视频AI成本大揭秘：数据存储带宽费惊人，基础设施成竞争壁垒

AI烧钱现状与算力衡量

关于AI烧钱，业内流传着各种令人瞠目结舌的数字。xAI花了超过10亿美元建起Colossus超算集群；OpenAI的月度算力账单据称高达数亿美元；Anthropic最近几轮融资拿到的钱，在公众眼里几乎已经和「GPU时数」直接画上了等号。大家谈的，几乎都是算力。GPU成了衡量一家AI公司实力的通用货币，也是每一篇融资报道里最显眼的那个数字。

视频模型训练成本新发现

最近，听了一期Latent Space播客，采访对象是xAI前研究员Ethan He。Ethan在2025年中加入xAI时，面对的是一个没有基础设施、没有数据、没有现成模型的白纸状态，然后用三个月时间和一支小团队，从零搭建出了Grok Imagine视频生成系统，做到了当时业内的一流水准。在聊到大规模视频模型的训练成本时，他说了一组数字，让人意识到这个行业可能一直在算错账。「光是存储这些视频和特征数据，每个月就要几百万美元——这还没算算力成本 。」

从零训练视频大模型的成本

从零到一，开始训练一个视频大模型，需要花多少钱？先假设团队有矿，GPU算力随便用。即便如此，可能依然低估了这件事的巨量成本。假设要训练一个世界级的视频生成模型，去网上爬取了10亿条视频，每条平均5MB——这已经是相当保守的估计了。光这一项，就需要5PB（拍字节）的存储空间。按照AWS S3的定价，5PB标准存储，每个月大约10万美元。但这还只是原始视频。在训练视频模型之前，业界通行的做法是先用VAE（变分自编码器）把视频压缩成「潜在空间」的特征向量——因为一段视频展开成像素，可能有几十亿个token，任何Transformer都处理不了，必须先压缩成模型能理解的连续向量。问题是，这份压缩后的特征数据，体积和原始视频相当，同样需要长期存储，随时备用。两项叠加，数十PB， 每月存储费就超过20万美元 。然后是最出乎意料的那一项：数据进出费（egress/ingress）。Ethan说， 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贵。每次训练，数据都要从存储层拉到计算层跑一遍。视频模型的训练不像语言模型那样训完就完了——要迭代，要调参，要测试不同的数据配比，每一次实验都意味着把全量数据再过一遍。实验跑得越多，这笔钱就乘以相应的倍数。综合算下来，Ethan的估算是， 光是数据这一块，每个月就要几百万美元 。GPU的费用，还没开始计入。这笔账，从来没见哪篇AI行业报道细算过。

自建数据中心与带宽成本

那像xAI这样自建Colossus数据中心的公司，是不是在存储和带宽上省了一大笔钱？Ethan的回答很直接：「当然，省了很多。」这句话背后，藏着视频AI行业一个不太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，而且训练完成之后，原始数据基本就完成了使命——不需要反复拉取全量语料来做推理或微调。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过一遍 。 迭代速度越快，数据搬运的成本就越高；而Ethan反复强调，迭代速度，恰恰是视频模型研发中最关键的变量 。这就形成了一个相互咬合的困局：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把人压垮。Ethan本人的轨迹就是一个注脚。他在NVIDIA参与构建了Cosmos世界模型，做着做着意识到，视频模型存在和语言模型类似的「规模定律」，还有很大的提升空间。他当时面临的选择，表面看是「我需要更多GPU」，但同样关键的一句话他没明说—— 他需要一个不用按AWS账单算钱的地方，来存放和搬运数据 。这也是他去xAI的根本原因之一，而Colossus给了他那个环境。对于没有自建基础设施的团队来说，这笔账是怎么算的？每个月几百万美元的数据成本，叠加在GPU算力之上，意味着哪怕有一流的算法团队，哪怕募到了足够的资金，只要还在用公有云，就是在用一个无底洞的账单跟对手的自建机房赛跑。这道门槛，不是一家有优秀算法的创业公司能靠「技术取胜」跨过去的。

视频模型的竞争格局与护城河

这让我想起一个有趣的对比。在大语言模型领域，「开源 vs闭源」的竞争打得相当激烈，Llama系列的出现让很多小团队也能在语言模型上打出有竞争力的产品，甚至逼着OpenAI和Anthropic不断压低API价格。但在视频生成领域，看到的格局截然不同：能持续做出顶尖视频模型的，基本只有Sora、Veo、可灵这些背靠巨量资源的团队，没有一家是靠开源社区在车库里跑出来的。很多人把这归结为「数据和算力的差距」。这当然没错，但Ethan揭示的这组数字告诉我们，问题比这更深： 视频AI的基础设施成本，从一开始就把竞争的门槛，锁死在了极少数玩家的高度上。这和半导体行业的逻辑有几分相似。台积电之所以难以撼动，不只因为它们有更好的设计，更因为一座新晶圆厂需要几百亿美元的前期投入，这道门槛本身就是最好的护城河。视频AI的护城河，就是那数十PB的数据基础设施和每月滚动产生的带宽账单。Ethan在播客里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，而不是视频扩散模型本身 。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，描述写「一只猫」，它就生成一只猫，站在纯白背景前，纹丝不动——因为没有告诉它背景是什么、猫在做什么。真正理解用户意图、把「一只猫」扩写成一段精细的镜头语言描述的，是背后那个做「提示词重写」的大型语言模型。Ethan说，在Cosmos时期，他曾经用一个「快乐的羊」做测试：不经过提示词重写，生成出来的画面极其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，并没有发生任何改变。 这意味着，决定一家公司在视频AI领域能走多远的，不只是视频模型的参数规模，而是能否同时撑起语言模型和视频模型这两套基础设施，并让它们有效协同。 这是一场拼综合体力的竞赛。

行业探索与未来趋势

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、用FFmpeg这类传统软件处理中间环节——这些方向的共同逻辑是，把「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，让每一次视频生成的调用更加精准，减少无效的计算和数据搬运。Ethan对「视频Agent」的走向相当笃定。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之买单，整体的成本结构也会随之演变。 但有一点不会变：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这个赛道上，「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，然后是对齐技术，然后是推理效率。现在，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。