游戏养大GPU,AI短剧能否推动什么?当一半Token用于娱乐,是技术的失败吗?
- 2026-11-16 08:31:47
2026年10月,一组数字引发争论:国内55%的Token消耗,据称用于AI短剧与视频生成。
不少人感叹:美国拿AI做科研、写代码,中国却忙着制造“电子爽剧”,仿佛别人用火药造武器,我们却在放烟花。
但这组数据的统计口径、样本范围和可靠性都存在公开争议,更不能等同于“一半算力用于短剧”。
抛开数字,争议留下一个有意思的问题:为什么我们期待AI去攻克癌症、设计芯片、开动机器人,它却先在短剧等娱乐市场迅速商业化?这算浪费吗?
回顾科技史会发现,今天支撑AI发展的GPU,早期重要的商业市场恰恰是电子游戏。
这不禁让笔者想要探讨:
当年的游戏市场,究竟如何帮助GPU走向人工智能?
为什么娱乐有时比科研更容易率先形成商业需求?
今天的AI短剧,能否同样推动技术进步,甚至走向工业与机器人?
而当娱乐赚到钱,又凭什么保证技术真正取得突破?
我们不妨以GPU的历史为镜,理解市场需求如何推动技术成长。但这种历史类比只能帮助我们发现可能的机制,不能证明AI短剧必然重走GPU的成功之路。

一 | GPU为什么先服务“玩物丧志”的游戏?
1999年8月,英伟达推出GeForce 256,并顺手发明了一个词来称呼它——GPU,图形处理器。那时,人们购买显卡,主要是为了让《雷神之锤》一类3D游戏运行得更流畅。
游戏画面为什么需要专门的芯片?
想象一场赛车游戏。汽车不断移动,阳光照在车身上,路面向后飞驰。计算机必须在极短时间内,完成大量图形运算,才能让玩家感觉自己正在驾驶。
专业点说,一帧3D画面要同时算出成千上万个三角形的位置和每个像素的明暗,这些计算彼此独立、公式雷同,只是数量惊人。
CPU像一位全科专家,强在灵活,一次专心解一道难题;GPU更像一间坐满学生的大教室,每人只会简单算术,但能同时开工——这只是便于理解的简化。
游戏玩家不断追求更逼真的画面,推动显卡厂商提高并行计算性能。
真正让GPU走出游戏世界的,不在画面,而在可编程性。
2000年前后,斯坦福大学研究人员伊恩·巴克(Ian Buck)等人注意到:既然GPU能够同时处理大量像素计算,能否拿来解决其他数学问题?
于是,他们探索让科学计算运行在GPU上。

2006年,英伟达推出CUDA,让开发者更方便地调用GPU的并行计算能力。原本主要服务游戏画面的硬件,开始成为科学计算的重要工具。
2012年,Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton的团队使用两块英伟达GTX 580显卡训练神经网络AlexNet,在ImageNet图像识别研究中取得突破。
这套神经网络需要处理大量数学运算,恰好能利用GPU的并行计算能力。
但不能因此说“游戏创造了人工智能”。没有可编程硬件、CUDA、神经网络算法、训练数据以及科学家的长期研究,游戏显卡不会自动变成AI计算平台。
这段历史真正说明的是:一种技术为某个市场发展起来的能力,可能在新的技术条件下,获得远超最初用途的价值。
那么,为什么有时是游戏这样的娱乐市场,率先支撑了技术成长?
二 | 为什么娱乐游戏容易先付钱?
假设你是一家芯片公司的创业者,手里有一种计算速度更快的新技术。
你当然希望它帮助科学家研究疾病、模拟气候。但这些领域不仅需要性能,还需要长期验证、专业软件、科研经费和复杂的采购流程。
游戏玩家的需求却相当直接:画面卡不卡?特效好不好?值不值得升级显卡?
这种差异,可能给新技术带来三项优势。
首先,有人愿意付钱。玩家购买显卡,游戏开发商购买开发工具,企业因此获得收入,才有机会持续投入研发。
其次,问题暴露得快。玩家抱怨掉帧、画面错误,开发者要求更高性能。这些反馈可能推动厂商改进硬件、驱动和软件。
最后,规模可能降低成本。当大量用户购买产品,制造、供应链和软件生态逐渐成熟,企业便可能以更合理的成本提供性能更强的产品。
经济学把需求推动技术改进的机制称为“需求牵引创新”;企业在持续生产和使用中积累经验,则叫“干中学”。
不过,市场规模大不等于技术必然进步。只有企业把需求和收入转化为可复用的技术能力,商业增长才可能形成创新积累。
经济学家Bresnahan和Trajtenberg还提出了“通用目的技术”的概念:像电力、半导体这样的技术,不仅自身能够持续改进,还能与其他行业的创新相结合。
GPU的特别之处,正是它积累的并行计算能力具有这种跨领域潜力。
这也让今天的AI短剧产业,成为一个值得观察的新案例。

三 | 短剧能推动AI进步吗?
2026年9月,路透社采访了深圳AI影视创作者朱志立。两年前,他寻找AI影视工作室落脚点时,深圳是明确选择;如今,多个城市和产业园区主动邀请他落户。
变化来自AI视频制作成本的快速下降。
同一篇报道中,海南导演专业研究生潘晓俊举例:一场传统拍摄可能花费6万元的婚礼戏,他利用AI制作相似的奇幻场景,花费约1400元。
这不是所有剧组都能达到的成本,却说明AI已经改变了一部分影视生产方式。
但真正制作过AI视频的人知道,生成一段画面和完成一部短剧,是两回事。
假设主角第一幕穿着白衬衫走进餐厅,下一幕却突然换了脸;明明手里握着杯子,转个镜头杯子却消失了。
创作者只能反复生成、挑选镜头,业内把这种过程称为“抽卡”。
这恰好暴露出视频模型的技术难题:
角色一致性(不同镜头里还是不是同一张脸)
时间连续性(动作与物体位置是否符合连续变化的逻辑)
音画协同(口型、语气、环境声能否对上)
生成效率(怎样少抽几次卡)
大量实际制作需求,可能促使企业优化这些能力。但这里有一个容易忽略的区别:
用户反复生成视频,不等于模型自动学会了什么。
这跟游戏有个微妙的不同。游戏玩家对“好”的标准几十年没变,帧率、分辨率、延迟,全是可以量化的硬指标,厂商想糊弄都糊弄不了。
短剧的“好”更主观,也更容易被流量扭曲:一部穿帮到离谱的剧,完全可能因为剧情上头而爆火。这意味着短剧能提供海量的失败样本,但它提供的改进方向未必可靠。

只有当创作者的需求和失败案例被有效收集、分析,并转化为新的评测、算法和工程改进,技术才真正从使用中获得成长。
因此,AI短剧可能成为视频技术的试验场,但短剧产量增加,并不能直接证明底层模型获得了突破。
四 | AI短剧技术能跨出娱乐业吗?
这里必须问一个更严格的问题:一种被短剧喂大的视频生成能力,能跨出娱乐业吗?
能,但每往前一步,价钱都在涨。
最近的一层是相邻的内容产业——广告、影视预演、动画、教育培训、产品展示。它们要的还是“一段好看的视频”,只是更稳、更可控、更能改。角色一致性和镜头控制还是硬通货,迁移的门槛最低。
再往前是工业设计与仿真。这里的性质变了:不光要像,还要对。一段汽车翻滚的视频看着再真实,也不等于你能算出碰撞瞬间A柱的应力分布。视觉上的相似、物理上的准确、工程上的可验证,是三件不同的事,中间隔着可复现性、误差范围和责任归属。
最远的一层是机器人。让机器人“看见”一个水杯不难,让它知道这杯子多重、杯壁多滑、以什么角度抓会掉下去,是另一回事。有意思的是,OpenAI在2024年那份《Video generation models as world simulators》里,恰恰是把视频生成当作世界模拟器来研究的——但报告自己也写得老实:像玻璃碎裂、吃东西这类基本物理交互,模型模拟得并不准。

所以技术迁移至少要过三道关:
底层能力真有共通之处;
新领域的可靠性要求够得着;
有人愿意为它做必要的技术和管理改造。
过不了这三关,“迁移”就只是把同一个模型换个名字,重新讲一遍故事。
五 | 赚钱为什么不等于进步?
AI短剧产业已经展现出强大的内容生产能力。
据路透社引用的DataEye数据,2026年上半年,抖音端上线约22.19万部AI剧,其中1055部播放量超过1亿。
这个数字说明内容供给规模庞大,但不能直接告诉我们行业赚了多少钱,更不能证明模型进步了多少。
技术与市场之间,可能出现两条截然不同的道路。
一条是良性循环:
观众愿意付费,企业获得收入;
创作者不断提出更高要求,模型厂商改进技术;
生成成本下降、质量提高,相关能力又进入广告、教育、设计等领域。
另一条则可能是低水平竞争:
制作越来越便宜,短剧越拍越多,内容逐渐同质化;
企业把越来越多的钱花在抢流量上,却没有积累多少真正可复用的技术能力。
区别不在于娱乐是否值得消费,而在于商业活动有没有产生持续的技术学习。
因此,判断AI短剧能否像当年的游戏市场一样培育新技术,可以观察三个具体变化:
第一,技术是否越来越可靠? 例如,生成一段合格视频,需要反复尝试的次数是否下降。
第二,企业是否形成持续研发积累? 包括模型能力、工程工具和能够反复使用的软件系统,而不只是增加作品数量。
第三,能力是否真正走出了短剧行业? 在广告、教育、工业等新场景中,能否用真实任务证明效果。
当然,GPU的路不是通用模板。互联网的前身是国防项目,GPS、喷气发动机、核能,都长在军事和科研的土壤里。娱乐只是众多孵化器之一,而且未必是最可靠的那个。

结语|技术最终会走向哪里?
二十多年前,一名玩家买显卡,只希望游戏更流畅。他未必想到,类似的并行计算能力后来会帮助科学家训练神经网络。
今天,一名AI短剧创作者反复生成镜头,也未必知道,他提出的技术需求将来能否服务工业与科学。
两段历史不能简单画等号。
GPU已经证明,某种市场需求能够参与培育通用技术;AI短剧能否做到,还取决于未来的研发和能力迁移。
我们不必因为技术首先服务娱乐,就断言它浪费了资源;也不能因为娱乐市场繁荣,就认定它必然孕育重大突破。
技术最先在哪里赚钱,不决定它最终能改变什么。真正重要的,是那些在市场中积累的能力,能否不断成长,并走出最初的用途。

点个看、关个注,下次更新不迷路!

欢迎添加主理人微信,交流学习
本文主要参考文献
1. 财新|2026年10月19日:55% Token数据争议与来源追溯
2. NVIDIA|GPU、CUDA与AlexNet技术发展时间线
3. IEEE Micro|2021年:GPU的技术演进
4. Krizhevsky等|2012年:AlexNet原始论文
5. Bresnahan与Trajtenberg|通用目的技术与经济增长
6. Reuters|2026年9月25日:中国AI视频产业调查
7. OpenAI|2024年:视频生成与世界模拟的技术能力及局限
往期精选


吴奇院士:科学精神是什么?
