AI基建真瓶颈：电力之外，变压器和并网也在排队

一台冰箱大小的服务器机柜，分量比一辆皮卡还重；到 2027 年，其峰值功率会顶得上 65 户人家同时开灯用电；为了让机器不烧毁，单是每个机柜排出去的热量，就抵得上 30 台燃气锅炉。

由 ChatGPT 制作中文版，https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary

这番听着像科幻的描写，出自国际能源署（IEA）2026 年 4 月一份报告对下一代 AI 数据中心的刻画。同一份报告还给出另一组数：2025 年五家科技巨头的资本开支合计超过 4000 亿美元，2026 年预计再涨 75%，这个规模已经盖过全球油气开采一年的投资总额。

最近两年，「算力的尽头是电力」被行业里越来越多的人挂在嘴边。话是没错，可也只讲对了一半。电确实缺不得，但真正拖住 AI 扩张脚步的，常常不是「有电没电」这一件事，而是发电、电网、变压器、散热、存储、封装加资本串成的一整条链，以及链上各环节快慢不一的建设节奏。

想把这根链条看清楚，不妨先把「GPU 军备竞赛」「电力焦虑」这类现成说法搁一边，回到最朴素的物理事实，重新把账算一遍。

智能到底是怎么被「烧」出来的？

抛开所有商业包装，单从物理层面讲，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。

按照这个拆法，一国或一家公司能产出的「有效智能」，大致可以写成四个因子相乘：

要想算出实际产出，得把四样东西连乘起来：一是能拿到多少电力，二是硬件每消耗 1 焦耳能跑多少次运算，三是算法效率，也就是一次运算最终能产出多少有用的 Token，四是利用率，即机器真正用于工作的时间占多大比例。

公式谈不上精确，好处在于每个因子都对着某一层具体设施。电力那头是发电厂和电网；硬件能效那头是芯片、内存、封装和互联；算法效率对应模型架构与推理软件；利用率则落在调度系统、散热和供电可靠性上。

哪个因子拖了后腿，另外三个做得再漂亮也得跟着受牵连。也正因如此，AI 基础设施的卡点会不停「搬家」：前两年是 GPU 抢不到，再往后是先进封装和高带宽内存排不上产能，眼下则轮到了变压器、燃气轮机和并网排队。

先看两个物理事实。

头一条是能量守恒。数据中心吃进去的电，除了极少一部分转成光信号和机械振动，几乎全都变成了热。也就是说，「供电」和「散热」本就是一个问题的两面：往机柜里送进多少千瓦，就得从机柜里搬走多少千瓦的热。后面会提到，机柜功率密度一路猛涨，正在同时把传统配电和风冷体系逼到墙角。

第二条是「搬数据比算数据贵」。芯片设计圈有一组经典测算：45nm 工艺下，做一次 32 位浮点加法大约耗 0.9 皮焦，而要从片外 DRAM 读出同样长度的数据，得花掉数百皮焦，两者差了两到三个数量级。

https://harvard-edge.github.io/cs249r_book_dev/vol1/assets/downloads/Machine-Learning-Systems-Vol1.pdf

工艺往前走之后，绝对数值变了，可这个量级上的对比关系并没有根本扭转。换句话说，如今 AI 芯片的能耗大头常常不在「算」，而在「搬」。从高带宽内存（HBM）、CoWoS 先进封装，到 NVLink 高速互联、共封装光学以及「超节点」，这几年几乎每一项硬件创新的内在思路都是同一件事：让数据少走点路。

那物理极限究竟在哪？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

香港天風國際證券分析師郭明錤的推文，https://x.com/mingchikuo/status/2008439734536986852

所以说，AI 的能耗难题并非「一头撞上物理墙」，它更像是工程、供应链和制度层面的事。这个判断分量不轻，因为它决定了目光该往哪儿放：真正的约束，藏在工厂的排期表、电网的规划书和地方议会的会议记录里。

需求这头：效率一年提十倍，电怎么反而越用越多？

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涨了 17%，其中以 AI 为主的数据中心用电猛增 50%，而同期全球总用电量只增长 3%。按其基准情景，数据中心用电会从 2025 年的 485 太瓦时翻番到 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量，同一时期则涨到原来的三倍。

有意思的是，同一份报告还指出，若按单次任务来算，AI 的能效提升速度在能源史上找不到先例。软硬件的进步，让每项 AI 任务的能耗这些年每年至少掉一个数量级。

效率一路狂飙，总量却一路狂涨，这就是经典的杰文斯悖论。IEA 把它拆成三股同时踩油门的力量：效率提升、使用量激增，以及能力跃迁解锁的新用例。

视频生成、推理模型和智能体任务，单次请求的能耗可能达到简单文本生成的数百乃至数千倍。当 AI 从「回答一个问题」变成「花半小时替你办成一件事」，每次交互所耗的算力就不再是同一个量级了。

训练这一侧同样在快速膨胀。Epoch AI 的统计显示，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、训练时长拉长这些因素扣掉之后，单次前沿训练所需功率仍以每年约 2.2 倍的速度往上走。眼下规模最大的训练已经超过 100 兆瓦，若这一趋势延续，2030 年单次训练可能需要 4 到 16 吉瓦。

https://epoch.ai/publications/power-demands-of-frontier-ai-training

Epoch 的另一项追踪则给出：全球 AI 芯片存量对应的总算力，每年增长约 3.4 倍。

https://epoch.ai/trends

推理侧的情况，中国的数据提供了另一个注脚。国家数据局副局长余英在 2026 年 5 月披露，截至 3 月底，中国日均 Token 调用量已突破 140 万亿，比 2024 年底增长超过千倍；而 2024 年初，这个数字还只有约 1000 亿。供给端也在同步扩张，截至 2026 年 7 月底，全国智能算力总规模达到 245 万 PFLOPS。

单看 3% 的全球占比，似乎不算 alarming 的数字，真正的压力来自高度集中。IEA 在 2025 年的报告里算过一笔账：到 2030 年，全美用电增长里近一半将由数据中心贡献；到那时，美国数据中心消耗的电量会超过铝、钢铁、水泥、化工这些高耗能行业用电的总和。

电：按季度迭代的需求，撞上按十年规划的电网

只问“全世界有没有足够的电”，答案是有。真正的问题在速度。

AI 数据中心的建设周期正被大幅压缩。Epoch AI 观察到，吉瓦级数据中心大约两年就能建成，IEA 给出的说法是两到三年。电力系统的节奏却完全是另一回事：大型电力

三种时钟对不上，是 AI 基础设施最深层的矛盾：芯片按年迭代，数据中心两年建成，电网却按十年规划。IEA 在报告中说，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，反差正越拉越大。

燃气轮机就是这种错配最直观的样本。2025 年全球燃气轮机订单激增 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，预计年底至少达到 125 吉瓦；可它的年产能要等到 2026 年第三季度才能爬到 20 吉瓦，2028 年到 24 吉瓦，2030 年再向 30 吉瓦推进。

https://www.sec.gov/Archives/edgar/data/1996810/000199681026000147/gevpressrelease2q26.htm

简单一除，现有积压大约相当于近六年的产量。大型机组排期排到 2028 年以后，一些开发商已经把目光转向往复式内燃机组这类“次优解”。

变压器是另一个更微妙的环节。它在数据中心总成本中占比不高，但项目能不能按期通电，往往就卡在它身上。普华永道分析师给出的估计是，美国大型电力变压器的交付周期最长可达四年；再往上游追，变压器铁芯所需的取向硅钢，美国本土只有克利夫兰-克里夫斯（Cleveland-Cliffs）一家生产商。这条供应链当初是按“负荷二十年基本不增长”建的，如今却要服务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。

https://www.industrialsage.com/power-transformer-lead-times-us-grid-shortage/

并网排队时间太长，美国开发商普遍转向“自带电源”。IEA 的卫星追踪显示，美国一批数据中心现场燃气发电项目中，约五分之一已经开工清场或施工；按预测，到 2030 年现场燃气可为数据中心供电 15 到 27 吉瓦。不过这条路成本不低：AI 负载波动大，要靠现场燃气稳定供电，发电能力必须比实际需求多配 30% 到 70%。

核电则是更长线的押注。微软与 Constellation 签下 20 年购电协议，重启三里岛 1 号机组（现更名为 Crane 清洁能源中心），最早 2027 年恢复发电；Meta 与 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。据第三方追踪，几大云厂商已签下约 9.8 吉瓦的核电相关协议。

https://smrintel.com/nuclear-data-center-deals/

IEA 同时提醒，首批小型模块化反应堆（SMR）预计要到 2030 年前后才可能投运。也就是说，核电对应的是 2030 年代的问题，眼下还指望不上。

电力短缺最终会通过价格传导出来。美国最大的电力市场 PJM 覆盖 13 个州和华盛顿特区，其容量市场出清价格从 2024/25 交付年度的每兆瓦·日 28.92 美元，跳涨到 2026/27 年度的 329.17 美元。PJM 独立市场监测机构估算，2025 年 12 月那轮拍卖 164 亿美元的总成本中，约 40% 由数据中心负荷驱动。到 2026 年 7 月针对 2028/29 年度的拍卖，价格已连续第三次顶到上限。电，正从一个工程问题变成民生和政治问题。

热与密度：机柜正在变成一座小型电站

电网可以说是 AI 基础设施的“外部约束”；而机柜内部正在发生的变化，是另一场静悄悄的革命。

回到第一节提到的物理事实：为了缩短数据搬运的距离，GPU 之间要尽量挨在一起，组成更大的高速互联域。互联域越大，同一个机柜里塞进的芯片越多，功率密度就越高。这个物理逻辑，几乎没留退路。

看数字。据行业梳理，Hopper 时代的机柜功率约 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 机柜提供两档功率配置，整柜功耗约 190 千瓦和 230 千瓦，都明显高于 GB300 NVL72 的约 140 千瓦；2027 年的 Rubin Ultra“Kyber”机柜，则被普遍预期达到约 600 千瓦。IEA 的统计是，2020 至 2025 年间 AI 服务器的功率密度提高了 11 倍，到 2027 年还将再翻两番。

英伟达官方博客对 Vera Rubin NVL72 的描述，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，大致相当于一辆皮卡。

https://developer.nvidia.com/blog/nvidia-vera-rubin-pod-seven-chips-five-rack-scale-systems-one-ai-supercomputer/

密度这么飙，供电和散热两套体系正在被同时击穿。

供电这一头，郭明錤提到，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墙，Vera Rubin NVL72 恐怕是 Oberon 机柜架构的收尾之作。道理不复杂：功率等于电压乘电流，线路损耗跟电流的平方挂钩，把电压抬上去，更细的铜线也能送更多电。业界因此转向 800 伏高压直流配电，IEA 也观察到，AI 数据中心正在从电动车和新能源行业借道高压直流。

散热这一头，几百千瓦的热量早就超出风冷能扛的范围，全液冷从可选项变成了默认项。

另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 1 秒之内来回摆动，幅度超过额定容量的一半。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被反复拨动。储能因此成了 AI 数据中心的标配，预计到 2030 年，全球数据中心内部可能装下 20 到 25 吉瓦电池储能；激励到位的话，它们反倒能充当电网的调节资源。

有个细节挺有象征意味：郭明錤透露，Vera Rubin 给出「Max Q」和「Max P」两档功率配置，用来适配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低头，这在过去并不多见。数据中心正从「装服务器的房子」变成一种电力电子设备，芯片公司也只好兼着做电力工程。

芯：瓶颈为何从 GPU 挪到了内存和封装

视线收回机柜内部。过去两年最反直觉的现象之一，是 AI 芯片最紧俏的环节常常不是计算核心。

根子还在「搬数据比算数据贵」。大模型推理，特别是逐个生成 Token 的解码阶段，卡住的往往是把模型权重和上下文缓存从内存里搬出来的速度，这就是常说的「内存墙」。

办法是把 DRAM 芯片垂直堆成 HBM，再借 CoWoS 这类先进封装，让它和 GPU 落在同一块中介层上，数据路径从厘米级压到毫米级。

代价是整个存储产业被拖进短缺。IEA 在 2026 年 4 月的报告里指出，HBM 短缺在此前半年间快速成形，预计至少要拖到 2027 年底。SK 海力士早在 2025 年 10 月就表态，其 2026 年全部产能已经订满；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%。同样一片晶圆拿去产 HBM，换来的比特数远少于普通内存，AI 对 HBM 的需求就这样挤占了手机和 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的规格下放趋势掉头。

先进封装是另一道关卡。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；2024 年底这个数字还只有约 3.5 万片。

https://rcrtech.com/semiconductor-news/tsmc-double-cowos-capacity-by-2028/

就算两年扩产近四倍，产能照样被订满。摩根士丹利估计，英伟达拿走了约六成 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，这个转移是必然的。摩尔定律放缓之后，单颗芯片的

钱：一年 7000 亿美元，谁在付账？

把电、热、芯串到一块儿的，是资本。

多家机构统计口径不尽相同，方向却一致：亚马逊、Alphabet、微软、Meta 四家公司 2026 年的资本开支合计接近 7000 亿美元。IEA 的判断是，数据中心投资的体量已经大到公司资产负债表扛不住，必须大量借助资本市场融资；也就是说，AI 用电增长的节奏，会高度敏感于市场情绪、投资回报预期和宏观融资环境。

现金流吃紧的信号已经出现。据 CNBC 报道，Alphabet 在 2026 年上半年的资本开支达到 980 亿美元，同比增幅 111%；第二季度自由现金流首次变成负数。分析师判断，微软的自由现金流到第四季度同样会转为负值。

更该追问的是：纸面上的「吉瓦」，究竟有多少真通了电？以 OpenAI 主导的「星际之门」（Stargate）计划为例，这项宣称投资 5000 亿美元、规划 10 吉瓦的工程，旗舰站点落在得克萨斯州阿比林。Epoch AI 基于卫星图像的估算显示，截至 2026 年 3 月，阿比林站点已运行容量约 0.3 吉瓦，规划满载 1.2 吉瓦 。另有报道援引 OpenAI 首席财务官的说法，截至 2025 年底，OpenAI 全部站点和合作方的有效算力容量合计约 1.9 吉瓦。

https://epoch.ai/publications/openai-stargate-where-the-us-sites-stand

「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。把这三者搅在一起，既会造出虚假的繁荣，也会造出虚假的崩盘叙事。

还有个细节折射出电力在成本结构里的位置变化。据报道，阿比林的开发商 Crusoe 的首席执行官曾表示，算上配套燃气电厂，其数据中心每吉瓦成本约 192 亿美元，约为传统并网「电力外壳」每吉瓦 90 亿到 110 亿美元的两倍。倘若这个数字属实，那么在自建电源的模式下，电力已不再是数据中心的配套成本，而是和芯片平起平坐的主要成本项。

社会许可：最慢的一个约束

电、热、芯、钱之外，还有一道工程手段解不开的约束：当地社区愿不愿意。

Data Center Watch 的追踪数据显示，2026 年第一季度美国有至少 75 个数据中心项目被地方反对挡下或延后，牵涉金额约 1300 亿美元，单季规模已与 2025 年全年持平。反对团体的活跃数量也从 2025 年底的 396 个增至 833 个，翻了一倍，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，上半年加起来接近 2000 亿美元。2026 年刚过去六周，美国各州议会提出的数据中心相关法案就超过 300 项，其中 14 个州出现了全州暂停建设的提案。

居民反对的原因各不相同：电费涨了、用水多了、噪音大了、土地被占了，还有越来越多「自带电源」项目带来的燃气电厂排放。IEA 的研究给了一个相对中立的视角：电力供给过剩的系统中，稳定的新增负荷其实能摊薄电网固定成本、把电价压下来；可数据中心建得快、负荷不确定、并网容量又常常报高，在供需偏紧的地方确实可能把电价推上去。

这道约束之所以推进最慢，是因为订单和资本都加不了速。变压器能扩产，燃气轮机能加班造，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」——比如配储能参与需求响应、承担电网升级成本——很可能就决定了下一轮扩张的天花板。

极限外推：把数据中心送上太空？

把第一性原理推到极致，自然会冒出一个问题：约束既然来自电力、散热和土地，那为什么不去一个太阳永不落山、也没有邻居投诉的地方？

轨道数据中心的逻辑正在这里。谷歌 2025 年 11 月公布了「Suncatcher」计划，设想在晨昏太阳同步轨道上部署搭载 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能达到地面的 8 倍；据报道，该公司还在与 SpaceX 洽谈发射合作。

昨天，谷歌已经用已在轨的 TPU 成功跑通推理，还写了一首「一首关于身处太空的俳句」。SpaceX 则在 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 2025 年已将一颗 H100 送入轨道。国内方面，「三体计算星座」完成首发 12 颗计算卫星的发射，并在轨部署了多个 AI 模型；阿里 Qwen3 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。

卡点也摆在物理层面。真空环境没有对流可用，热量只能通过辐射排出去，散热面板因此得做得极大；前沿模型训练时，成千上万颗芯片每一步都要同步梯度，现有星间链路的带宽撑不起这个需求；发射价格同样关键，谷歌自己的论文里就假设，每公斤 200 美元以下的发射价要到 2030 年代中期才可能出现。

https://arxiv.org/pdf/2511.19468

更准确的理解或许是：太空数据中心回答的不是「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，是能被快速、合法、稳定接入计算的能量。

结语

回到开头那句话——「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 需求的增速快过单位能效的提升速度，AI 账本上的电力项就会一直涨；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。

过去三年，瓶颈的迁移路径看得很清楚：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；如果社区反对继续扩散，瓶颈可能变成许可；如果芯片一年一代的迭代继续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一劳永逸地解决问题。能确定的是，AI 竞争已经从模型和芯片的较量，变成一场覆盖能源、制造、金融和社会治理的系统工程竞赛。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。