美国数据中心停建潮：规划容量冻结会怎样拖住AI

全面停摆不太可能发生，但速度大幅下滑躲不掉。

美国中期选举结果在2026年11月4日尘埃落定，第二天上午，OpenAI的高管们便聚到了一起。

外媒引述知情人士的说法称，会上讨论的内容是要不要重新设定2027年的数据中心容量预期。眼下还没有拍板，可焦虑已经藏不住了。

最近几个月，美国多州的大型数据中心项目一个接一个被叫停。得州前州长Abbott自8月起冻结数据中心的并网与空气许可，并要求审计持续到年底；新当选州长Gina Hinojosa承诺，在州议会通过保护居民的立法之前，所有新数据中心审批一律暂停，而议会会期要开到2027年5月。

俄亥俄新州长Amy Acton主张有条件暂停：新项目必须承担全部电力成本，且只能落在旧工业用地上。佐治亚新州长Keisha Lance Bottoms则打算上任就签行政令，把全州新建项目停下来。

Tokenpost的统计显示，今年7月到11月4日，美国被取消的大型数据中心项目至少有21个，已逼近2025年全年的23个。Anthropic在10月26日提交的招股书中同样把暂停令列为风险因素：部分辖区正在考虑或已批准暂停令，其依赖的算力设施可能因此延期或搁浅，而且反对数据中心的声音正跨辖区走向组织化。

把趋势推到极端，设想这样一个局面：美国所有规划中的数据中心都建不起来，当下的AI和未来的AI会各自受到什么影响？

01

潜在算力增量会被削去50%

为了划清推演边界，我们设了一个极端场景，它基于三条假设：

1，全美所有尚未开工的规划项目一律冻结，等于把眼下约41%的暂停范围扩展到全国；

2，在建项目全部按期完工，这与德州等地暂停令只卡新审批的做法保持一致；

3，芯片供应不受影响，唯一的硬约束是电和地。推演只限美国本土，算力外迁暂不讨论。

这个场景下，被卡住的算力有多大？Newmark估计，美国数据中心当前用电约60GW，涵盖所有数据中心，不全是AI。在建容量各家口径不一：Cleanview约57GW，Wood Mackenzie约80GW，DCMap 8月统计约90GW。这些项目在情景里照常完工，构成未来几年美国算力的全部增量。

真正体量庞大的是「规划中、未开工」那一块：DCMap 8月统计为228GW，Wood Mackenzie披露的累计管线超过430GW，取约230到340GW的区间比较稳妥。

照此粗算，极端情景下美国数据中心总容量会在2028年前后停在大约120到150GW，约为今天的2到2.5倍，之后不再往上走。作为参照，Synergy早前预测美国容量到2029年翻倍；若管线里的规划全部落地，这个数字本该达到今天的5倍以上。极端场景砍掉的，正是翻倍之后的那一大段增长。

换成芯片来看更直观。1GW电力大致能带动数十万块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这样的实际园区，约每GW 27万块。两三百GW的规划被冻结，意味着数千万块最先进的AI芯片没了机房可放。

亚马逊为Anthropic建设的Project Rainier园区内部｜图片来源：Amazon

这个情景虽然极端，却谈不上荒谬。Cleanview测算，在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。换句话说，情景A里近一半的冻结，现实中已经有对应的政策承诺。2024年以来取消的69个大型项目里，33个主要源于当地反对。参议员桑德斯还提出过全国性暂停法案，尽管通过的可能性很小。

有一点得如实说明：目前规划数字水分不小。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。因此极端场景实际砍掉的有效算力会低于账面数字。不过即便挤掉水分，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会受到怎样的影响？

02

当下照常运转，下一代AI被拖住

假如极端情景明天就发生，用户在一两年内其实察觉不到异样。2027年之前的前沿模型，训练和迭代都照旧进行。

原因在于，支撑这一代模型的训练基地都已建成或接近完工。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New Carlisle的园区，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栋楼到9月已交付6栋，预计年底全部完工。

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，是那些计划在 2028 到 2030 年亮相、得靠数个 GW 才喂得饱的下一代模型。

Epoch AI 的数据显示，前沿训练的用电需求一年要涨 2.2 到 2.9 倍，眼下前沿训练已经超过 100MW。Epoch 预计，接下来一年会有多个园区迈过 1GW；大约两年后，规模最大的训练可能要用到约 250 万块 H100 等效算力；照这条路走下去，到 2030 年，最大单次训练需要 4 到 16GW。

拿今天做对照，最大的园区才刚过 1GW。Epoch 还提到，数据中心的容量其实就是训练规模的天花板：园区能建多大，模型最多就能训多大。

而那些盯着 2028 年以后的超级工程，不少已经撞了墙。

OpenAI 的 Stargate 计划到 2029 年超过 9GW，美国 7 个站点里多数原定 2027 到 2028 年大规模上线，主要集中在得州、新墨西哥和俄亥俄这几个暂停州。

具体来看，Abilene 旁原计划的扩建已经放弃；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决了供气管道；俄亥俄州 Lordstown 站点，直到 4 月的卫星图像里还看不到大规模施工。

Meta 约 1GW 的 Prometheus 园区同样在俄亥俄，只有路易斯安那州目标 5GW 的 Hyperion 躲过了这一轮暂停。

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

这就带出了下一个问题：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。

按 Epoch AI 的统计，前沿语言模型训练算力自 2020 年起逐年上涨约 4 到 5 倍，训练耗电则同期每年涨 2.2 到 2.9 倍。两个增速相差约 2 倍，这部分差距主要靠芯片能效上来填，即同样一度电能换回更多算力。

算法这边同样在出力。业界常引的口径是算法效率一年提约 3 倍（Ho 等人 2024 年的研究测算为约 2.7 倍）。Epoch 后来将后训练纳入计算，给出每年约 10 倍的估计，但区间跨度从 2 倍到 50 倍，此处取偏保守的 3 倍。

现在可以做一个粗略的推算。

照常理推算，AI 每年拿到的「有效算力」增幅，由物理算力增长（4 到 5 倍）与算法进步（约 3 倍）相乘得出，合起来大致每年 12 到 15 倍。

若按情景 A 走，2028 年以后新增电力归零，物理算力增长中撑得最重的那根柱子被撤掉，能指望的就只剩芯片换代的能效收益，一年约 2 倍。再叠上算法的 3 倍，「有效算力」的年增速便由 12 到 15 倍滑落至约 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

换成 Epoch 更乐观的算法口径（每年约 10 倍）来算，常态下有效算力一年涨 40 到 50 倍，情景 A 下约 20 倍。无论用哪套口径，电力一旦冻结，有效算力增速都会缩到原先的四成到一半上下。算法跑得再快，也填不平电力扩张缺的那一块。

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

还有一层风险藏在后面：芯片能效带来的好处，得先有新芯片顺利进机房才能兑现。机房总电量被卡死之后，供电与散热改造的难度，恐怕会让这 2 倍也缩水。

即便如此，每年约 6 倍依然是可观的数字。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需要的算力部分，把视野放到整个 AI 的运转上，电量锁死之后，还有一场争夺会立刻开始。

04

Token 限额时代来了

以前算力紧张，出路是圈地盖新机房。可到了极端情形，电就那么多，训练每多分一度电，都得从推理、智能体和后训练那边抠出来。

其实整个市场的算力早就往推理一侧偏了。德勤的预测是，推理在全部 AI 算力中的占比 2023 年约三分之一，2025 年约一半，2026 年预计攀到约三分之二。

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

AI 实验室内部的算力结构同样在挪动。SemiAnalysis 依据 OpenAI 和 Anthropic 合计算力做的估算显示：2024 年初预训练占 67%，后训练和强化学习只有约 5%，推理约 29%；之后预训练占比逐季走低，二季度 63%，三季度 57%，2025 年掉到五成多，后训练则一路上升，按最新估计两者已不相上下。也有研究者提醒，这只是占比在变，实验室总算力翻了很多倍，预训练的绝对量未必就少了。

产品形态带来的压力更大。推理模型作答之前会先生成一大段思维链，用户看不见，可每一步都在耗电。Gartner 的数据是，智能体做完一项任务消耗的 token，相当于普通聊天的 5 到 30 倍。

高盛则预测，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块固定的电量里，每家实验室面前都是同一道选择题：每一兆瓦，是拿去训下一代更大的模型，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要落后。

增电这条路被堵死之后，问题就落在：电量和算力都固定的前提下，AI 还能往哪儿走。

05

四条「补充路线」

极端场景一压，那些过去因为「反正能加卡」而没人当回事的省电技术，会顶上来变成主流方案。

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。

英伟达眼下首选的指标，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 的每瓦性能达到 Blackwell 的 10 倍，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，在同一 DeepSeek R1 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 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

还有跨机房的分布式训练。

暂停令通常盯的是动辄数百兆瓦的大型数据中心。绕开的思路很自然：把训练任务拆开，分到各地中小机房里去。政策压力会直接转成对分布式训练的技术需求。

巨头们已经开始试了。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，训练能在普通网络连接的远程设施之间跑，还能扛住硬件故障。

难度也不小。DiLoCo 的作者自己承认，这项技术目前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，大量算力耗在等数据上空转。

研发重心也会从预训练挪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挑剔的后训练、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预训练。

端侧和小模型则替云端分流。

蒸馏在 2026 年已是小模型研发的主流做法。经过量化的小模型可以直接在手机 NPU 上完成结构化任务，参数不到 10 亿的模型，每秒大约能输出 12 到 15 个 token。混合模式的应用也多了起来：多数请求先由本地小模型消化，只有少数复杂请求才转给云端大模型。

06

约束之下也有机会。

极端情景里被卡住的是美国本土的电力。对另外两类玩家而言，这道约束反倒开了一扇窗：一类是多年在效率路线上有积累的模型公司，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 与 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，不断把代差拉大；到了极端情景下，这一速度会降到约 6 倍，新代差更难形成，追赶者要补的距离也就短了。

再看效率路线上的先行者。DeepSeek、Qwen、Kimi、GLM、MiniMax 这些中国模型公司，素来以开源、低成本和混合专家架构取胜，这条路线的效果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 年已升到近 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 另有一个估计：用开源技术栈的创业公司中，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统计之内，但方向已经看得出来。

整个行业都得回答「每度电能产出多少智能」，长期钻研这道题的团队，积累下来的经验会更值钱。