视频模型的巨大隐形成本，多数人从未被告知

这注定只是巨头的竞技场。

AI烧钱，早已不是新鲜话题。xAI耗资逾十亿美元打造Colossus超算集群，OpenAI每月的算力账单动辄数亿美元，Anthropic多轮融资的资金，在公众眼中近乎直接等同于海量GPU时长。人们津津乐道的，似乎始终是算力。GPU俨然成为衡量一家AI企业实力的硬通货，也是每篇融资报道中最醒目的数字。

然而，最近一期播客中的细节让人猛然意识到，这个行业的成本账本或许一直计算有误。xAI前研究员Ethan He在Latent Space的访谈中分享了一段经历：2025年年中加入xAI时，他面对的是没有基础设施、没有数据、没有现成模型的空白状态，随后仅用三个月时间，带领一支小团队从零构建出Grok Imagine视频生成系统，并达到了当时行业一流水平。

当话题转向训练成本时，他随口报出的一组数字，彻底改变了画风：仅存储视频和特征数据，每月就要花费几百万美元——这还没算上算力。

账单上的隐藏成本

从零开始训练一个视频大模型，究竟需要多少资金？即便假设你的团队资源丰富、GPU算力随意使用，这件事的巨额成本仍可能被严重低估。

设想你要训练一个世界级的视频生成模型，从互联网抓取10亿条视频，每条平均5MB——这已是非常保守的估算。仅此一项，就需要5PB存储空间。按AWS S3标准存储定价，每月大约10万美元。

但这仅仅是原始视频。在训练前，行业通行做法是先利用VAE将视频压缩成“潜在空间”的特征向量——一段视频展开成像素可能包含几十亿个token，任何Transformer都无法直接处理，必须压缩成模型能理解的连续向量。问题在于，这份压缩后的特征数据，体积与原始视频相当，同样需要长期保存并随时调用。两项叠加，数十PB的存储，每月费用轻松超过20万美元。

最令人意外的是数据进出费（egress/ingress）。Ethan表示，从互联网下载10亿条视频的带宽费用，在AWS上比存储这些视频还要昂贵。每次训练，数据都需要从存储层拉到计算层完整跑一遍。视频模型的训练不像语言模型那样训完即止——需要迭代、调参、测试不同数据配比，每一次实验都意味着全量数据再走一遭。实验次数越多，这笔费用就成倍增加。

综合估算下来，Ethan给出的结论是：数据这一块每月就要几百万美元。GPU的费用，还没开始计算。

这笔账，几乎从未出现在AI行业的报道中。

扛不住的带宽费

像xAI这样自建Colossus数据中心的公司，是否在存储和带宽上省下了一大笔钱？Ethan的回答非常直接：“当然，省了很多。”这句话背后，隐藏着视频AI领域一个鲜被讨论的结构性秘密。

大语言模型的训练数据是文本，体积相对轻量，训练完成后原始数据基本完成了使命——不需要反复拉取全量语料进行推理或微调。但视频数据完全不同：体积是文本的几个数量级，而且每一次训练实验都要把全量数据完整跑一遍。迭代速度越快，数据搬运成本越高；而迭代速度，恰恰是视频模型研发中最关键的变量。

这形成了一个相互咬合的困局：你需要快速迭代来提升模型质量，但快速迭代意味着频繁搬运数据，而频繁搬运数据在公有云上的账单会让人不堪重负。

Ethan本人的经历就是一个注脚。他在NVIDIA参与构建了Cosmos世界模型，过程中意识到视频模型存在与语言模型类似的“规模定律”，仍有很大提升空间。当时他面临的选择，表面看是“需要更多GPU”，但同样关键的一个因素他虽未明说，却已体现在行动中——他需要一个不必按AWS账单算钱的地方来存放和搬运数据。这也是他选择xAI的根本原因之一，而Colossus恰好提供了那个环境。

对于没有自建基础设施的团队来说，这笔账再清楚不过：每月几百万美元的数据成本，叠加在GPU算力之上，意味着即便你拥有一流的算法团队、募到足够的资金，只要还在依赖公有云，就是用无底洞般的账单与对手的自建机房赛跑。这道门槛，不是一家算法优秀的创业公司能靠“技术取胜”跨越的。

视频模型的护城河不是模型

这恰好与半导体行业的逻辑形成某种呼应。台积电难以撼动，不仅因为拥有更好的设计，更因为一座新晶圆厂需要几百亿美元的前期投入。视频AI的护城河，正是那数十PB的数据基础设施和每月滚动产生的带宽账单。

Ethan在播客中还补充了一个更深的推论：视频模型的“智能”，大部分其实来自背后的语言模型，而非视频扩散模型本身。视频扩散模型相对“愚钝”——它只会按照文字描述照单全收地生成画面。你写“一只猫”，它就生成一只猫，站在纯白背景前，纹丝不动，因为你没告诉它背景是什么、猫在做什么。真正理解用户意图、将“一只猫”扩写成一段精细镜头语言描述的，是背后那个做“提示词重写”的LLM。Ethan提到，在Cosmos时期，他曾用“一只快乐的羊”做测试：不经过提示词重写，生成画面极其CGI、毫无质感；加上重写之后，效果判若云泥——而整个视频扩散模型本身没有任何改动。

这意味着，决定一家公司在视频AI领域能走多远的，不仅是视频模型的参数规模，更是能否同时支撑起语言模型和视频模型两套基础设施，并让它们高效协同。这是一场拼综合实力的竞赛。

下一个战场，早就被划好了

当然，行业也在摸索出路。提示词重写的Agent化、让语言模型像“指挥官”一样调度多个视频生成工具、利用FFmpeg这类传统软件处理中间环节——这些方向的共同逻辑是，将语言模型的推理成本和视频扩散模型的生成成本分层计算，让每一次视频生成调用更加精准，减少无效计算和数据搬运。

Ethan对“视频Agent”的发展方向相当坚定。他预测今年年底将出现一个拐点——当Agent生成的视频质量能够稳定达到“可投放商业广告”的水准，企业才会真正愿意为此付费，整体成本结构也将随之演变。

但有一点不会改变：谁掌握了数据的存储和流转，谁就掌握了这场游戏的起点。在AI赛道上，“真正的壁垒”每隔一段时间就会轮换一次。先是参数量，然后是训练数据规模，接着是对齐技术，再是推理效率。如今，视频AI正在揭示下一道壁垒——不是某种神秘的算法突破，而是一份冷冰冰的基础设施账单。

这笔账，从一开始就没打算让所有人都算得起。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：视频模型的巨大隐形成本，多数人从未被告知要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题