蓝时代
近期，网络上出现一种观点：国内大量算力被消耗在短视频、短剧生成等娱乐应用上，而基础科研领域的投入相对不足。对此，官方和厂商回应称，词元调用量不等于算力消耗，推理算力也不同于训练算力，不能简单依据应用场景判断 AI 产业价值。中国经济网也指出，娱乐应用与基础研究并不是非此即彼的零和博弈。
这场讨论表面上是在争论“算力用在了哪里”，实质上是在追问一个更重要的问题：AI 产业应该如何在商业回报与长期创新之间取得平衡？
不能只看词元数量，更不能只看应用标签
判断算力是否被“浪费”，首先需要厘清几个基本概念。
词元调用量并不等于算力消耗。不同模型的参数规模、推理架构、上下文长度、精度设置以及软硬件利用率存在差异，相同数量的词元，可能对应完全不同的计算资源消耗。图像、视频生成与文本问答之间，计算复杂度也不能简单类比。
同样，训练算力和推理算力承担的任务不同。模型训练是一次性或阶段性的高强度投入，目标是提升模型的基础能力；推理则更多发生在实际应用环节，用于服务用户、处理请求并完成具体任务。前者决定模型“能不能学会”，后者决定模型“能不能被使用”。
因此，仅凭“某类应用调用量很大”，就得出算力被低效使用的结论，未免过于简单。一个看似娱乐化的应用，可能承担着模型测试、用户反馈收集、产品迭代和商业化验证等功能。特别是在视频生成、数字内容制作等领域，大规模真实需求也可能推动芯片、模型、数据和工具链持续优化。
真正值得关注的，不是应用名称是否“高端”，而是算力投入能否带来技术进步、产业效率提升和可持续的商业回报。
短期变现应用是“现金流”，但不能成为唯一方向
AI 产业的发展不能脱离商业现实。无论是模型训练、数据处理，还是算力中心建设，都需要持续投入。如果没有能够快速产生收入的应用场景，企业很难长期承担高昂的研发和基础设施成本。
短视频、短剧、广告营销、数字人、智能客服等应用，往往具有用户规模大、反馈周期短、付费路径相对清晰等特点。它们可能不是最能体现 AI 技术上限的领域，却能够帮助企业验证产品、获取收入，并为后续研发提供资金支持。
从这个角度看，短期变现应用并非天然低价值。技术只有进入真实场景，才能接受用户需求、成本结构和商业模式的检验。很多基础能力也正是在大规模应用中逐步成熟，最终再外溢到工业、医疗、教育、科研等领域。
但另一种风险同样存在：如果企业和资本只追逐容易变现的内容生成业务，AI 产业就可能陷入“流量—调用—变现”的短循环，而在基础模型、科学计算、工业软件、专业数据库和前沿算法等方向投入不足。
尤其是基础科研往往具有投入周期长、失败概率高、商业回报不确定等特点，不能完全按照短期收入和用户数量来评价。如果市场机制只奖励即时回报，真正需要长期建设的底层能力可能反而被忽视。
因此，短期应用可以成为 AI 产业的“现金流”，却不能成为产业发展的唯一方向。
基础研究需要稳定、长期且有针对性的算力供给
基础研究对算力的需求，往往与消费应用不同。
大模型预训练、科学计算、药物研发、气象模拟、材料设计等任务，通常需要稳定的计算环境、持续的数据积累和较长的研发周期。这类任务未必每天产生大量用户调用，也未必能迅速转化为收入，但其成果可能决定未来产业的技术高度。
因此，基础研究算力不能完全依靠市场短期调节。国家层面的算力布局，需要为前沿模型训练、科研机构、高校以及重点产业提供相对稳定、可负担、可持续的算力支持。特别是对于中小科研团队而言，算力成本和资源获取门槛可能直接决定其能否开展研究。
这并不意味着基础科研一定要拥有无限算力，而是要建立更合理的资源分配机制。例如，通过公共算力平台、科研算力券、开放共享机制、重点项目保障以及统一的资源调度，避免有限算力过度集中于少数热门应用，也避免科研团队因缺乏稳定资源而难以持续。
“东数西算”不应只是机房建设工程
“东数西算”的意义，不只是把数据中心从东部转移到西部，更重要的是构建全国范围内更加高效、绿色和安全的算力基础设施体系。
不同类型的任务，对时延、带宽、能源和数据安全的要求并不相同。实时交互、智能终端和部分消费应用，更依赖靠近用户的算力资源；大规模模型训练、离线渲染、科学计算等任务，则可以在对时延要求较低的地区集中部署。
这意味着，国家算力布局需要进行差异化设计：
- 对实时性要求高的推理任务，应重点优化网络和边缘算力；
- 对大规模训练和科学计算，应提供稳定、高效的高性能算力；
- 对公共科研任务，应建立合理的开放共享和优先保障机制；
- 对能耗较高的任务，应更加重视绿色能源、能源效率和设备利用率；
- 对涉及敏感数据的任务，应完善数据安全和跨区域使用规则。
如果只是建设更多机房，却缺乏统一调度、应用适配和资源共享，算力就可能出现“名义上很充足、实际使用效率不高”的问题。算力基础设施的价值，最终要通过服务模型研发、科研创新和产业升级来体现。
评价算力利用，应该从“场景判断”转向“效率判断”
相比争论短视频和基础科研谁更有价值，更有意义的做法是建立一套多维度的评价体系。
第一，要看算力利用率。包括设备是否长期闲置、任务调度是否合理、软硬件适配是否充分，以及同等算力能够完成多少有效工作。
第二，要看技术产出。一个应用即使面向娱乐，只要能够推动模型压缩、推理优化、数据处理和生成质量提升，就可能具有技术外溢价值。
第三，要看经济和社会效益。部分应用能够提升内容生产效率、降低企业成本，或者创造新的就业和服务模式；基础科研则可能形成具有长期影响的技术突破，二者应采用不同的评价标准。
第四，要看资源结构是否均衡。商业应用可以通过市场竞争配置资源，但基础研究、公共服务和战略性技术领域，则需要必要的政策支持和资源托底。
换句话说，不能因为应用属于娱乐领域，就认定其没有价值；也不能因为项目冠以“科研”或“基础模型”的名称，就默认其算力使用高效。真正需要审视的是投入产出比、技术积累和长期贡献。
结语：让商业应用与基础研究形成循环
AI 产业并不需要在“短期变现”和“基础研究”之间简单二选一。理想状态应当是：商业应用创造收入和数据，推动算力基础设施与工程能力成熟；基础研究提升模型和算法的上限，再通过产业应用实现技术扩散和价值回收。
当然，这种循环不会自然形成，需要企业、科研机构和公共部门共同参与。企业要避免把 AI 变成单纯的流量工具，持续投入底层技术和长期研发；科研机构需要加强成果转化，让基础研究更好地连接产业需求；公共政策则应在市场化配置之外，为基础前沿研究提供必要的算力保障。
算力资源当然需要讲效率，但效率不能只用短期收入衡量；产业价值也不能只看应用是否热门，更要看其是否推动了技术进步和生产效率提升。
对于“东数西算”而言，真正重要的目标不是让所有算力都服务于同一种任务，而是让不同层次、不同类型的需求都能获得与其特点相匹配的计算资源。只有让短期应用、产业升级和基础科研形成良性循环，AI 算力才能真正转化为经济增长和科技创新的长期动力。
声明：本文内容和图片仅代表作者观点，不代表蓝时代网立场。蓝时代 » AI 算力该优先服务哪里：短期变现与基础研究并非二选一