算力瓶頸:2026年AI影片生成為何依然昂貴

每隔幾個月,總會有人拋出同一個問題的不同版本:文字生成早已便宜到近乎可以忽略不計,圖片生成也緊隨其後大幅降了下來,那為什麼一段短短十秒鐘的AI影片,還是要花上真金白銀?答案並不是什麼廠商刻意維持高利潤率的陰謀論,而純粹是一道算術問題。影片生成在算力成本曲線上所處的位置,和文字或圖片截然不同——這一切都根源於擴散模型與Transformer實際運作的方式,再疊加上一條截至2026年年中,確確實實產能吃緊的硬體供應鏈,問題就這樣被進一步放大了。把這兩層原因都徹底搞清楚,才能真正理解為什麼各大實驗室給出的每秒影片定價——動輒數十美分,而不是零點幾美分——並不只是上市初期常見的一時溢價,而更接近一個只會緩慢下降、不會在短期內瞬間崩塌的成本底線。

從FLOPs看數量級的差距

先從一次生成過程中實際消耗多少浮點運算(FLOPs)這個問題說起。針對擴散模型管線的學術FLOPs分析顯示,單次圖片生成呼叫,每個去噪步驟大約消耗10 GFLOPs,典型生成需要20到50步才能收斂成一張乾淨的圖片——也就是說,一張成品圖片總計大約是10²到10³ GFLOPs這個量級。相比之下,針對影片擴散模型的類似分析顯示,單次影片生成呼叫所需的算力要高出好幾個數量級——業界常引用的FLOPs對比顯示,這個數字大約是單張圖片的10,000倍,遠不是直覺上可能猜測的10倍或100倍。這絕不是統計誤差範圍內的差異,而是「消費級GPU一秒鐘之內就能處理完的請求」和「需要佔用資料中心級加速器整整好幾分鐘才能完成的請求」之間,實打實的天壤之別。

造成這個算力差距的原因,總共有兩個,而且非常值得把它們分開來仔細看,因為這兩者之間是彼此疊加、而非互相替代的關係。第一個原因很直接:幀數。一段每秒24幀、時長五秒的影片就是120張獨立的圖片,每一張都需要獨立跑一次去噪流程。單單這一點,在都還沒涉及到任何影片專屬技術之前,就已經構成了兩個數量級的乘數效果。第二個原因更容易被低估,那就是時間一致性(temporal consistency)。一個最樸素、最直觀的做法,是獨立生成每一幀之後再把它們拼接起來,但這麼做會產生早期AI影片標誌性的閃爍、臉部融化等各種瑕疵。而現代模型的做法,則是在時間維度上也同步運行注意力機制——每一幀的生成過程,都必須參考相鄰幀傳來的資訊,才能保持人臉、物體與光線的連貫性——但注意力機制的計算成本,隨序列長度增長的速度,比單純的線性增長還要糟糕許多。把更多幀疊進同一次連貫生成裡,增加的算力不只是與幀數成正比的部分,還包括所有幀彼此之間關聯關係所需的算力。

換算成美元是什麼概念

把抽象的FLOPs數字換算成實際的GPU工時之後,一切就變得具體起來了。NVIDIA的H100、H200這類資料中心級加速器,在2026年的現貨/批發雲端市場上,租金大約是每小時1到3美元,某些大型雲端廠商的按需計費層甚至逼近每小時12美元。按現貨價格算,用H100級顯卡生成一段30秒的影片,大約需要四到六分鐘的專屬算力,換算下來,單純從硬體成本層面看,每秒成品影片只要幾美分——這和消費者實際看到的價格相差甚遠。這個「原始算力成本」與「市場標價」之間存在的落差,本身就已經相當能說明問題:各大影片實驗室公佈的API價格——Sora標準720p輸出每秒大約0.10美元,Kling按點數計費的方案從8到10美元的入門級一路擴展到128美元、不限量的Ultra級,Runway則採用訂閱點數制而非按秒計費——都遠高於每秒的邊際硬體成本。這中間的差額,並不能完全歸類為利潤空間。它涵蓋了攤銷在比任何文字模型都小得多的裝機規模上的模型研發成本、那些永遠到不了付費用戶螢幕上的失敗與重試生成,以及如今日益成為標配的強制放大或增強處理環節——業內估計顯示,如今大多數生產環境的影片端點都默認會跑某種形式的生成後放大處理,這相當於增加了第二個大多數用戶從未在帳單上看到明細的高算力環節。

而解析度的高低,又會讓這個成本問題進一步被放大。在完全相同的硬體條件下,只要輸出解析度翻倍,渲染所需的時間也會大致跟著翻倍——這正是為什麼4K影片生成(Kling 3.0這類模型在2026年才真正實現的功能)明顯比大多數免費和入門方案預設的720p檔位要慢得多、貴得多。這些定價分級絕非隨意拍板決定,而是相當直接地對應著加速器在每一秒影片畫面裡,實際需要計算處理的像素總數量。

供給側的問題:不只是演算法,更是GPU與電力

就算所有影片實驗室都真的找到辦法,把每一幀所需的算力大幅砍下來,2026年的整個影片生成市場,依然會撞上另一個完全獨立的硬性約束:根本沒有足夠的資料中心級GPU和電力產能來滿足現有價格下的需求,更別提理論上更低的價格了。資料中心級GPU的交貨週期到今年已經拉長到36到52週,高端市場的需求確確實實超過了供給——僅中國買家一方就下單超過200萬顆H200級晶片,而全球現貨庫存卻只有幾十萬顆,這個對比足以說明供需錯配的規模。NVIDIA的產品路線圖已經從Hopper世代邁向Blackwell世代,但新一代架構要達到能實質緩解供給緊張的量產規模,往往需要好幾年時間。而影片擴散模型高度依賴記憶體頻寬的特性(影片生成對高頻寬記憶體吞吐量的依賴甚至超過對原始FLOPs的依賴,這也是為什麼配備寬記憶體匯流排的H100/H200級顯卡會遠遠甩開更便宜的替代方案),意味著影片實驗室最需要的那批晶片,恰恰就是供給最緊張的那批。

2026年才真正凸顯出來、而且很可能比晶片短缺本身更難以擺脫的瓶頸,正是電力供應。如今業界分析師,普遍把AI基礎設施所面臨的制約,形容為「電力受限」而不是「GPU受限」:Gartner預測到2027年,大約40%的AI資料中心將面臨電力瓶頸;而新建資料中心產能上線所需的高壓變壓器與開關設備,交貨週期在部分市場已經從12到18個月拉長到最長36到48個月。GPU的製造速度,遠比區域電網升級到足以大規模供電的速度要快。這個錯配意味著,影片生成產能——由於每份輸出需要的GPU工時本來就比文字或圖片生成多,因此每份輸出所需的電力也更多——正在和一塊擴張速度遠遠跟不上晶片產能的電力基礎設施搶資源。

為什麼短期內不會降到文字生成那樣的價格

很容易讓人下意識地以為,影片定價會直接複製文字和圖片生成早已走過的老路——剛上市時價格昂貴,但隨著模型效率不斷提升、硬體成本逐漸變便宜,幾年之內就會被徹底商品化。這個趨勢確實會部分發生:把去噪步驟從幾十步壓縮到個位數的蒸餾技術、效率更高的時間注意力架構、以及能在相似幀之間複用計算結果的智慧快取策略,都是眼下十分活躍的研究方向,每一項增量突破都確確實實在拉低每秒成本。但影片生成追逐的並不是一個固定目標——隨著每幀算力變便宜,使用者就會把解析度、影片時長、幀率和多鏡頭複雜度往上推,把省下來的成本重新吸收掉,這和圖片模型的歷史如出一轍:寫實度的提升把效率紅利吃掉了,而不是把它轉化成更低的價格。再疊加電力和晶片供給的雙重限制,未來一兩年比較現實的預期並不是「影片變得和文字一樣便宜」,而是每秒成本緩慢地逐步下降——而決定這個下降速度的,與其說是誰家的演算法更聰明,不如說是整個產業底層的物理基礎設施究竟能建得多快。