当美国无法建设数据中心，会对 AI 产生怎样的冲击

2026年11月4日，美国中期选举结果落定次日，OpenAI高管层召开紧急会议，议题直指是否重设2027年数据中心容量预期。尽管尚未形成最终决议，但行业焦虑已显而易见。

近期，美国多地大型数据中心项目接连停滞。得州前任州长冻结相关许可至年底，新当选州长承诺在立法保护居民前暂停审批；俄亥俄、佐治亚等州新任州长也相继提出有条件暂停或行政令暂停新建计划。

据Tokenpost统计，今年7月至11月4日，美国至少有21个大型数据中心项目被取消，接近2025年全年总数。Anthropic在招股书中亦将此类暂停令列为关键风险因素。

若极端情境下美国所有规划中数据中心均无法建成，将对全球AI进程产生何种影响？

潜在算力增长被砍掉 50%

基于以下三条假设进行极端场景推演：

1. 全美未开工规划项目全部冻结，相当于将当前约41%的暂停范围推向全国；

2. 在建项目按期完工，符合各地暂停令仅针对新审批的现状；

3. 芯片供应正常，唯一硬约束为电力和土地，暂不考虑算力外迁。

据Newmark估计，美国数据中心当前用电约60GW。在建容量约为57-90GW，这部分将构成未来几年算力增量。真正庞大的是“规划中、未开工”部分，DCMap与Wood Mackenzie数据显示该区间约为230至340GW。

在此极端情景下，美国数据中心总容量将在2028年前后停留在120-150GW（约为当前的2-2.5倍）并不再增长。相比之下，若规划全部落地，容量本应达到当前的5倍以上。这意味着翻倍后的增长段将被完全切断。

换算为芯片规模，1GW电力可带动约27万-55万块Blackwell级GPU。两三百GW的规划冻结，意味着数千万块顶尖AI芯片失去机房依托。

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

这一推演并非空穴来风。Cleanview测算显示，承诺暂停的州规划容量合计158.6GW，占全国41%。尽管排队数据中存在大量投机性申报水分，但此次“算力刹车”对供给端的冲击依然显著。

当下照常，下一代 AI 受阻

若极端情景发生，用户在近两年内可能感知不强。2027年前的前沿模型训练与迭代将照常进行，因为支撑这些模型的基地大多已建成或接近完工，如Anthropic印第安纳州园区、xAI Colossus 2及OpenAI德州Abilene园区。

OpenAI 位于德州 Abilene 的 Stargate 园区卫星图｜图片来源：Epoch AI

真正受困的是计划于2028-2030年登场、需数个GW电力支持的下一代模型。Epoch AI数据显示，前沿训练电力需求每年增长2.2-2.9倍，预计2030年最大单次训练需4-16GW电力。而目前最大园区刚超1GW，数据中心容量即训练规模上限。

瞄准2028年后的超级工程已现阻滞迹象：OpenAI Stargate计划中多数站点位于暂停州，扩建计划放弃或遇阻；Meta Prometheus园区同样受限。仅有路易斯安那州Hyperion等少数项目避开此轮暂停。

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

降速，但不会停摆

拆解算力增长逻辑：2020年以来，前沿语言模型训练算力年增4-5倍，训练用电年增2.2-2.9倍，差值源于芯片能效提升。算法效率方面，保守估计年提升约3倍。

正常情况下，有效算力年增长约为物理算力增长（4-5倍）乘以算法提升（3倍），即12-15倍。在情景A下，2028年后新增电力归零，物理增长仅剩芯片换代带来的能效提升（约2倍）。此时，有效算力年增速将从12-15倍降至约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

即便采用更乐观的算法口径，电力冻结仍会使有效算力增速跌至原来的四成至一半。算法进步难以完全弥补电力扩张缺失带来的缺口。此外，供电散热改造难度可能进一步削弱芯片能效红利。

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

结论明确：极端场景下，AI将明显减速，但不会停摆。然而，电量锁死后，训练、推理、智能体与后训练之间将爆发激烈的资源争夺。

Token 限额时代来了

在极端场景下，分配给训练的每一度电，都需从推理和智能体业务中挤压而出。德勤预测，推理占全部AI算力比例将于2026年达到约三分之二。

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

实验室内部算力分配也在变化：预训练占比逐季下滑，后训练与强化学习占比持续上升。同时，产品形态变化带来更大压力，智能体任务消耗的Token是普通聊天的5-30倍，高盛预测2026-2030年全球Token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

每家实验室面临抉择：每兆瓦电力，要么用于训练下一代更大模型，要么服务于现有用户和智能体。优先保推理则下一代模型进度落后，优先训练则需限制现有调用量。

四条「补充路线」

在电力受限压力下，以下省电技术将成为主流方案：

1. 考核指标转向“每瓦电能产出多少Token”。英伟达Vera Rubin每瓦性能号称是Blackwell的10倍，智能体场景下最高达30倍。核心逻辑是瓶颈在电而非卡数量。

英伟达 Vera Rubin NVL72 机柜｜图片来源：NVIDIA

2. 跨机房分布式训练。将训练任务拆分至不同地区中小机房，以规避大型数据中心审批难题。谷歌、微软等已在尝试，但网络延迟导致的算力空转仍是技术难点。

3. 研发重心转向后训练和强化学习。预训练对超大集群依赖度高，最先受限。工程师将更多精力投入对集群规模要求较低的后训练、混合专家模型及低精度计算架构。

4. 端侧和小模型分流云端压力。通过蒸馏和量化，小模型可在手机NPU处理大部分请求，复杂任务再交由云端。混合模式有助于降低云端算力负荷。

约束之下的机会

极端场景主要限制美国本土电力扩张，这为两类玩家打开窗口：已在效率路线积累多年的模型公司，以及准备入场的AI创业者。

首先，前沿与追赶者差距缩小。过去靠每年十几倍有效算力增长建立的代差，在减速至6倍后更难维持，追赶者所需填补的距离变短。

其次，效率先行者优势凸显。DeepSeek、Qwen、Kimi等中国模型公司以开源、低成本和混合专家架构见长。数据显示，中国开源模型在OpenRouter平台的Token占比已从2024年底的1.2%涨至2026年的五到六成。

当全行业必须回答“每度电能产出多少智能”时，长期深耕能效优化的团队，其经验与技术壁垒将更具价值。