极端推演：潜在算力增长恐遭腰斩
若假设全美未开工的规划项目全部冻结，而已建和在建项目按期完工，且芯片供应正常，仅受电力和土地约束，将对 AI 算力产生深远影响。
据 Newmark 估算，美国数据中心当前用电约 60GW。在建容量约为 57GW 至 90GW 不等，这部分将构成未来几年的主要增量。然而，规划中未开工的部分规模庞大，DCMap 统计为 228GW，Wood Mackenzie 披露累计管线超 430GW。取 230GW 至 340GW 的区间推算，在极端情景下，美国数据中心总容量在 2028 年前后将停滞在 120GW 至 150GW，约为当前的 2 至 2.5 倍，远低于原本可能达到的 5 倍以上增长预期。
换算为芯片数量，1GW 电力约可带动 27 万至 55 万块 Blackwell 级 GPU。数百 GW 的规划冻结，意味着数千万块先进 AI 芯片将面临无机房可用的困境。尽管部分规划存在投机性水分，但这仍标志着算力供给的一次急刹车。
短期无忧，下一代模型发展受阻
短期内，用户感知不明显。支撑当前前沿模型训练的基地多已建成或接近完工，如 Anthropic 在印第安纳州的园区、xAI 的 Colossus 2 以及 OpenAI 在得州的 Abilene 园区。
真正受影响的是计划于 2028 至 2030 年登场的下一代模型。Epoch AI 数据显示，前沿训练电力需求每年增长 2.2 至 2.9 倍，预计 2030 年最大单次训练需 4 至 16GW 电力，而目前最大园区刚超 1GW。OpenAI 的 Stargate 计划、Meta 的 Prometheus 园区等超级工程，因选址涉及暂停令覆盖区域，进展已受阻碍。
增速放缓但未停摆
算力增长由物理算力扩张、芯片能效提升及算法优化共同驱动。正常情况下，有效算力年增速可达 12 至 15 倍。在电力冻结的极端情景下，物理算力扩张停滞，仅剩芯片能效提升（约 2 倍）和算法进步（约 3 倍），有效算力年增速将降至约 6 倍。
即使采用更乐观的算法口径，电力冻结也会使有效算力增速减半。虽然每年 6 倍的增速依然可观，表明 AI 发展不会停摆，但显著减速已成定局。
Token 限额时代来临
电力总量锁定后，训练、推理和后训练之间将展开激烈的资源争夺。目前，推理算力占比正迅速上升，预计 2026 年将占全部 AI 算力的三分之二。智能体任务的 Token 消耗远超普通聊天，高盛预测 2026 至 2030 年全球 Token 总消耗将增长 24 倍。
实验室面临两难选择：要么限制现有用户调用以保障新一代模型训练，要么优先服务用户而推迟模型迭代。
四大技术补充路线
在电力受限背景下，提升能效成为核心策略：
硬件能效至上
考核指标转向“每瓦电能产出的 Token 量”。英伟达 Vera Rubin 架构宣称每瓦性能较 Blackwell 提升 10 倍，智能体场景下最高达 30 倍。实测显示，Vera Rubin NVL72 在相同负荷下每兆瓦 Token 产出是 GB200 NVL72 的 10 倍。
跨机房分布式训练
通过将训练任务分散至不同地区的中小机房以规避大型数据中心审批难题。谷歌、微软等已在尝试跨地域集群训练。但该技术受网络延迟影响，目前仅能作为超大集群的补充，难以完全替代。
研发重心转向后训练
鉴于预训练对超大集群依赖度高，企业更多投入对集群规模要求较低的后训练、强化学习及架构改进。例如，Cursor 在后训练上的算力投入已超过预训练。
端侧与小模型分流
通过蒸馏和量化技术，使小模型能在手机 NPU 上运行，处理大部分结构化任务，仅将复杂请求上传云端，从而减轻云端压力。
约束下的新机遇
电力约束缩小了前沿实验室与追赶者之间的代差。过去靠算力暴力拉升的优势减弱，使得开源模型和高效架构更具竞争力。
中国模型公司如 DeepSeek、Qwen 等凭借低成本和混合专家架构，在开源平台 Token 占比中迅速攀升，2026 年比例已达五至六成。在“每度电产出多少智能”成为行业核心考题的背景下，长期深耕能效优化的团队将获得更大优势。