OpenAI高管讨论重设2027数据中心预期：全美项目停摆会怎样

2026 年 11 月 4 日，美国中期选举结果出炉次日一早，OpenAI 的一众高管聚到了一块儿。

据外媒引述知情人士的说法，他们商量的事，是要不要把 2027 年的数据中心容量预期重新定一遍。会开到这儿还没拍板，可着急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 从 8 月起就冻结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，新项目得自己扛下全部电力成本，而且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，把全州新建项目停掉。

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浅，而且反对数据中心的声音正跨着辖区越组织越紧密。

要是把这股势头推到极致，设想一种情形：美国所有规划中的数据中心全都建不成，当下的 AI 和未来的 AI 会面临什么？

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。

照此大致一算，极端情形下，美国数据中心总容量到 2028 年前后会停在 120 到 150GW 左右，差不多是现在的 2 到 2.5 倍，之后再不见涨。拿 Synergy 先前的预测作参照，美国容量到 2029 年本该翻倍；而管线里的规划若全部落地，这个数本该是今天的 5 倍以上。极端场景砍掉的，正是翻倍之后那一大截增长。

换成芯片来看更直白。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 理论算，约 43 万到 55 万块；像 Abilene 这样的实际园区，约每 GW 27 万块。两三百 GW 的规划一冻结，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，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。

得先把话说清楚：眼下的规划数字掺了不少水分。ERCOT 那边，大负荷排队项目约 1800 个、合计约 474GW，差不多是该电网峰值负荷的 5 倍，其中多数申报只是占位、带有投机性质。真到极端场景，被砍掉的有效算力会低于账面上的量。可就算挤掉这些水分，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」踩下去后，会对 AI 产生怎样的影响？

02 当下照常，下一代 AI 受阻

假如极端情景明天就成真，用户在一两年内其实察觉不到什么异样。2027 年之前的前沿模型，训练照旧、迭代照旧。

原因在于，撑起这一代模型的训练基地，都已经建成或者接近完工。Epoch AI 的数据库显示，眼下已知最大的 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 栋楼里截至 9 月已有 6 栋交付，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，是打算在 2028 到 2030 年登场、得靠数个 GW 才喂得饱的下一代模型。

Epoch AI 的统计显示，前沿训练的用电量每年涨 2.2 到 2.9 倍，眼下这类训练已经吃掉 100MW 以上。按 Epoch 的预计，接下来一年会有好几个园区跨过 1GW；再过约两年，规模最大的训练大概要动用 250 万块 H100 等效算力。顺着这条线走到 2030 年，单次最大训练需要 4 到 16GW。

对比之下，目前最大的园区才刚过 1GW。Epoch 同时点明，园区容量其实就是训练规模的天花板：机房能建多大，模型最多也就训到多大。

至于那些盯着 2028 年以后的超大工程，已经有一批先撞上了墙。

OpenAI 的 Stargate 打算在 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三个暂停州。

具体来看，Abilene 旁边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 月被州土地办公室否掉了供气管道；俄亥俄州 Lordstown 站点到 4 月的卫星图像里，仍然看不到大规模施工的迹象。

Meta 约 1GW 的 Prometheus 园区同样落在俄亥俄，躲过这轮暂停的只有路易斯安那州那个目标 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：下一代训练用的算力基地一旦搁浅，AI 的进步会被拖慢多少？

03 降速，但不会停摆

要回答这个问题，得先把算力增长拆开来看。

Epoch AI 的统计是，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。中间约 2 倍的差额，大头来自芯片能效的提高，也就是同样一度电能换回更多算力。

硬件之外，算法同样在出力。常用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 后来把后训练也计入，估到每年约 10 倍，但区间从 2 倍到 50 倍都有，这里取更稳妥的 3 倍。

有了这些数，就可以做个粗略推算。

一切正常的话，AI 每年拿到的「有效算力」增长，是物理算力增长（4 到 5 倍）乘上算法提升（约 3 倍），算下来每年约 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柱子被抽掉，剩下的只有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 倍掉到约 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，有效算力增速就只剩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

这里还埋着一个隐患。芯片能效的红利，前提是新芯片能顺顺当当装进机房。机房总电量一旦锁死，供电和散热改造的难度，可能让这 2 倍也打个折扣。

就算这样，每年约 6 倍仍是个可观的数字。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。

不过这笔账只算了训练那部分算力。把视野放大到整个 AI 的运转，电量锁死之后，另一场争夺马上就会开场。

04 Token 限额时代来了

以往算力不够，办法是去圈地建新机房。极端场景下，盘子里的电就那么些，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。

算力分配的重心其实早已挪到推理一侧。德勤给出的预测是：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，到 2026 年预计接近三分之二。

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

实验室内部的算力结构同样在调整。SemiAnalysis 按 OpenAI 与 Anthropic 的合计算力做过估算：2024 年初，预训练占 67%，推理约 29%，后训练和强化学习合计只有约 5%；之后预训练占比逐季走低，二季度 63%，三季度 57%，2025 年降至五成多，后训练占比则一路上升，最新估计两者已不相上下。也有研究者提醒，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减少。

产品形态带来的压力更大。推理模型作答前要先产出很长的思维链，用户看不见，可每一步都在耗电。Gartner 的数据显示，智能体完成一项任务所消耗的 token，是普通聊天的 5 到 30 倍。

高盛的预测是，2026 到 2030 年全球 token 总消耗将增长 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，每家实验室都得面对同一道选择题：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会落后。

既然加电这条路走不通，接下来要问的就是：电量和算力都固定，AI 还能怎么继续往前发展。

05 四条「补充路线」

极端场景一旦压过来，那些过去因为「反正能加卡」而没人重视的省电技术，会站到主流位置上：

硬件考核指标要换成「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，是「每个全口径电力兆瓦每秒输出的 token」，分母算的是园区全部用电，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默认客户的瓶颈在电，卡的数量反倒次要。

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 最高可达 30 倍。独立测试给出的结果也接近：CoreWeave 实测，在同一DeepSeekR1 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 下半年才开始量产，多数客户要到 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。

暂停令通常针对的是动辄数百兆瓦的大型数据中心。于是有了一个顺理成章的绕行思路：把训练任务拆开，分散到不同地区的中小机房。政策压力会直接转成对分布式训练的技术需求。

这条路，几家大厂已经在走了。谷歌曾介绍，Gemini 的训练是在分布在多个地点的集群上同步完成的；微软把威斯康星和佐治亚两地的机房串到了一起；CoreWeave 和谷歌云也公布了跨云训练的进展。谷歌的 DiLoCo 研究则显示，即便远程设施之间只是普通网络连接，训练照样能跑起来，硬件出故障也能扛住。

做起来并不轻松。DiLoCo 的作者自己就承认，眼下这项技术只能作为超大集群的补充，还谈不上取代。2026 年有一项仿真研究指出，当机房之间隔着几十到几百公里，网络延迟会明显拖累计算与通信的重叠效果，不少算力就这么耗在等数据上。

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高，极端情况下会最先受限。数个 GW 的集群建不起来，工程师的精力就会转向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。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。

端侧和小模型正在替云端分担压力。

蒸馏到 2026 年已是做小模型的主流路子。量化之后，小模型能直接在手机 NPU 上跑结构化任务，参数量不到 10 亿的模型，每秒大约出 12 到 15 个 token。混合模式的应用也多起来了：大部分请求先由本地小模型接住，少数复杂请求才送到云端大模型。

06 约束之下的机会

极端场景掐住的是美国本土的电力。换到另外两类玩家身上，这道约束反而成了窗口：一类是已经在效率路线上做了多年积累的模型公司，另一类是准备入场的 AI 创业者。

先看前沿和追赶者之间差多远。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，大致相当于 GPT-5 与 GPT-5.5 之间的水平差。以往前沿实验室每年把有效算力抬高十几倍，代差就这样被不断拉开；到了极端情景下，这个增速掉到约 6 倍，新代差更难建立，追赶者要追的路也就短了。

再看效率路线上跑在前面的玩家。DeepSeek、Qwen、Kimi、GLM、MiniMax这些中国模型公司，长项一直是开源、低成本加混合专家架构，这条路线也已经体现在使用数据上。

OpenRouter 与 a16z 的联合研究显示，中国开源模型在该平台 token 中的占比，2024 年底还只有约 1.2%，2025 年涨到近 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 另有一个估计：用开源技术栈的创业公司里，约八成跑的是中国模型。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，但方向已经很清楚：

整个行业都得回答「每度电能产出多少智能」这道题，长期在这道题上磨过的团队，手里的经验会更值钱。