。传播过程中,关键限定条件不断丢失,一家企业的说法被当成了全国数据,讨论也容易偏离问题本身。部分自媒体再把局部现象放大为全局判断,衍生出“国内AI只做娱乐没有未来”“资本只赚快钱不搞硬科技”等论调,容易误导公众认知。 应当看到,消费场景本身具备产业价值,不能全盘否定AI短剧等消费级AIGC赛道。AI短剧在商业化探索的同时,为算力集群提供了真实场景的练兵机会,也有望助力国产推理芯片规模化落地。技术发展规律表明,很多前沿技术的成熟,都是从贴近大众的消费场景起步,在海量真实业务中打磨稳定性、优化调度能力,持续积累工程经验。 当然,此次讨论中提出的“重应用落地、轻底层攻坚”等问题,也值得产业界重视。虽然中国AI企业聚焦底层基础性难题持续攻坚是主流,不容抹黑,但一部分市场资本天然倾向短期变现项目,部分基础科研团队获取高端算力成本偏高、等待周期较长,算力资源结构性矛盾客观存在。 解决问题不能靠简单否定应用赛道,而是要统筹好市场活力与战略导向。一方面应完善科研算力普惠机制,设置专项算力配额,降低科研和实体经济用算门槛;另一方面要用好政策与产业基金引导资本流向底层技术攻关,完善AI企业评价体系,不只以短期流量论成败,同时引导消费AIGC提质升级、减少低水平内卷。此外,这场争论各说各话,也暴露出算力和Token按场景的使用结构缺少权威统计。建立区分训练与推理、区分应用场景的统一口径,统筹调度才能有据可依。 AI既能产出丰富大众文化生活的内容产品,也能扎根工业生产、基础科研攻克硬核难题。面对算力话题,既要保持自省、补齐底层创新短板,也要拒绝被失真数据和流量叙事牵着走,客观看待我国AI产业的多元实践。