一边造爽剧，一边算宇宙，谁在裸泳？|宇宙|爽剧|算力|裸泳|量子

【留美学子】第3928期

13年国际视角精选

仰望星空·脚踏实地

【陈屹视线】教育·人文·名家文摘

让认知永远快人一步

一边造爽剧，一边算宇宙，谁在裸泳？

——《 AI 的当下》中美 AI 应用对比

作者：刘丹（DAN LIU，谷主）

【导言】

最近有两组消息，放在一起看，味道很冲。

第一组，来自中文在线的投资者关系记录。基于这份生态采样（非国家全面统计）：国内AI Token消耗中，55%流向短剧和视频生成，真正投入研发的只有15%。要知道，视频生成是绝对的“算力吞噬兽”，一条几秒的视频，其Token消耗量可能等同于几十万字的文本。

第二组，来自大洋彼岸。Google的Gemini在量子子程序上取得突破；而另一边，Anthropic的IPO估值在投资圈内引发了大幅下修讨论。

一边在算“霸总第几集接吻”，一边在算“等离子体怎么约束”。同样在烧算力，方向却像两个物种。

做交易的人对“潮水”这件事比谁都敏感。

涨的时候，满场都是赢家，没人觉得自己穿没穿泳裤；真正裸没裸，只有水位退下去那一刻才知道。

AI这一波，中美两边现在都在涨水里游得欢。当下的退潮，退的不是算力潮，是验证潮。

问题不在于游得对不对，在于退潮迟早会来。来之前，谁给自己留了那条能回滚、能画线、能喊停的泳道？

一中国AI做短剧，不是审美问题，是生存问题

批评中国AI“沉迷爽剧”，很容易，也很安全。但这个批评漏掉了最硬的那层约束。

视频与短剧的Token占比极高，是因为视频本身对算力的消耗极“重”。在高端芯片被卡脖子、算力预算受限的硬约束下，同等算力投入基础科研，回报周期长且失败率极高；而投入短剧、广告，几个月就能回正现金流。

再加上全球开源大模型（如Llama生态）的普惠加持，中国企业只需用极低的成本做微调，就能快速切入短剧、营销等垂直应用。

在算力受限的背景下，“快钱应用”不是短视，是生存理性。每一笔算力投入都能快速带回下一笔算力，这是芯片卡脖子背景下，企业自发形成的“算力滚动生存模式”。

而这恰好带来了一件被严重低估的事：它在用真实的大规模用户，对概率引擎进行压力测试。这不是主动选择的路线，却是歪打正着的验证路径。

二造爽剧，排的是产品雷，排不了真值雷

爽剧、文案、带货话术，有一个共同特征：没有硬真值标尺。

Transformer架构下的AI，在弱真值场景里有一个天然死穴：它不知道自己的前提什么时候失效。它生成的东西，听起来合理，但可能完全错误。

亿万普通用户每天点开、划走、吐槽，就是用最朴素的方式告诉系统：你这里错了。这本质是一场超大规模的分布式灰度测试：实验室里的专家只能测出“已知的未知”，而几亿日活用户会把所有“未知的未知”都踩出来。

系统工程里有一条铁律：永远不要在生产环境里测第一个版本。爽剧场就是AI巨大的安全沙箱——泡沫在爽剧里被戳破，总比在核聚变控制代码里被戳破要好。

但必须清醒地看到：爽剧排的是“产品层”的雷（用户不买账），而聚变、工业代码排的是“真值层”的雷（静默失效，错得看起来像对的）。产品层的反馈，无法平移到真值层的验证。

更何况，这层排雷是有期限的。前8个月上线了43万部微短剧，是去年全年的13倍，但免费微短剧市场收入仅增8%。产量翻十几倍，收入只涨8%，这意味着绝大多数的算力都被卷成了废片。当反馈变成纯粹的内卷噪声，沙箱的红利也就吃尽了。所以，在爽剧里排雷，是算力受限下的临时缓冲。缓冲久了，就会长成舒适区。

三美国AI：能力轴狂奔，验证轴只在角落跟上

再看美国那边。Gemini在特定量子子程序上，把时空成本压低到了原来的百分之一以下，并且通过了Lean形式验证。这是真实的工程突破。

它恰恰证明了一个残酷的现状：验证轴只在能够被形式化的硬核角落跟上了，而在广大的开放场景中，依然原地踏步。

最近Anthropic的估值在投资圈引发讨论，投资人因为其营收增速放缓和对举债扩张的担忧，开始讨论将预期从2万亿下调到1.5万亿。但在我的系统框架里看，这本质上是资本市场第一次试图给“验证风险”定价。以前给AI公司估值，只算“能力边界”——能做什么；现在开始算“验证成本”——做出来的结果谁来验证、验证错了代价多大。

从底层看，Transformer架构是一个没有“元认知”的系统。它可以算概率，但无法自证自己是对的。让模型自己验证自己是一条死路——它会自信地撒谎。在真值标尺严苛的领域，AI的幻觉就是最昂贵的定时炸弹。

这里必须看透中美两边在“钱”和“哲学”上的本质区别。

商业上：中国AI的营收，大都是来自大众的消费。这钱虽然看着“土”，天花板低、毛利薄，但它是老百姓一块两块花出去的真金白银，是实实在在的现金流。而美股的AI狂欢，建立在“企业级服务降本增效后能产生无限利润”的叙事泡沫上。B端企业级服务虽然利润丰厚，但在缺乏硬真值标尺的开放场景中，极容易遭遇“演示很惊艳、大规模部署就翻车”的验证灾难。

验证哲学上：美国试图用昂贵的“精英形式化工具”（如Lean）去死磕确定性；而中国，则是在算力受限下，利用庞大的开源模型底座和海量用户，进行着一场“分布式、社会化的压力测试”。美国想造一把绝对精准的尺子，中国是在用亿万人的脚，去踩出一条边界。没有谁更高明，只有谁能在活下来的同时，离真理更近一点。

四增长不等于受益：公司降本了，大家就好过吗？

AI能力再强，GDP大增了，就等于大家都受益吗？

先把宏大叙事放一放，看眼前的具体场景。就拿Cursor（Vibe Coding）来说。即便它继续进化，按《AI的未来》系列九篇文章的推演，它最多到谷歌Lv5水平。那又怎样？最直接的结果是：大量初级、中级程序员面临结构性失业，公司的研发成本却肉眼可见地降下来了。

公司成本降了，并不保证被替代的人有收入承接。即便总产出增长，收入也可能从知识型工作者转向资本和少数职业。这不是简单的零和博弈，这是增长与分配的脱钩。

软件需求高度非标、碎片化。代码生成得再快，若只在原有系统上盲目堆砌，不仅难造出能吸纳就业的增量需求，反而会急剧推高后期维护与整合成本。降本的甜头公司吃了，系统崩盘与技能错配的苦果，未必由同一批人来咽。

这并非主观臆测。Anthropic经济团队在《Economic Scenarios for Transformative AI》里推演了三种情景。研究者反复强调：这些是情景，不是预测，也不赋予概率。但即便只把极端情景当作压力测试来看，分配结果已经够刺眼：

极端情景下，2030年美国GDP比无AI基准路径高出约32.4%（达44.4万亿美元），劳动收入份额从约60%降至约45.2%，基准认知失业率约17.9%，整体失业率约11.9%。

更值得看的是他们对“工资能不能往下调”做的参数检验。据报告参数检验显示：工资完全灵活时，认知工资比无AI路径低四成以上，但失业率被压得很低；工资高度刚性时，认知工资名义水平能保住，代价是失业率大幅飙升。同一场冲击，可以表现为“很多人降薪”，也可以表现为“一部分人失业、剩下的人工资被勉强保住”。保护工资的名义水平，不等于保护人；被刚性工资挡住的调整，会转化成失业，转嫁给那些已经不在工资单上的人。

总劳动收入在极端情景下几乎与无AI路径持平——劳动份额降了约四分之一，GDP涨了约三分之一，两者大致抵消。这意味着增量几乎全部流向资本，而非劳动总量的绝对萎缩。要让认知工作者的收入维持在无AI水平，报告测算需要约GDP 9%量级的转移支付——规模大致相当于美国社会保障与联邦医保之和的量级。

模型算出了这笔账。论文自己也承认：这种规模的政策介入在技术变迁史上没有先例；参照过往贸易冲击的经验，它基本不会自发发生。谁来付、怎么付、付了之后资本还愿不愿意以当前速度投资AI，都是模型之外的问题。

增长可以有，技术也会进步。在极端情景里，财富创造的速度确实在指数级奔跑。但问题是谁来承接这场再分配：是接受一次剧烈的降薪，还是接受一次剧烈的失业，还是接受一笔史无前例的转移支付。这一步，我作为系统架构师，目前推演不出答案。因为图纸上算出的转移支付规模，替代不了现实中受损的生计；冷冰冰的系统，也算不出人性的阵痛与社会的底线。

五谁在裸泳，取决于验证权在谁手里

真正危险的，不是“一边造爽剧、一边算宇宙”，而是两边共用同一套概率引擎，却没有共用同一套验证纪律。

短剧侧错误便宜、反馈快；宇宙侧错误昂贵、反馈慢，死穴一旦暴露，往往不可回滚。

所以，谁先承认验证轴跟不上能力轴，谁先把停止键握在系统外面，谁才不至于在退潮时裸泳。

完整的验证权外置，从来不是“让人去做所有校验”，而是三级分层：

第一层是场景回滚层：低风险场景用快速反馈自动修正，错了立刻改；
第二层是工具校验层：中高风险场景用形式化验证、物理仿真器做交叉验证；
第三层是人类签字层：不可回滚的场景必须有人做最终背书。

就算走向“AI辅助验证AI”，也有一条死律：辅助验证的AI，必须与被验证的AI异源（不同模型、不同机制）。就像交易里，你可以用程序去扫盘，但下单和止损键，最终还是你自己按。

特别是在未来多Agent协同的架构里，当AI开始指挥AI，裁判员与运动员必须具备绝对的物理和架构隔离，必须设计自动熔断机制。辅助可以扩带宽，不能转移责任；停止键必须在系统之外，且最后那次签字不能委托，防止系统性幻觉在闭环里链式放大。

结语：两边都不安全

顺带说一句，两边都不是无辜的。

中国侧若在爽剧里排完雷就停步，算力会陷进“每天两千部废片”的内卷，泡沫不在模型里，在注意力市场里破。

美国侧若只盯着能力轴狂奔，验证权留在系统内部，泡沫不在财报里，在第一次聚变参数写错、反应堆跳闸那天破。