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

多名知情人士向外媒透露，这场碰头要议的是 2027 年数据中心容量预期是否推倒重设。会上没谈出结论，但着急的情绪已经很明显。

得州前州长 Abbott 从 8 月起就冻住了数据中心的并网许可和空气许可，要求审计做到年底；新当选州长 Gina Hinojosa 许诺，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，而议会会期要拖到 2027 年 5 月才收尾。近几个月，美国各地大型数据中心项目接连被按住暂停键。

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 则打算上任后直接签行政令，全州新建项目先停再说。

Tokenpost 的统计显示，7 月到 11 月 4 日这段时间，全美至少 21 个大型数据中心项目被取消，离 2025 年全年的 23 个已经不远。Anthropic 10 月 26 日提交的招股书同样把暂停令列为风险因素：部分辖区正在酝酿或已经放行暂停令，它依赖的算力设施可能因此延期甚至落空；反对数据中心的声音还在不同辖区之间串成了组织。

把这种势头推到极限去想：假如美国规划中的数据中心一个都建不成，眼下的 AI 和往后的 AI 会怎样？

01

算力增长上限被削去 50%

为了把推演范围框清楚，先设一个极端场景，底下压着三条假设：

1，全美所有尚未动工的规划项目全部冻结，等于把眼下大约 41% 的暂停面扩到全国；

2，已经在建的项目一律按期完工，这与德州等地暂停令只卡新审批的路子对得上；

3，芯片供应不受影响，真正卡脖子的只有电和地。推演只限美国本土，算力外迁暂不讨论。

这么一来，被摁住的算力有多大？Newmark 估算美国数据中心眼下用电约 60GW，这个口径涵盖全部数据中心，不只 AI。在建容量各家说法不一：Cleanview 约 57GW，Wood Mackenzie 约 80GW，DCMap 8 月统计约 90GW。这些项目在情景里照常建成，也就是未来几年美国算力的全部增量。

真正的大头在「规划中、未开工」那一块。DCMap 8 月统计为 228GW，Wood Mackenzie 给出的累计管线超过 430GW，稳妥起见取 230 到 340GW 的区间。

照此粗算，极端情景下美国数据中心总容量到 2028 年前后会停在约 120 到 150GW，约为今天的 2 到 2.5 倍，之后就不再往上走。对照来看，Synergy 早前预测美国容量到 2029 年翻倍；要是管线里的规划全部落地，这个数本该是今天的 5 倍以上。极端场景砍掉的，正是翻倍之后的那一大截。

换成芯片来看更直接。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 这类实际园区，约每 GW 27 万块。两三百 GW 的规划一旦冻结，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

这个情景够极端，却不算荒唐。Cleanview 测算，新州长承诺暂停的那些州，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 里近一半的冻结，现实里已经有政策承诺垫底。2024 年以来被取消的 69 个大型项目里，33 个主要栽在当地反对上。参议员桑德斯还提了全国性暂停法案，虽然过关的希望不大。

有一点得说实话：目前规划数字里的水分不小。德州电网 ERCOT 的大负荷排队约 474GW、约 1800 个项目，差不多是该电网峰值负荷的五倍，多数是占位性质的投机申报。所以极端场景实际砍掉的有效算力，会低于账面数字。但即便挤掉水分，这依然是一脚算力供给的急刹车。

这一脚「算力刹车」踩下去，AI 会受到什么影响？

02

眼下的节奏不变，下一代 AI 被绊住

假设极端情景明天就落地，用户在一两年内其实察觉不到异样。2027 年之前的前沿模型，训练照旧、迭代照旧。

原因是撑起这一代模型的训练基地，要么已经建成，要么接近完工。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；排第二的是 xAI 的 Colossus 2，946MW。OpenAI 在德州 Abilene 的园区规划 1.2GW，8 栋楼里 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

真正被卡住的，是计划 2028 到 2030 年登场、得靠数个 GW 才喂得饱的下一代模型。

Epoch AI 给出的数字是，前沿训练的用电需求如今每年涨 2.2 到 2.9 倍，当下前沿训练已经越过 100MW。照 Epoch 的预计，未来一年会有多个园区迈过 1GW 的门槛；再过大约两年，最大规模的训练可能要动用约 250 万块 H100 等效算力；顺着这个势头推到 2030 年，单次最大训练需要 4 到 16GW。

对比一下，今天最大的园区才刚过 1GW。Epoch 还提到一层关系：园区建多大，模型最多就训多大，数据中心的容量其实就是训练规模的天花板。

可那些盯着 2028 年之后的超级工程，已经有不少撞了墙。

OpenAI 的 Stargate 目标是在 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，位置集中在得州、新墨西哥和俄亥俄这几个暂停州。

具体来看，Abilene 旁边原定的扩建已经放弃；新墨西哥州 Doña Ana 那个规划 2.45GW 的 Project Jupiter，今年 3 月被州土地办公室否决了供气管道；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，躲过这一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

疑问也就跟着来了：下一代训练的算力基地搁浅之后，AI 的进步会慢多少？

03

降速，但不会停摆

要回答这个问题，得把算力增长拆开来看。

Epoch AI 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。两个数字之间约 2 倍的差距，主要来自芯片能效的提升，也就是同样的电可以换来更多算力。

硬件之外，算法也在帮忙。通常的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 后来把后训练也纳入进来，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。

现在可以粗略推一推。

正常年份里，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），算下来大约每年 12 到 15 倍。

2028 年之后，新增电力归零，物理算力增长中最大的一根支柱就此被抽走。能剩下的只有芯片换代带来的能效提升，每年约 2 倍。情景 A 就是这副模样。把这个 2 倍再乘上算法的 3 倍，「有效算力」的年增速便从 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。两种口径算下来，电力一冻结，有效算力增速都会掉到原来的四成到一半左右。算法进步再快，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

这里还藏着一个隐患。芯片能效的红利有个前提，新芯片得顺利装进机房。机房总电量锁死之后，供电和散热改造的难度，可能让这 2 倍也打折扣。

即便如此，每年约 6 倍仍是个可观的数字。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那一块的算力。把视野放到整个 AI 的运转上，电量锁死之后，另一场争夺会立刻开始。

04

Token 限额时代来了

过去算力不够，圈地建新机房就是了。极端场景下，盘子里的电就这么多，分给训练的每一度电，都得从推理、智能体和后训练那里挤出来。

推理如今已经吃掉了AI算力的大头。德勤给出的预测是：2023年推理约占全部AI算力的三分之一，2025年约一半，到2026年预计会升到约三分之二。

推理和训练在整体AI算力中的占比走势｜图片来源：极客公园

实验室内部的算力结构同样在挪动。SemiAnalysis 把 OpenAI 与 Anthropic 的算力合在一起估算：2024 年初，预训练占到 67%，后训练和强化学习加起来只有约 5%，推理约 29%。之后预训练的份额一个季度比一个季度低——二季度 63%，三季度 57%，2025 年掉到五成多；后训练的占比则一路往上走，按最新估计，两者已经不相上下。也有研究者提醒，这只是比例在变，实验室的总算力翻了很多倍，预训练的绝对量未必就少了。

产品形态带来的压力更大。推理模型在给出答案之前会先生成长长的思维链，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 消耗的增长情况｜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，还是拿去服务现有的用户和智能体。

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。

加电这条路既然被堵死，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」

极端场景一压上来，那些过去因为「反正能加卡」而没人当回事的省电技术，就有机会变成主流方案：

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，成了唯一的扩容办法。

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」，分母算的是整个园区的用电，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，在智能体场景下对比 GB300 最高能到 30 倍。独立测试的结果也差不多：CoreWeave 实测，在同样的 DeepSeek R1 负荷、相同的交互速度下，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。

暂停令普遍盯上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，分散到不同地区的中小机房去。政策压力会直接转化成对分布式训练的技术需求。

巨头们已经在试了。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 与谷歌云也宣布了跨云训练。谷歌的 DiLoCo 研究表明，训练可以放在普通网络连接的远程设施之间进行，还能容忍硬件故障。

难度并不小。DiLoCo 的作者自己也承认，这项技术眼下只能给超大集群做补充，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，大量算力就耗在等数据上空转。

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深，极端情况下会最先受限。数个 GW 的集群建不起来，工程师就会把精力挪到对集群规模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。

到 2026 年，做小模型最常用的路子已经是蒸馏。量化之后，这些小模型可以直接在手机 NPU 上跑结构化任务；参数量不到 10 亿的，速度大概在每秒 12 到 15 个 token。混合模式的应用也多起来了：大多数请求先交给本地小模型，只有少数难处理的才送到云端大模型。

06

约束之下同样藏着机会。

极端情景压住的是美国本土的电力供应。换到另外两类玩家身上，这道约束反倒成了窗口：一类是早就在效率路线上攒了多年家底的模型公司，另一类是准备入场的 AI 创业者。

先看前沿模型和追赶者之间差多远。Epoch AI 今年 5 月的测算显示，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 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，这个增速掉到约 6 倍，新代差更难拉开，追赶者要补的距离也就变短了。

再看效率路线上跑在前面的公司。DeepSeek、Qwen、Kimi、GLM、MiniMax 等中国模型厂商，长处一直落在开源、低成本和混合专家架构上，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，约八成跑的是中国模型。OpenRouter 毕竟只是一个平台，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。长期在这道题上打磨的团队，手里的经验会更值钱。