AI数据中心扩张遇阻：电力、散热与供应链谁先卡住？

一台冰箱大小的服务器机柜，比一辆皮卡还重。到2027年，它的峰值功率会赶上65户人家同时开灯用电。要让它不烧毁，单个机柜排出的热量得顶30台燃气锅炉。

国际能源署（IEA）在2026年4月的报告里描述的就是这种下一代AI数据中心，看上去像科幻，其实已在落地。报告还给出另一组数字：2025年五家科技巨头的资本开支超过4000亿美元，2026年预计再涨75%。这笔钱已经高过全球油气开采的年度投资总额。过去两年，「算力的尽头是电力」被行业反复提起。这说法没错，但只讲对了一半。电是必要条件不假，真正拖住AI扩张的，常常不是「有没有电」，而是一整条链——发电、电网、变压器、散热、存储、封装、资本，一环扣一环，每一环的建设节奏又完全不同。

想看清这条链，不妨先把「GPU军备竞赛」「电力焦虑」这些现成说法放一边，回到最基本的物理事实，把账从头算一遍。

智能是怎么被「烧」出来的？

剥掉商业包装，从物理层面看，AI干的事无非是：把电能送进晶体管，驱动比特翻转，跑完矩阵乘法，最后吐出Token。

照这个拆法，一国也好，一家公司也罢，究竟能拿出多少「有效智能」，大体可归为四个因子相乘：可用电力×硬件能效（每焦耳能完成多少次运算）×算法效率（每次运算能换来多少有用的Token）×利用率（机器真正在干活的时间占比）。

这个公式谈不上精确，好处在于每个因子都对应一层具体设施。电力那头是发电厂和电网，硬件能效落在芯片、内存、封装和互联上，算法效率看模型架构和推理软件，利用率则取决于调度系统、散热和供电稳不稳。

四个因子里任何一个掉链子，另外三个再强也会被拖住。AI基础设施的瓶颈因此一直在「搬家」：前两年是GPU买不到，之后是先进封装和高带宽内存排不上产能，如今轮到了变压器、燃气轮机和并网排队。

先看两个物理事实。

一条是能量守恒。数据中心吃进去的电，除了极少部分变成光信号和机械振动，几乎全变成了热。换句话说，「供电」和「散热」是同一个问题的两面：往机柜里送进多少千瓦，就得从机柜里搬走多少千瓦的热。下文会提到，机柜功率密度一路飙升，正同时压垮传统的配电和风冷体系。

另一条是「搬数据比算数据贵」。芯片设计领域有一组经典测算：45nm工艺下，一次32位浮点加法大约耗0.9皮焦，而从片外DRAM读取同样长度的数据要花数百皮焦，差了两到三个数量级。

工艺进步后绝对值变了，量级关系却没根本改变。现代AI芯片的能耗大头，往往不在「算」，而在「搬」。从高带宽内存（HBM）、CoWoS先进封装，到NVLink高速互联、共封装光学和「超节点」，这几年几乎所有硬件创新都在干同一件事：把数据要走的距离缩短。

那物理极限在哪？按朗道尔原理，室温下擦除一个比特的最低能耗约为3×10⁻²¹焦耳。以英伟达Rubin GPU为例，单封装约50 PFLOPS的FP4推理算力、约2千瓦级功耗，粗略折算每次FP4运算在几十飞焦量级。就算把一次运算拆成上百次比特操作，今天的芯片离理论下限仍差着多个数量级（粗略估算，仅作量级参考）。

香港天風國際證券分析師郭明錤的推文

所以，AI的能耗问题不是「撞上了物理墙」，而是工程、供应链和制度上的事。这个判断很关键，它决定了该往哪儿看——真正的约束藏在工厂排期表、电网规划和地方议会的会议记录里。

需求：效率每年提升十倍，为什么电反而越用越多？

再看账本的另一端：需求。

IEA最新测算显示，2025年全球数据中心用电量增长17%，其中以AI为主的数据中心用电暴增50%，同期全球总用电量只涨了3%。按其基准情景，数据中心用电会从2025年的485太瓦时翻倍到2030年的950太瓦时，约占全球用电的3%；AI专用数据中心的用电则在同一时期涨到原来的三倍。

吊诡的是，同一份报告也指出，按单次任务算，AI的能效提升速度在能源史上前所未有。软硬件进步之下，每项AI任务的能耗这几年每年至少降一个数量级。

效率狂飙，总量也狂涨，这是典型的杰文斯悖论。IEA把它拆成三股同时加速的力量：效率提升、使用量激增，以及能力跃迁解锁的新用例。

换成视频生成、推理模型和智能体任务，一次请求耗掉的电，可能是简单文本生成的数百到数千倍。AI过去只是「回答一个问题」，如今要「花半小时替你完成一件事」，每次交互的算力开销自然就不在一个量级上了。

训练这一头同样在膨胀。据研究机构Epoch AI统计，自2020年以来前沿模型的训练算力每年约涨4到5倍；把硬件能效提升和训练时长拉长这两项影响扣掉，单次前沿训练所需的功率仍以每年约2.2倍的速度往上走，眼下最大规模的训练已经超过100兆瓦。照这个势头延续下去，到2030年单次训练可能要4到16吉瓦。

全球 AI 芯片存量所对应的总算力，按 Epoch 的另一项追踪数据，正以每年约 3.4 倍的幅度扩张。

推理侧的情况，中国的数据提供了另一个观察角度。国家数据局副局长余英在 2026 年 5 月透露，到 3 月底为止，中国每天调用的 Token 数量已经超过 140 万亿，比 2024 年底涨了千倍以上；而 2024 年初，这个数字还只有约 1000 亿。供给端也在同步铺开，截至 2026 年 7 月底，全国智能算力总规模达到 245 万 PFLOPS。

3% 的全球占比单看并不算高，可压力恰恰出在集中度上。IEA 在 2025 年的报告里做过测算：到 2030 年，美国数据中心拉动的用电增量将接近全美用电增长的一半，数据中心自身的耗电量会超过铝、钢铁、水泥、化工这些高耗能行业加在一起的总和。

电：需求按季度往上调，电网却按十年做规划

若只问一句「全球电力够不够」，答案是有。真正的麻烦在速度。

AI 数据中心盖得越来越快。Epoch AI 观察到，吉瓦级的数据中心大概两年就能建好；IEA 给出的时间是两到三年。电力系统却是另一套节奏：美国大型电力变压器的交付周期最长已经拖到四年，燃气轮机交货要三年以上，新建核电更是以十年为单位计算。

芯片一年一迭代，数据中心两年建成，电网十年才规划一轮——AI 基础设施最深的矛盾，就是这三种时钟对不上。IEA 报告的原话是：AI 革命的速度，与支撑它的物理、社会和经济系统的速度之间，反差正越来越大。

燃气轮机把这种错配摆得最清楚。2025 年全球燃气轮机订单猛增 70%。行业龙头 GE Vernova 在 2026 年第二季度财报中披露，其燃气设备的在手订单加产能预留已达 116 吉瓦，年底预计至少到 125 吉瓦；可它的年产能要等到 2026 年第三季度才爬到 20 吉瓦，2028 年到 24 吉瓦，2030 年再往 30 吉瓦推。

拿积压量一除，现有订单差不多等于近六年的产量。大型机组排期都到 2028 年以后了，部分开发商只好转往复式内燃机组这类「次优解」。

变压器的情形更耐人寻味。它在数据中心总成本里占的份额很小，却可能卡住整个项目能不能按期通电。普华永道的分析师估计，美国大型电力变压器交付周期最长四年；再往上游看，变压器铁芯要用的取向硅钢，美国本土只有克利夫兰-克里夫斯（Cleveland-Cliffs）一家在生产。这条供应链原本是按「负荷二十年基本不增长」的规模建起来的，现在突然要伺候一个每季度都在上调预期的客户。彭博社报道称，美国原计划 2026 年投运的约 12 吉瓦数据中心容量里，只有约三分之一真正进入了施工阶段。

并网排队排不上，美国开发商普遍选了自己供电。IEA 的卫星追踪显示，美国一批数据中心现场燃气发电项目里，约五分之一已经动工清场或开建；到 2030 年，现场燃气有望给数据中心供上 15 到 27 吉瓦电力。不过这条路代价不低：AI 负载起伏剧烈，现场燃气若要稳定供电，装机能力得比实际需求超出 30% 到 70%。

核电押的是更远的未来。微软与 Constellation 签了 20 年购电协议，重启三里岛 1 号机组（现已更名为 Crane 清洁能源中心），最早 2027 年恢复发电；Meta 也和 Constellation 签约，从 2027 年年中起采购 Clinton 核电站 1.1 吉瓦电力；亚马逊与 Talen 扩大协议，锁定最高 1.9 吉瓦核电。第三方追踪的数据显示，几大云厂商签下的核电相关协议合计约 9.8 吉瓦。

但 IEA 提醒，首批小型模块化反应堆（SMR）预计要到 2030 年前后才能投运。说白了，核电解决的是 2030 年代的事，不是眼下的问题。

电力缺口最后会从价格上体现出来。美国最大的电力市场 PJM 覆盖 13 个州和华盛顿特区，容量市场出清价格从 2024/25 交付年度的每兆瓦·日 28.92 美元，一路跳到 2026/27 年度的 329.17 美元。PJM 的独立市场监测机构估算，2025 年 12 月那轮拍卖总成本 164 亿美元，其中约 40% 是数据中心负荷推上去的。到 2026 年 7 月针对 2028/29 年度的拍卖，价格已经连续第三次触及上限。电，正从工程问题变成民生和政治问题。

热与密度：机柜快变成一座小型电站

电网算 AI 基础设施的「外部约束」，而机柜内部正在出现的变化，是另一场不太声张的变革。

还是回到第一节那个物理事实：数据搬运的距离要缩短，GPU 就得尽量挤在一起，拼成更大的高速互联域。互联域越大，单个机柜里塞的芯片越多，功率密度自然越高。这条物理逻辑几乎没留下退路。

具体看数字。据行业梳理，Hopper 时代的机柜功率大约 40 千瓦，到 Blackwell 时代升到 120 至 140 千瓦。天风国际分析师郭明錤的供应链调查显示，英伟达即将放量的 Vera Rubin NVL72 机柜有两档功率配置，整柜功耗分别约 190 千瓦和 230 千瓦，都明显高过 GB300 NVL72 的约 140 千瓦；2027 年的 Rubin Ultra「Kyber」机柜，业内普遍预期会达到约 600 千瓦。IEA 的统计则是，2020 至 2025 年间 AI 服务器功率密度提高了 11 倍，到 2027 年还要再翻两番。

英伟达官方博客在描述 Vera Rubin NVL72 时，读起来更像在介绍一台工业设备，而不是一台电脑：整柜集成约 130 万个元件、近 1300 颗芯片，重约 4000 磅，差不多是一辆皮卡的分量。

密度这么往上冲，供电和散热两套体系正被同时击穿。

供电这一侧，郭明錤的判断是：机柜功率一旦逼近 200 千瓦，传统 54 伏配电在母排、线缆空间和转换效率上就会撞上硬约束，Vera Rubin NVL72 因此可能是 Oberon 机柜架构的最后一代。道理不复杂，传输功率等于电压乘以电流，线路损耗跟电流的平方成正比，把电压提上去，就能用更细的铜走更多的电。业界因此转向 800 伏高压直流配电；IEA 也注意到，AI 数据中心正在沿着电动车和新能源行业的技术路径走向高压直流。

散热这一侧，几百千瓦的热量早已超出风冷能承受的范围，全液冷正从可选项变成默认项。

还有一个容易被忽略的新麻烦：负载波动。IEA 发现，AI 数据中心的服务器负载会在一秒之内反复摆动，幅度超过额定容量的 50%。成千上万颗 GPU 在训练的计算阶段和通信阶段之间同步切换，对电网来说，就像一个巨型开关在不停拨动。储能因此正成为 AI 数据中心的标配。预计到 2030 年，全球数据中心内部可能装有 20 到 25 吉瓦电池储能；如果激励得当，这些电池反而能变成电网的调节资源。

有个细节颇能说明问题：郭明錤披露，Vera Rubin 提供「Max Q」和「Max P」两档功率配置，用来适应不同数据中心的电力条件。芯片规格开始向机房的电力现实妥协，这在过去很少见。数据中心正从「装服务器的房子」变成一种电力电子设备，芯片公司也不得不同时干起电力工程的活。

芯：瓶颈为什么从 GPU 挪到了内存和封装

视线回到机柜内部。过去两年最反直觉的现象之一，是 AI 芯片最紧缺的部分往往并不是计算核心。

原因还是那句「搬数据比算数据贵」。大模型推理，尤其是逐个生成 Token 的解码阶段，瓶颈通常在于能以多快的速度把模型权重和上下文缓存从内存里搬出来，这就是所谓的「内存墙」。

解法是把 DRAM 芯片垂直堆叠成 HBM，再用 CoWoS 这类先进封装把它和 GPU 放在同一块中介层上，让数据路径从厘米级缩短到毫米级。

代价是整条存储产业被拖进短缺。IEA 在 2026 年 4 月的报告中指出，HBM 短缺在此前半年间迅速形成，预计至少延续到 2027 年底。SK 海力士早在 2025 年 10 月就表示，其 2026 年全部产能已被订满；市场研究机构集邦咨询（TrendForce）在 2026 年初预计，一季度 DRAM 平均价格将环比上涨 50% 到 55%。同样的晶圆产能用来生产 HBM，换来的比特数远少于普通内存，AI 对 HBM 的需求于是直接挤压了手机和 PC 的内存供给。IDC 的分析称，内存约占中端手机物料成本的 15% 到 20%，这场「战略性的晶圆再分配」正让消费电子行业多年来的规格下放趋势出现逆转。

先进封装是另一个卡点。据估算，台积电 CoWoS 月产能将在 2026 年底达到约 13 万片，2028 年有望翻倍至约 26 万片；而 2024 年底这一数字只有约 3.5 万片。

即便两年扩产近四倍，产能依然被订满。摩根士丹利估计，英伟达占据了约六成 CoWoS 产能。郭明錤估算，仅 Rubin 一个平台在 2026 年就需要 30 万到 35 万片 CoWoS 晶圆。

从第一性原理看，这一转移是必然的。摩尔定律放缓之后，单颗芯片的晶体管密度越来越难提升，性能增长越来越多地来自「把更多的硅和内存塞进一个封装，再把更多封装连成一个互联域」。制造瓶颈于是从光刻前道，转到了存储堆叠和先进封装这些曾经的「后道工序」。下一步，台积电正在推进更大面积的面板级封装 CoPoS，光互联也在从机柜之间走向芯片封装旁边。每一步，依然是在缩短距离。

钱：一年 7000 亿美元，谁在付账？

把电、热、芯串到一起的，是资本。

各家机构算出来的账在细节上有点出入，但指向同一个趋势：亚马逊、Alphabet、微软、Meta 这四家 2026 年的资本开支加在一起，逼近 7000 亿美元。IEA 的看法是，数据中心投资的规模已经超出公司资产负债表能独自承担的范围，得靠资本市场大量融资来填补；换句话说，AI 用电需求涨得快还是慢，会直接牵动市场情绪、投资回报预期以及宏观融资环境。

现金流的紧张已经露头。据 CNBC 报道，Alphabet 2026 年上半年资本开支达 980 亿美元，同比增长 111%，第二季度自由现金流第一次变成负数；分析师判断，微软的自由现金流到第四季度也会转负。

真正要问的是，纸上写的「吉瓦」里，究竟有多少电已经实实在在接通了？拿 OpenAI 牵头的「星际之门」（Stargate）计划来说，项目号称投资 5000 亿美元、规划 10 吉瓦，核心站点落在得克萨斯州阿比林。Epoch AI 依据卫星图像做的估算显示，到 2026 年 3 月，阿比林站点跑起来的容量大约 0.3 吉瓦，满载规划为 1.2 吉瓦。另外有报道引用 OpenAI 首席财务官的说法：截至 2025 年底，OpenAI 旗下全部站点加上合作方，有效算力容量合计约 1.9 吉瓦。

「签约」「在建」「通电」是三种完全不同的状态，行业里大多数宏大数字说的是第一种。把这三者混为一谈，既会造出虚假的繁荣，也会造出虚假的崩盘叙事。

还有一个细节能看出电力在成本结构里的分量变了。据报道，阿比林项目开发商 Crusoe 的首席执行官说过，把配套燃气电厂算进去，其数据中心每吉瓦成本约 192 亿美元，而传统并网「电力外壳」每吉瓦只要 90 亿到 110 亿美元，前者差不多是后者的两倍。这个数字如果站得住，那在自建电源的路子上，电力就不再是数据中心的附属开销，而是跟芯片地位相当的一项主要成本。

社会许可：最慢的一个约束

电、热、芯、钱之外，还有一个没法用工程手段直接解决的约束：当地社区愿不愿意。

追踪机构 Data Center Watch 的数据显示，2026 年第一季度，美国至少有 75 个数据中心项目因当地居民反对而搁置或延期，牵涉金额约 1300 亿美元，仅一个季度的规模就和 2025 年全年相当。同一时间段，活跃的反对团体数量从 2025 年底的 396 个涨到 833 个，遍布 49 个州。到了第二季度，又有至少 45 个项目受阻，价值约 680 亿美元，上半年加总接近 2000 亿美元。2026 年头六周，美国各州议会拿出的数据中心相关法案超过 300 项，其中 14 个州出现了要求全州暂停建设的提案。

居民反对的理由五花八门：电费涨了、耗水、吵、占地，还有越来越多「自带电源」项目配套燃气电厂带来的排放。IEA 的研究给出了一个相对中立的看法——在电力供大于求的系统里，稳定的新增负荷反倒能分摊电网固定成本、把电价拉低；可数据中心建得快、负荷不确定、并网容量往往往高了报，在供需吃紧的地区确实可能把电价推上去。

这个约束之所以最慢，是因为订单和资本都加不了速。变压器可以扩产，燃气轮机可以加班生产，信任却只能一个社区一个社区地重建。数据中心能不能从「电网负担」变成「电网资源」——比如配套储能参与需求响应、承担电网升级成本——很可能决定下一轮扩张的上限。

极限外推：把数据中心送上太空？

沿着第一性原理往下想，一个自然的问题就冒出来了：既然卡脖子的是电力、散热和土地，那为什么不挪到太阳永远不落、也没有邻居投诉的地方去？

轨道数据中心的逻辑正在于此。谷歌在 2025 年 11 月公布了「Suncatcher」计划，设想在晨昏太阳同步轨道部署搭载 TPU 的卫星。谷歌称，在合适的轨道上，太阳能电池板的发电效率最高可达地面的 8 倍；据报道，谷歌还在与 SpaceX 洽谈发射合作。

就在昨天，谷歌已经用天上的 TPU 跑通了推理，还写了一首「一首关于身处太空的俳句」。SpaceX 这边，2026 年 1 月向美国联邦通信委员会提出申请，要部署最多 100 万颗数据中心卫星；创业公司 Starcloud 则在 2025 年把一颗 H100 送上了轨道。国内，「三体计算星座」已经把首发 12 颗计算卫星发射入轨，并在轨部署了多个 AI 模型；阿里 Qwen3 经由国星宇航「星算计划」部署到太空计算中心，完成了在轨端到端推理。

可物理规律同样给这条路设了卡。真空里没有对流，热量只能靠辐射散出去，散热面板得做得极大；前沿模型训练要求成千上万颗芯片每一步都同步梯度，对带宽的要求远超眼下星间链路的水平；发射成本依旧是决定性变量，谷歌自己的论文就假设，要等到 2030 年代中期，发射价格才可能压到每公斤 200 美元以下。

更准确地说，太空数据中心回答的或许不是「能源不够」，而是地面「并网太慢」和「社会许可太难」。它提醒人们，AI 基础设施真正稀缺的东西，是能够快速、合法、稳定接入计算的能量。

结语

回到开头那句「算力的尽头是电力」。

从第一性原理出发，更完整的说法应该是：只要 Token 需求的增速跑得比单位能效的提升快，AI 账本上的电力一项就会一直涨；而一个国家或一家公司能跑多快，取决于最慢那一环的速度。

回头看过去三年，瓶颈挪动的轨迹很清楚：先是 GPU 本身，接着是 HBM 和 CoWoS 先进封装，现在是变压器、燃气轮机和并网排队。下一个会是什么？如果资本市场的耐心比基础设施先耗尽，瓶颈可能变成钱；如果社区反对继续蔓延，瓶颈可能变成许可；如果芯片一年一代的迭代还是快过机房三年的建设周期，瓶颈还可能变成「建好的机房装不下下一代芯片」的资产搁浅风险。

没有哪一种单一技术能把问题一次性解决。能确定的是，AI 竞争已经从模型和芯片的比拼，变成一场横跨能源、制造、金融和社会治理的系统工程竞赛。在这场竞赛里，最容易被高估的是单点突破，最容易被低估的是链条上那些不起眼的环节：一台变压器、一片取向硅钢、一纸规划许可。