2026年11月4日，美国中期选举结果尘埃落定后的次日，OpenAI高管齐聚一堂。据外媒援引知情人士透露，他们商讨的核心议题是：是否需要重置2027年数据中心容量的预期。尽管讨论尚未定论，但焦虑情绪已然弥漫。过去数月，美国各地的大型数据中心项目接连按下暂停键。得克萨斯州前州长阿博特自8月起冻结了数据中心的并网和空气许可，要求审计至年底；新任州长吉娜·希诺乔萨承诺，在州议会立法保护居民权益前，暂停所有新建数据中心审批，而议会会期将持续至2027年5月。俄亥俄州新州长艾米·阿克顿提出有条件暂停，要求新项目承担全部电力成本且只能建于旧工业用地；佐治亚州新州长基莎·兰斯·巴托斯则计划上任后立即签署行政令，暂停全州新建项目。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，这一数字已逼近2025年全年的23个。Anthropic在10月26日提交的招股书中也明确将暂停令列为风险因素，指出部分辖区已考虑或批准暂停令，可能推迟或阻止其算力设施，且反对数据中心的声音正变得更加有组织。如果我们推演至极端，设想全美规划中的数据中心全部无法建成，这对当下的AI意味着什么？
01 潜在算力增长腰斩
为了界定推演边界，我们设定一个极端场景，基于三条假设：第一，全美所有尚未开工的规划项目全部冻结，相当于将目前约41%的暂停范围推向全国；第二，在建项目全部按期完工，这与德州等地暂停令仅针对新审批的做法一致；第三，芯片供应正常，唯一的硬约束是电力和土地。我们暂且排除算力外迁，仅推演美国本土情况。在这种情境下，被卡住的算力规模究竟有多大？据Newmark估计，美国数据中心当前用电量约为60GW，但这包含所有数据中心，并非全是AI专用。在建容量的各家统计口径不一：Cleanview约为57GW，Wood Mackenzie约为80GW，DCMap8月统计约为90GW。这些项目在情景中会如期完工，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，DCMap8月统计为228GW，Wood Mackenzie披露的管线超过430GW，取230至340GW的区间较为稳妥。据此粗略推算，在极端情景下，美国数据中心总容量将在2028年前后停滞在120至150GW左右，约为今天的2至2.5倍，此后不再增长。作为参照，Synergy此前预测容量到2029年将翻倍；若管线规划全部落地，这一数字本应是现在的5倍以上。极端场景砍掉的，正是翻倍之后的那一大段增量。换算成芯片更为直观：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至2.3kW计算，约43万至55万块；若按Abilene等实际园区估算，每GW约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
这个场景虽然极端，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。这意味着，情景A中接近一半的冻结在现实中已有对应的政策承诺。2024年以来取消的69个大型项目中，有33个主要因当地反对。参议员桑德斯甚至提出了全国性暂停法案，尽管通过可能性不大。有一点需要诚实说明，目前规划数字的水分较大。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。因此，极端场景实际砍掉的有效算力，会小于账面数字。即便扣除水分，这依然是一次算力供给的急刹车。
02 当下照常，下一代AI受阻
如果极端情景明天发生，用户在一两年内其实感觉不到异样。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栋楼中的6栋截至9月已交付，预计年底完工。被卡住的，是计划在2028至2030年登场、需要数个GW才能喂饱的下一代模型。Epoch AI数据显示，前沿训练的电力需求每年增长2.2至2.9倍，目前的前沿训练已超过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；照此趋势，到2030年，最大单次训练需要4至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至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。
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至5倍。同期训练用电每年增长2.2至2.9倍。两者之间约2倍的差值，主要来自芯片能效的提升，即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至5倍）乘以算法提升（约3倍），大约每年12至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至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。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至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。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。
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。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数据显示，智能体完成一项任务消耗的token，是普通聊天的5至30倍。高盛预测，2026至2030年，全球token总消耗将增长24倍。智能体与token消耗的增长。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。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，就是把训练任务拆散，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至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。