OpenAI高管讨论重设2027年数据中心预期：全美项目停摆将冻结多少算力

2026年11月4日，美国中期选举结果出炉的次日清晨，OpenAI的高管们聚到了一起。

据外媒引述知情人士的说法，这场碰头要商量的，是2027年的数据中心容量预期要不要推倒重来。事情还没定下来，但不安的情绪已经藏不住了。

最近几个月，美国各地的大型数据中心项目一个接一个停摆。得州前任州长Abbott自8月起就冻住了数据中心的并网和空气许可，要求审计做到年底；新当选的州长Gina Hinojosa则承诺，在州议会通过立法保护居民之前，所有新数据中心审批一律暂停，而议会会期要到2027年5月才收尾。

俄亥俄新州长Amy Acton拿出的方案是有条件暂停：新项目得自己扛下全部电力成本，选址也只能落在旧工业用地上；佐治亚新州长Keisha Lance Bottoms的打算更直接，上任后就签行政令，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日提交的招股书里同样把暂停令列入了风险因素：部分辖区正在考虑或已经批准暂停令，这或许会让它所依赖的算力设施延期甚至落空，况且反对数据中心的声浪正在不同辖区之间变得更有组织。

把这种势头推到极致，设想这样一个局面：美国所有规划中的数据中心全都建不成，眼下的AI和将来的AI会遭遇什么？

01 潜在算力增长被砍掉50%

为了把推演的边界划清楚，我们设定这样一个极端场景，它建立在三条假设上：

1，全美所有尚未开工的规划项目全部冻结，相当于把目前约41%的暂停范围推向全国；

2，已经在建的项目全部按期完工，这和德州等地暂停令只针对新审批的做法一致；

3，芯片照常供应，唯一的硬约束是电和地。我们只推演美国本土，暂不讨论算力外迁。

这个场景下，被卡住的算力规模有多大？据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。

按这个口径大致一算，若真走到极端情景，美国数据中心总容量到2028年前后会卡在120至150GW左右，相当于眼下的2到2.5倍，之后便不再往上走。Synergy早先的预测是美国容量2029年翻番；要是管线里的规划全部建成，本该达到今天的5倍以上。极端场景削去的，正是翻番之后那一大截增量。

折成芯片来看会更清楚。1GW电力大致能撑起数十万块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，等于数千万块最先进的AI芯片没了机房可放。

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。据Cleanview测算，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。也就是说，情景A里接近一半的冻结，在现实中已经有了对应的政策承诺。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了全国性暂停法案，虽然通过的可能性很小。

得实话实说，眼下规划里的数字虚得很。ERCOT这家德州电网的大负荷排队规模约474GW、项目约1800个，差不多是该电网峰值负荷的五倍，其中多数属于占位性质的投机申报。因此极端场景真正砍掉的有效算力，会低于账面数字。可就算挤掉水分，这仍然是对算力供给的一次猛踩刹车。

这样一脚「算力刹车」踩下去后，会对AI产生怎样的影响？

02 当下照常，下一代AI受阻

假设极端情景明天就落地，用户在一两年内其实察觉不到什么变化。2027年之前的前沿模型，照旧训练、照旧升级。

原因在于，撑起这一代模型的训练基地，不是已经建成就是快要完工。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；排在其后的是xAI的Colossus 2，946MW。OpenAI在德州Abilene的园区规划1.2GW，8栋楼里有6栋截至9月已经交付，预计年底收工。

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

被卡住的，是计划在2028到2030年登场、需要数个GW才能喂饱的下一代模型。

Epoch AI 的统计摆出一个趋势：前沿训练的耗电量正以每年 2.2 到 2.9 倍的速度往上走，眼下单个前沿训练项目已经吃掉超过 100MW。按这家机构的预计，一年之内会有若干园区跨过 1GW 的门槛；大约两年后，规模最大的训练或将动用约 250 万块 H100 等效算力；顺着这条曲线看，到 2030 年，单次最大训练需要 4 到 16GW。

拿今天的现实比一比：目前最大的园区才刚过 1GW。Epoch 同时点明了一层关系——数据中心的容量其实就是训练规模的天花板，园区能建多大，模型就最多能训多大。

那些盯着 2028 年以后的超级工程，已经有不少在现实里碰了壁。

OpenAI 的 Stargate 打算到 2029 年做到 9GW 以上，美国 7 个站点里多数原本安排在 2027 到 2028 年大规模上线，而这些站点扎堆在得州、新墨西哥和俄亥俄——正好是这轮暂停涉及的几个州。

具体看：Abilene 附近原定的扩建已经作罢；新墨西哥州 Doña Ana 那个规划 2.45GW 的 Project Jupiter，今年 3 月被州土地办公室挡回了供气管道；俄亥俄州 Lordstown 站点，4 月的卫星图像里仍看不到成规模的施工迹象。

Meta 那边，约 1GW 的 Prometheus 园区同样落在俄亥俄，只有路易斯安那州目标 5GW 的 Hyperion 没被这轮暂停波及。

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 的进步要慢多少？

03 降速，但不会停摆

想回答这个问题，得把算力增长拆成几块分别看。

Epoch AI 的统计显示，2020 年以来前沿语言模型的训练算力每年涨约 4 到 5 倍，同期训练用电每年涨 2.2 到 2.9 倍。中间那约 2 倍的差距，大头来自芯片能效的进步——同样的每瓦电，能换回更多算力。

算法这一侧也在出力。通行的口径是算法效率一年提升约 3 倍（Ho 等人 2024 年的研究给出约 2.7 倍）。Epoch 后来把后训练也纳入计算，估到约每年 10 倍，但区间在 2 倍到 50 倍之间浮动，这里取更保守的 3 倍。

有了这些数，就能做个粗略推演。

按正常节奏，AI 每年拿到的「有效算力」增幅，是物理算力增长（4 到 5 倍）乘上算法提升（约 3 倍），算下来一年约 12 到 15 倍。

换成情景 A：2028 年之后新增电力归零，物理算力增长最大的那根支柱被抽掉，只剩下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」的年增速就从 12 到 15 倍滑到约 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

若采用 Epoch 更乐观的算法口径（每年约 10 倍），正常情况下的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，有效算力的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窟窿。

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

这里还埋着一个变数。芯片能效的红利，得先有新芯片顺利进机房才能兑现。机房总电量一旦锁死，供电和散热改造的难度，可能让这 2 倍也缩水。

可就算这样，每年约 6 倍仍是个不小的数目。推下来，结论并不含糊：

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那部分算力。把镜头拉到整个 AI 的运转上，电量锁死之后，另一场争夺马上就会开打。

04 Token 限额时代来了

以前算力不够，办法是去圈地建新机房。极端场景下，锅里就这么多电，分给训练的每一度，都得从推理、智能体和后训练那里抠出来。

全市场的算力盘子，其实早就往推理那头偏了。德勤给出的预测是：推理在全部 AI 算力中的占比，2023 年大约三分之一，2025 年约一半，2026 年预计能到约三分之二。

推理与训练在全部 AI 算力中的占比变化｜图片来源：极客公园

AI 实验室内部的算力结构同样在挪。SemiAnalysis 把 OpenAI 和 Anthropic 的算力合在一起估算：2024 年初，预训练占 67%，后训练和强化学习只有约 5%，推理约 29%。之后预训练占比一季比一季低，二季度 63%，三季度 57%，2025 年落到五成多；后训练那头则一路往上，最新估计两者已经不相上下。也有研究者提醒一句：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。推理模型开口之前要先铺一长串思维链，用户看不见，可每一步都在耗电。Gartner 的数据是：智能体做完一项任务烧掉的 token，是普通聊天的 5 到 30 倍。

高盛则预测，2026 到 2030 年，全球 token 的总消耗量会涨 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份固定的电量里，每家实验室面前都是同一道选择题：每一兆瓦，是拿去训下一代更大的模型，还是拿去服务眼下这批用户和智能体。

想凑几十万块卡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得往后拖。

加电这条路一旦被堵死，接下来要问的就是：电和算力都定死的情况下，AI 还想往前走，还能往哪儿走。

05 四条「补充路线」

极端场景一压上来，那些过去因为「反正能加卡」而没人搭理省电技术，会翻身变成主流方案：

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，想扩容只剩一条路：把旧芯片换成能效更高的新芯片。

英伟达眼下主推的指标，就是「每个全口径电力兆瓦每秒输出的 token」，分母把园区全部用电都算了进去，散热和网络也在里头。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，卡多卡少反倒次要。

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 最高能到 30 倍。独立测试的结果也差不多：CoreWeave 实测，在同一 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 下半年才量产，多数客户要等到 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。

暂停令普遍盯上的是动辄数百兆瓦的大型数据中心。于是一个很自然的绕法就出来了：把训练任务拆开，分到不同地区的中小机房里去。政策压力会直接转化成对分布式训练的技术需求。

这条路巨头们已经在试。谷歌讲过，Gemini 是在多个地点的集群上同步训练的；微软把威斯康星和佐治亚的机房连到了一起；CoreWeave 与谷歌云也宣布了跨云训练。谷歌的 DiLoCo 研究显示，训练可以放在普通网络连接的远程设施之间跑，还能扛住硬件故障。

难度也不小。DiLoCo 的作者自己承认，这项技术眼下只能给超大集群打补丁，替代不了。2026 年的一项仿真研究发现，机房之间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，大量算力就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重，极端情况下也最先被卡。数个 GW 的集群建不起来，工程师的精力就会挪到对集群规模没那么挑剔的后训练、强化学习，以及混合专家模型、低精度计算这类架构改进上。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。

2026 年做小模型，蒸馏已是最普遍的路子。小模型量化后能在手机 NPU 上直接跑结构化任务，参数量不到 10 亿的，速度大概每秒 12 到 15 个 token。混合模式的应用也在变多：大部分请求先由本地小模型接住，只有少数难处理的才交给云端大模型。

06 约束之下，机会在哪

卡住的是美国本土的电力供应，这是极端场景下的症结。可对另外两类玩家而言，这道约束反倒开了一扇窗：一类是多年在效率路线上深耕的模型公司，另一类是想进场的 AI 创业者。

先看前沿模型和追赶者差多远。Epoch AI 今年 5 月的测算显示，最强开源模型平均比闭源前沿落后约 4 个月，差距大致相当于 GPT-5 和 GPT-5.5 之间。以往前沿实验室每年靠十几倍的有效算力增长，把代差越拉越大；到了极端情景，这一增速降到约 6 倍，新代差更难拉开，追赶者要跑的距离也就短了。

效率路线上的先行者同样值得看。DeepSeek、Qwen、Kimi、GLM、MiniMax 这些中国模型公司，一向以开源、低成本、混合专家架构打底，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 年底还在约 1.2%，2025 年已逼近 30%；到 2026 年，多家统计给出的数字落在五到六成之间。

a16z 合伙人 Martin Casado 还估算过，用开源技术栈的创业公司中，约八成在跑中国模型。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中，可趋势摆在那里：

整个行业都得回答「每度电能产出多少智能」，长期钻研这道题的团队，积累下的经验会更吃香。