美国数据中心建设受阻，AI算力增长会被砍掉多少

2026 年 11 月 4 日，美国中期选举结果出炉。第二天上午，OpenAI 的高管们聚到了一起。

据外媒引述知情人士的说法，他们商量的是 2027 年的数据中心容量预期要不要重新设定。会开完了也没拍板，可焦虑已经摆在明面上。

最近几个月，美国各地的大型数据中心项目一个接一个停了工。得州前任州长 Abbott 从 8 月起就冻结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 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：新项目得承担全部电力成本，还只能建在旧工业用地上。佐治亚新州长 Keisha Lance Bottoms 则打算上任后直接签行政令，全州新建项目暂停。

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，已经接近 2025 年全年的 23 个。Anthropic 在 10 月 26 日提交的招股书里，同样把暂停令列进了风险因素：一些辖区正在考虑或已经批准暂停令，它依赖的算力设施可能因此推迟或搁置；反对数据中心的声音，正在跨辖区变得更有组织。

要是把這種趋势推到极端，设想这样一个场景：美国所有规划中的数据中心都建不成，对当下和未来的 AI 意味着什么？

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？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。

按这个口径粗算，如果走极端情景，美国数据中心的总容量到 2028 年前后会卡在 120 到 150GW 上下，差不多是当前水平的 2 到 2.5 倍，之后就持平了。做个对比：Synergy 早先给出的判断是美国容量 2029 年翻番；要是把管线里的规划全部算上，本该是眼下 5 倍都不止。极端情景去掉的，正是翻番之后那一大块增量。

换成芯片来看更直观。1GW 电力大致能带起数十万块 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。

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，却不荒谬。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，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。参议员桑德斯还提过全国性暂停法案，虽然通过的可能性很小。

话说回来，眼下规划里的数字掺水不少。德州电网 ERCOT 的大负荷排队规模约 474GW，涉及约 1800 个项目，差不多是该电网峰值负荷的 5 倍，其中多数属于占位性质的投机申报。这样一看，极端场景真正砍掉的有效算力会比账面上的数字小。但即便把水分挤干，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，AI 会受到什么影响？

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

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。

根据 Epoch AI 的统计，前沿训练需要的电力每年涨 2.2 到 2.9 倍，眼下已突破 100MW。按 Epoch 的预计，一年内会有多个园区迈过 1GW 门槛；再过两年左右，最大规模训练可能动用约 250 万块 H100 等效算力。顺着这条线走到 2030 年，单次最大训练要吃下 4 到 16GW。

拿今天做对照，最大的园区才刚超过 1GW。Epoch 同时点明，训练规模的天花板其实就是数据中心容量：园区能建多大，模型就最多能训多大。

瞄准 2028 年之后的那批超级工程，已有不少碰了壁。

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，且集中在得州、新墨西哥、俄亥俄这三个暂停州。

具体来看：Abilene 旁边原定的扩建已经放弃；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，4 月的卫星图像里仍看不到大规模施工。

Meta 在俄亥俄那个约 1GW 的 Prometheus 园区同样没躲过，只有路易斯安那州目标 5GW 的 Hyperion 避开了这轮暂停。

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

问题随之而来：下一代训练的算力基地一旦搁浅，AI 前进的脚步会慢多少？

03 降速，但不会停摆

要回答这一点，得先把算力增长拆成几块看。

Epoch AI 的统计显示，2020 年以来前沿语言模型的训练算力每年约涨 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，大头来自芯片能效进步——每瓦电能换来的算力更多了。

硬件之外，算法同样在出力。通常按算法效率每年提升约 3 倍来算（Ho 等人 2024 年的研究给的是约 2.7 倍）。Epoch 后来把后训练也计入，估到每年约 10 倍，但区间从 2 倍到 50 倍都有，这里取更保守的 3 倍。

有了这些数，可以做个粗略推算。

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），合起来每年 12 到 15 倍。

情景 A 里，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

若换成 Epoch 更乐观的算法口径（每年约 10 倍），正常情况有效算力增速是每年 40 到 50 倍，情景 A 下约 20 倍。两种算法下，电力冻结都会把有效算力增速砍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

还有个隐患：芯片能效的红利，得建立在新芯片能顺利进机房的前提上。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。

即便打了折扣，每年约 6 倍仍是不小的数。推演到这一步，结论已经清楚：

极端场景下，AI 会明显减速，但不会停摆。

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

04 Token 限额时代来了

以前算力不够，圈地建新机房就行。极端场景下，盘里的电就这么多，分给训练的每一度，都得从推理、智能体和后训练那里挤出来。

全市场的算力重心早就挪到了推理上。德勤的预测给出了一条曲线：推理在全部 AI 算力中的占比，2023 年约为三分之一，2025 年约一半，2026 年预计会到约三分之二。

推理和训练在全部 AI 算力里各占多少，变化趋势见图｜图片来源：极客公园

AI 实验室内部的账本也在改。SemiAnalysis 把 OpenAI 和 Anthropic 的算力合起来估算，2024 年初，预训练占 67%，后训练和强化学习加起来只有约 5%，推理约 29%。之后预训练占比一个季度一个台阶往下走：二季度 63%，三季度 57%，2025 年掉到五成多。后训练那头则一路往上爬，最新估计两者已经差不多持平。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。

真正的压力还来自产品形态。推理模型在开口回答之前，先要生成一长串思维链，用户看不见，可每一步都在耗电。Gartner 的数据摆在那里：智能体干完一项任务烧掉的 token，是普通聊天的 5 到 30 倍。

高盛则预测，2026 到 2030 年，全球 token 总消耗会增长 24 倍。

智能体和 token 消耗怎么涨的｜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，每家实验室都躲不开同一道选择题：每一兆瓦，是拿去训练下一代更大的模型，还是拿去服务眼下的用户和智能体。

想调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。

加电这条路一旦堵死，接下来要问的就是：电量和算力都固定住，AI 还能往哪儿走。

05 四条「补充路线」

极端场景一压，那些过去没人当回事的省电技术——理由是「反正能加卡」——会摇身变成主流方案：

硬件的考核指标，换成「每瓦电能产出多少 token」。

机房电量封死之后，拿能效更高的新芯片替掉旧芯片，成了唯一还能扩容的手段。

英伟达眼下最看重的指标，就是「每个全口径电力兆瓦每秒输出的 token」，分母算的是整个园区的用电，散热、网络都在里面。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。

按英伟达自己的说法，Vera Rubin 的每瓦性能是 Blackwell 的 10 倍，放到智能体场景里对比 GB300 最高能到 30 倍。独立测试的结果也差不多：CoreWeave 实测，同样跑 DeepSeek R1 负荷、交互速度相同，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。

暂停令盯上的，普遍是动辄数百兆瓦的大型数据中心。绕行的思路很自然：把训练任务拆开，分到不同地区的中小机房去。政策压力就这样直接变成了对分布式训练的技术需求。

巨头们已经动手试了。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 与谷歌云宣布了跨云训练。谷歌的 DiLoCo 研究还表明，训练可以在普通网络连接的远程设施之间跑，硬件出故障也扛得住。

可这条路不好走。DiLoCo 的作者自己也承认，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，大量算力干等着数据，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，极端情况下也最先受限。数个 GW 的集群建不起来，工程师就会把精力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、低精度计算这些架构改进上。Cursor 就公开说过，其 Composer 1.5 模型在后训练上投的算力，已经超过了预训练。

端侧和小模型给云端分流。

结构化任务交给手机 NPU 处理，对量化后的小模型来说已经不成问题，10 亿参数以下的模型速度大约在每秒 12 到 15 个 token。蒸馏这套做法到 2026 年仍是小模型的主流路线。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，剩下少数复杂请求再送到云端大模型。

06 约束之下的机会

美国本土的电力，是极端场景下真正被卡住的地方。可对另外两类玩家而言，这道约束反倒开了一扇窗：一类是已在效率路线上深耕多年的模型公司，另一类是想入场的 AI 创业者。先说前沿与追赶者之间的距离。Epoch AI 今年 5 月的测算显示，最强的开源模型平均落后闭源前沿约 4 个月，大致相当于 GPT-5 和 GPT-5.5 之间的水平差。以往，前沿实验室靠每年十几倍的有效算力增长，把代差越拉越大；到了极端情景下，这个增速降到约 6 倍，新的代差更难建起来，追赶者要追的路也就短了。

效率路线上的先行者同样值得看。DeepSeek、Qwen、Kimi、GLM、MiniMax 等中国模型公司，一向以开源、低成本和混合专家架构见长，这条路线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的 token 占比，从 2024 年底的约 1.2% 升到 2025 年的近 30%；到了 2026 年，多家统计给出的数字在五到六成之间。

a16z 合伙人 Martin Casado 还估算过，用开源技术栈的创业公司里，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，可趋势已经很清楚：整个行业都得回答「每度电能产出多少智能」这道题，长期在这道题上下过功夫的团队，手里的经验会更值钱。