本文来自微信公众号： 极客公园 ，作者：Techno 之王，编辑：靖宇，原文标题：《当美国无法建设数据中心，会对 AI 产生怎样的冲击》
停摆不可能，但大降速不可避免。
2026年11月4日，美国中期选举结果落定后的第二天上午，OpenAI的高管们坐到了一起。
据外媒援引知情人士的消息，他们讨论的是要不要重设2027年的数据中心容量预期。讨论还没有形成决定，但焦虑已经摆上了台面。
过去几个月，美国各地的大型数据中心项目接连被按下暂停键。得州前任州长Abbott从8月起冻结了数据中心的并网和空气许可，要求审计到年底；新当选的州长Gina Hinojosa承诺，在州议会立法保护居民之前，暂停所有新数据中心审批，而议会会期要到2027年5月才结束。
俄亥俄新州长Amy Acton提出有条件暂停，要求新项目承担全部电力成本、只能建在旧工业用地上；佐治亚新州长Keisha Lance Bottoms则准备上任后直接签行政令，暂停全州新建。
据Tokenpost统计，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，已经接近2025年全年的23个。Anthropic在10月26日提交的招股书里，也把暂停令写进了风险因素：一些辖区正在考虑或已经批准暂停令，可能推迟或阻止它依赖的算力设施，而且反对数据中心的声音正在跨辖区变得更有组织。
如果我们把这股趋势推到极端，去设想这样一个场景，如果美国所有规划中的数据中心都建不成，对当下和未来的AI，意味着什么？
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。
据此粗略推算，在极端情景下，美国数据中心总容量会在2028年前后停在约120到150GW，大约是今天的2到2.5倍，此后不再增长。作为参照，Synergy此前的预测是美国容量到2029年翻倍；而如果管线里的规划全部落地，这个数字本该是今天的5倍以上。极端场景砍掉的，是翻倍之后的那一大段增长。
换算成芯片会更直观。1GW电力大约能带动数十万块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，相当于数千万块最先进的AI芯片失去了机房。
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。
有一点需要诚实说明，目前规划的数字水分很大。德州电网ERCOT的大负荷排队约474GW、约1800个项目，相当于该电网峰值负荷的五倍左右，大部分是占位性质的投机申报。所以极端场景实际砍掉的有效算力，会小于账面数字。即便打掉水分，它依然是一次算力供给的急刹车。
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
如果极端情景明天发生，用户在一两年里其实感觉不到异样。2027年之前的前沿模型，照常训练、照常迭代。
因为支撑这一代模型的训练基地，都已经建成或接近完工。据Epoch AI的数据库，目前已知最大的AI园区是Anthropic与亚马逊在印第安纳州的New Carlisle，容量1037MW；其次是xAI的Colossus 2，946MW。OpenAI在德州Abilene的园区规划1.2GW，8栋楼里的6栋截至9月已经交付，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
被卡住的，是计划在2028到2030年登场、需要数个GW才能喂饱的下一代模型。
Epoch AI的数据显示，前沿训练的电力需求每年增长2.2到2.9倍，目前的前沿训练已经超过100MW。Epoch预计，未来一年会有多个园区突破1GW，大约两年后，最大规模的训练可能用到约250万块H100等效算力；照这个趋势，到2030年，最大单次训练需要4到16GW。
作为对比，今天最大的园区刚刚超过1GW。Epoch也指出，数据中心的容量，实际上就是训练规模的上限：园区建多大，模型最多就能训多大。
而那些瞄准2028年之后的超级工程，已经有不少撞了墙。
OpenAI的Stargate计划到2029年超过9GW，美国7个站点中的多数原定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。
其中，Abilene旁原计划的扩建已被放弃；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园区也在俄亥俄，只有路易斯安那州目标5GW的Hyperion避开了这一轮暂停。
新墨西哥州Doña Ana的Project Jupiter工地卫星图｜图片来源：Epoch AI
这就带出了接下来的疑问，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，需要把算力增长拆开来看。
据Epoch AI统计，2020年以来，前沿语言模型的训练算力每年增长约4到5倍。同期训练用电每年增长2.2到2.9倍。两者之间约2倍的差值，主要来自芯片能效的提升，也就是每瓦电能提供的算力在变多。
硬件之外，算法也在帮忙。常用的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后来把后训练也算进去，估计约每年10倍，但区间从2倍到50倍不等，这里采用更稳妥的3倍。
现在可以做一个粗略的推算。
正常情况下，AI每年获得的「有效算力」增长，等于物理算力增长（4到5倍）乘以算法提升（约3倍），大约每年12到15倍。
在情景A下，2028年之后新增电力归零，物理算力增长里最大的一根支柱被抽走，只剩芯片换代带来的能效提升，每年约2倍。再乘上算法的3倍，「有效算力」的年增速会从12到15倍，降到约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
如果换用Epoch更乐观的算法口径（每年约10倍），正常情况下的有效算力增速是每年40到50倍，情景A下约20倍。两种口径下，电力冻结都会让有效算力增速掉到原来的四成到一半左右。算法进步再快，也补不上电力扩张留下的那一块。
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
这里还有一个隐患。芯片能效的红利，前提是新芯片能顺利装进机房。机房总电量锁死后，供电和散热改造的难度，可能让这2倍也打折扣。
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
过去算力不够，就去圈地建新机房。在极端场景下，盘子里的电就这么多，分给训练的每一度电，都要从推理、智能体和后训练那里挤出来。
全市场的算力早已向推理倾斜。据德勤预测，推理占全部AI算力的比例，2023年约三分之一，2025年约一半，2026年预计达到约三分之二。
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
AI实验室内部也在变。SemiAnalysis基于OpenAI和Anthropic合计算力的估算显示，2024年初，预训练占67%，后训练和强化学习只占约5%，推理约29%；此后预训练占比逐季下滑，二季度63%，三季度57%，2025年降到五成多，后训练占比持续上升，最新估计两者已经相当。有研究者提醒，这是占比变化，实验室总算力翻了很多倍，预训练的绝对量未必减少。
更大的压力，来自产品形态。推理模型在回答前会生成很长的思维链，用户看不到，但每一步都在耗电。Gartner的数据显示，智能体完成一项任务消耗的token，是普通聊天的5到30倍。
高盛预测，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
把这些数字放进极端情况下固定的电量里，每家实验室都会面对同一道选择题：每一兆瓦，要么拿去训练下一代更大的模型，要么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，就得限制现有用户的调用量；优先保推理、保用户，下一代模型的进度就会落后。
增加电力这条路被堵住以后，剩下的问题，就是在固定的电量和算力下，继续发展AI，还有什么路可走。
05
四条「补充路线」
在极端场景的压力下，那些过去因为「反正能加卡」而不受重视的省电技术，会变成主流方案：
把硬件的考核指标换成「每瓦电能产出多少token」。
在电量固定的机房里，把旧芯片换成能效更高的新芯片，是唯一的扩容手段。
英伟达现在首选的指标，就是「每个全口径电力兆瓦每秒输出的token」，分母里算上的是园区的全部用电，包括散热和网络。这个指标的流行本身就说明，芯片厂商已经默认客户的瓶颈在电，卡的数量反而是次要的。
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。独立测试也给出了接近的结果：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。
暂停令普遍针对的是动辄数百兆瓦的大型数据中心。一个自然的绕行思路，是把训练任务拆散，分到不同地区的中小机房里。政策压力会直接变成对分布式训练的技术需求。
这个方法，巨头们已经在尝试。谷歌说明过，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了起来；CoreWeave与谷歌云宣布了跨云训练。谷歌的DiLoCo研究表明，训练可以在普通网络连接的远程设施之间进行，还能容忍硬件故障。
但这个方法的难度不小。DiLoCo的作者也承认，这项技术目前只能补充超大集群，无法形成替代。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，大量算力在等待数据中空转。
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，在极端下最先受限。数个GW的集群建不起来，工程师会把精力转向对集群规模要求没那么苛刻的后训练、强化学习，以及混合专家模型、低精度计算等架构改进。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。
端侧和小模型给云端分流。
到2026年，蒸馏已经是做小模型的主流方法。量化后的小模型能直接在手机NPU上处理结构化任务，10亿参数以下的模型大约每秒能跑12到15个token。越来越多应用采用混合模式：本地小模型先处理大部分请求，少数复杂请求再交给云端大模型。
06
约束之下的机会
极端场景卡住的是美国本土的电。对另外两类玩家来说，这道约束反而打开了窗口：已经在效率路线上积累多年的模型公司，以及准备入场的AI创业者。
先看前沿和追赶者之间的距离。据Epoch AI今年5月的测算，最强的开源模型平均落后闭源前沿约4个月，大约相当于GPT-5和GPT-5.5之间的水平差。过去，前沿实验室靠每年十几倍的有效算力增长不断拉开代差；在极端情景下，这个速度降到约6倍，新的代差更难建立，追赶者需要追的距离会变短。
再看效率路线上的先行者。DeepSeek、Qwen、Kimi、GLM、MiniMax等中国模型公司，一直以开源、低成本和混合专家架构见长，这条路线已经反映在使用数据上。
据OpenRouter与a16z的联合研究，中国开源模型在该平台的token占比，从2024年底的约1.2%涨到2025年的近30%；进入2026年，多家统计给出的比例在五到六成之间。
a16z合伙人Martin Casado还估计，使用开源技术栈的创业公司里，约八成在跑中国模型。OpenRouter只是一个平台，不包含ChatGPT自家流量和企业私有部署，但趋势很清晰：
当整个行业都要回答「每度电能产出多少智能」这个难题，长期在这道题上下功夫的团队，手里的经验会更值钱。
本文为极客公园原创文章，转载请联系极客君微信geekparkGO
极客一问
如果算力的物理扩张停下来，
你认为AI会迎来一轮算法突破，
还是进入漫长的平台期？
