OpenAI讨论重设2027算力预期：全美数据中心停建会怎样

全面停摆不太可能，但速度大幅下滑躲不掉。

2026 年 11 月 4 日，美国中期选举结果出炉。第二天上午，OpenAI 的高管们碰了头。

据外媒引述知情人士的说法，会上谈的是 2027 年数据中心容量预期要不要重新设定。目前还没拍板，可焦虑已经藏不住了。

最近几个月，美国多地的大型数据中心项目一个接一个被叫停。得州前任州长 Abbott 从 8 月起冻结了数据中心的并网许可和空气许可，要求审计做到年底；新当选的州长 Gina Hinojosa 承诺，在州议会立法保护居民之前，所有新数据中心审批一律暂停，而议会会期要到 2027 年 5 月才结束。

俄亥俄新州长 Amy Acton 主张有条件暂停：新项目要自己承担全部电力成本，且只能落在旧工业用地上。佐治亚新州长 Keisha Lance Bottoms 则打算上任后直接签行政令，全州新建项目先停。

Tokenpost 的统计显示，今年 7 月到 11 月 4 日，美国至少有 21 个大型数据中心项目被取消，已经逼近 2025 年全年的 23 个。Anthropic 在 10 月 26 日提交的招股书中，同样把暂停令列进了风险因素：部分辖区正在考虑或已批准暂停令，可能推迟甚至挡住它依赖的算力设施；反对数据中心的声音，正在跨辖区变得更有组织。

如果把这股势头推到极限，设想一个场景：美国所有规划中的数据中心全都建不成，当下的 AI 和未来的 AI 会面临什么？

01

潜在算力增长被削掉一半

为了把推演的边界划清楚，我们设定了这样一个极端场景，它建立在三条假设上：

1，全美所有尚未开工的规划项目一律冻结，等于把眼下约 41% 的暂停范围扩大到全国；

2，已经在建的项目全部按期完工，这和德州等地暂停令只卡新审批的做法一致；

3，芯片照常供应，唯一的硬约束是电和地。推演只覆盖美国本土，算力外迁暂不讨论。

这个场景下，被卡住的算力规模有多大？Newmark 估计，美国数据中心当前用电约 60GW，这里包含所有数据中心，并非全是 AI。在建容量各家口径不同：Cleanview 约 57GW，Wood Mackenzie 约 80GW，DCMap 8 月的统计约 90GW。这部分项目在情景里会照常完工，构成未来几年美国算力的全部增量。

真正庞大的是「规划中、未开工」的部分，DCMap 8 月统计为 228GW，Wood Mackenzie 披露的累计管线超过 430GW，取一个约 230 到 340GW 的区间比较稳妥。

把这份测算摊开看，极端情况下全美数据中心总容量到 2028 年上下会卡在 120 至 150GW 左右，相当于眼下的 2 到 2.5 倍，此后就原地踏步。对照来看，Synergy 早先给出的判断是全美容量到 2029 年实现翻番；倘若管线里的规划统统建成，这个数本该超过今天的 5 倍。说白了，极端场景削掉的是翻倍之后的那一大块增量。

换算成芯片会更直观。1GW 电力大约能带动数十万块 Blackwell 级 GPU：按单卡全口径功耗 1.8 到 2.3kW 理论计算，约 43 万到 55 万块；Abilene 这样的实际园区，约每 GW 27 万块。两三百 GW 的规划被冻结，相当于数千万块最先进的 AI 芯片失去了机房。

亚马逊为 Anthropic 建设的 Project Rainier 园区内部｜图片来源：Amazon

这个情景很极端，但不荒谬。Cleanview 测算，在新州长承诺暂停的州里，规划容量合计 158.6GW，约占全国的 41%，其中德州 88.4GW、俄亥俄 21.9GW、佐治亚 20.2GW、新墨西哥 11GW、纽约 9.9GW。换句话说，情景 A 里接近一半的冻结，在现实中已经有对应的政策承诺。2024 年以来被取消的 69 个大型项目里，有 33 个主要因为当地反对。参议员桑德斯还提出过全国性暂停法案，虽然通过的可能性很小。

有个情况得照实讲：眼下规划出来的数字里，虚的部分不少。ERCOT 这家德州电网的大负荷并网队列排着约 1800 个项目、合计约 474GW，差不多是该电网峰值负荷的 5 倍，其中多数属于占坑的投机性申报。因此极端场景真正扣掉的可用算力，会比纸面数字小。可就算把水分拧干，这仍然等于给算力供给猛踩了一脚刹车。

这样一脚「算力刹车」踩下去，会对 AI 产生怎样的影响？

02

当下照常，下一代 AI 受阻

如果极端情景明天就发生，用户在一两年里其实感觉不到异样。2027 年之前的前沿模型，照常训练、照常迭代。

因为支撑这一代模型的训练基地，都已经建成或接近完工。Epoch AI 的数据库显示，目前已知最大的 AI 园区是 Anthropic 与亚马逊在印第安纳州的 New Carlisle，容量 1037MW；其次是 xAI 的 Colossus 2，946MW。OpenAI 在德州 Abilene 的园区规划 1.2GW，8 栋楼里的 6 栋截至 9 月已经交付，预计年底完工。

OpenAI 位于德州 Abilene 的 Stargate 园区卫星图｜图片来源：Epoch AI

真正被绊住的，是那些预计2028到2030年问世、要吃掉数个GW电力的下一代模型。

Epoch AI 的统计显示，前沿训练对电力的胃口每年涨2.2到2.9倍，眼下前沿训练用电已越过100MW。按 Epoch 的预计，未来一年会有好几个园区冲过1GW；大约两年后，最大规模训练或需约250万块H100等效算力。照此走下去，到2030年，单次最大训练要用4到16GW。

拿今天做参照，最大的园区才刚过1GW。Epoch 同时点明，数据中心的容量其实就框定了训练规模的天花板：园区能建多大，模型最多就训多大。

至于那些盯着2028年以后的超级工程，撞墙的已经不少。

OpenAI 的 Stargate 打算到2029年做到9GW以上，美国7个站点里多数原定2027到2028年大规模上线，且集中在得州、新墨西哥和俄亥俄这几个按下暂停键的州。

具体看，Abilene 旁边原计划的扩建已经放弃；新墨西哥州 Doña Ana 规划2.45GW的 Project Jupiter，今年3月被州土地办公室否掉了供气管道；俄亥俄州 Lordstown 站点，到4月的卫星图像里仍看不到大规模施工。

Meta 约1GW的 Prometheus 园区同样落在俄亥俄，躲过这轮暂停的只有路易斯安那州目标5GW的 Hyperion。

新墨西哥州 Doña Ana 的 Project Jupiter 工地卫星图｜图片来源：Epoch AI

于是问题就来了：下一代训练的算力基地一旦搁浅，AI 进步会被拖慢多少？

03

会降速，但停不下来

想回答这个问题，得把算力增长拆成几块来看。

Epoch AI 的统计是，2020年以来前沿语言模型的训练算力每年约涨4到5倍，同期训练用电每年涨2.2到2.9倍。中间约2倍的差额，大头来自芯片能效提升，也就是每瓦电能换来的算力更多了。

硬件之外，算法也在出力。常见口径是算法效率每年提升约3倍（Ho 等人2024年的研究给出约2.7倍）。Epoch 后来把后训练也计入，估计约每年10倍，但区间从2倍到50倍不等，这里取更稳妥的3倍。

有了这些，就能做个粗略推算。

正常年份，AI 每年拿到的「有效算力」增长，等于物理算力增长（4到5倍）乘上算法提升（约3倍），合起来大约每年12到15倍。

情景 A 下，2028年之后新增电力归零，物理算力增长最粗的那根支柱被抽掉，只剩芯片换代带来的能效提升，每年约2倍。再乘算法的3倍，「有效算力」年增速就从12到15倍掉到约6倍。

有效算力年增速拆解：正常情况与极端情景 A 对比（推算）｜图片来源：极客公园

若换成 Epoch 更乐观的算法口径（每年约10倍），正常情况下有效算力增速是每年40到50倍，情景 A 下约20倍。两种口径都指向同一件事：电力一冻结，有效算力增速就掉到原来的四成到一半上下。算法跑得再快，也填不上电力扩张留下的缺口。

两种算法口径下，电力冻结前后的有效算力年增速（推算）｜图片来源：极客公园

这里还埋着一个隐患。芯片能效的红利，前提是新芯片能顺利装进机房。机房总电量一旦锁死，供电和散热改造的难度，可能让这2倍也打折。

就算这样，每年约6倍仍是不小的数字。推演下来，结论很清楚：

极端场景下，AI 会明显减速，但不会停摆。

不过这笔账只算了训练所需的算力。把视野拉到整个 AI 的运转上，电量锁死之后，另一场争夺会马上开打。

04

Token 限额时代来了

以前算力吃紧，大家的办法是找地、盖新机房。可到了极端情形，一个盘子里的电就那么多，训练用掉的每一度电，都得从推理、智能体和后训练那边挪过来。

事实上，整个市场的算力重心早就偏向推理了。德勤预测，推理在全部 AI 算力中的占比 2023 年约为三分之一，2025 年约为一半，2026 年预计会到约三分之二。

推理和训练在全部 AI 算力中的占比变化｜图片来源：极客公园

AI 实验室内部同样在起变化。SemiAnalysis 根据 OpenAI 和 Anthropic 合计算力做出的估算显示，2024 年初预训练占到 67%，后训练和强化学习合计只有约 5%，推理约 29%；之后预训练的占比逐季走低，二季度 63%，三季度 57%，2025 年落到五成多，后训练的占比则一路上升，最新估计两者已大致相当。也有研究者提醒，这说的是占比，实验室的总算力翻了很多倍，预训练的绝对量未必就少了。

压力更大的一头来自产品形态。推理模型在给出答案前会生成一长串思维链，用户看不见，可每一步都在耗电。Gartner 的数据显示，智能体做完一项任务所消耗的 token，是普通聊天的 5 到 30 倍。

高盛预测，2026 到 2030 年全球 token 总消耗将增长 24 倍。

智能体与 token 消耗的增长｜图片来源：极客公园

把这些数字塞进极端情况下那块固定的电量里，每家实验室都要面对同一道选择题：每一兆瓦，是拿去训练下一代更大的模型，还是拿去服务现有的用户和智能体。

要想调几十万块卡去训一个更大的基座模型，就得压住现有用户的调用量；反过来优先保推理、保用户，下一代模型的进度就要落后。

增电这条路既然被堵上，接下来的问题就是：电量和算力都固定，AI 还要继续往前走，能走的路有哪些。

05

四条「补充路线」

极端场景的压力之下，那些过去因为「反正能加卡」而没人当回事的省电技术，会变成主流方案：

硬件的考核指标，换成「每瓦电能产出多少 token」。

电量固定的机房里，把旧芯片换成能效更高的新芯片，是唯一的扩容手段。

英伟达眼下首选的指标，就是「每个全口径电力兆瓦每秒输出的 token」，分母算的是园区的全部用电，散热和网络都在里头。这个指标能流行起来，本身就说明芯片厂商已经默认客户的瓶颈在电，卡的数量反倒次要了。

按英伟达的说法，Vera Rubin 的每瓦性能是 Blackwell 的 10 倍，智能体场景下对比 GB300 最高可达 30 倍。独立测试给出的结果也接近：CoreWeave 实测，在同样的 DeepSeek R1 负荷、相同交互速度下，Vera Rubin NVL72 每兆瓦的 token 产出是 GB200 NVL72 的 10 倍。不过 Rubin 要到下半年才开始量产，多数客户得等到 2027 年才能普遍用上。

英伟达 Vera Rubin NVL72 机柜｜图片来源：NVIDIA

跨机房分布式训练。

暂停令普遍盯的是动辄数百兆瓦的大型数据中心。一个顺理成章的绕行思路，就是把训练任务拆开，分到不同地区的中小机房去。政策压力会直接转成对分布式训练的技术需求。

巨头们已经在这条路上动手了。Gemini 是在多个地点的集群上同步训练的，谷歌对此有过说明；微软把威斯康星和佐治亚的机房连成一片；CoreWeave 与谷歌云则宣布了跨云训练。谷歌的 DiLoCo 研究显示，训练可以放在靠普通网络连接的远程设施之间跑，硬件出故障也能扛住。

难度也不小。DiLoCo 的作者自己承认，这项技术目前只能给超大集群做补充，还替代不了。2026 年的一项仿真研究发现，机房相距几十到几百公里时，网络延迟会明显削弱计算与通信的重叠，大量算力在等数据的过程中空转。

研发重心从预训练，转向后训练和强化学习。

预训练对单一超大集群的依赖最高，极端情况下会最先受限。数个 GW 的集群建不起来，工程师就会把精力转向对集群规模要求没那么苛刻的后训练、强化学习，以及混合专家模型、低精度计算这类架构改进。Cursor 就公开说过，其 Composer 1.5 模型在后训练上投入的算力，已经超过了预训练。

端侧和小模型给云端分流。

蒸馏到 2026 年已是小模型训练的主流做法。小模型经过量化后，可直接在手机 NPU 上完成结构化任务，参数不到 10 亿的模型，速度大概在每秒 12 到 15 个 token。混合模式的应用也多了起来：多数请求先由本地小模型消化，少数难处理的再送去云端大模型。

06

约束之中也有机会。

极端情景下被卡住的是美国本土的电力。对另外两类玩家而言，这反倒是个窗口：一类是多年在效率路线上攒下积累的模型公司，另一类是准备入场的 AI 创业者。

先看前沿模型和追赶者差多远。Epoch AI 今年 5 月做过测算，最强的开源模型平均比闭源前沿落后约 4 个月，大致相当于 GPT-5 与 GPT-5.5 之间的差距。以往前沿实验室靠每年十几倍的有效算力增长持续扩大代差；到了极端情景，这个增速会掉到约 6 倍，新代差更难拉开，追赶者要补的距离也随之缩短。

再看效率路线上走在前面的公司。DeepSeek、Qwen、Kimi、GLM、MiniMax 这些中国模型厂商，一向以开源、低成本、混合专家架构打市场，这条路线的成效已经体现在使用数据里。

OpenRouter 与 a16z 的联合研究显示，中国开源模型在该平台上的 token 占比，2024 年底还只有约 1.2%，2025 年升到近 30%；到 2026 年，多家统计给出的数字落在五到六成区间。

a16z 合伙人 Martin Casado 另有估算：用开源技术栈的创业公司中，约八成跑的是中国模型。OpenRouter 终究只是一个平台，ChatGPT 自家流量和企业私有部署都不在其统计范围内，但趋势已经很清楚：

全行业都得回答「每度电能产出多少智能」，长期琢磨这道题的团队，手里的经验会更值钱。