2026年11月4日，美国中期选举结果公布后的第二天上午，OpenAI的高管们聚在一起讨论是否需要调整2027年的数据中心容量预期。虽然尚未做出决定，但焦虑情绪已经显现。
过去几个月，美国各地多个大型数据中心项目被暂停。得克萨斯州前任州长Abbott从8月起冻结了数据中心的并网和空气许可，要求进行审计直至年底；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。俄亥俄州新州长Amy Acton提出有条件暂停，要求新项目承担全部电力成本且只能建在旧工业用地上；佐治亚州新州长Keisha Lance Bottoms则计划上任后直接签署行政令暂停全州新建数据中心。
据统计，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年全年的23个。Anthropic在10月26日提交的招股书中提到，一些辖区正在考虑或已批准暂停令，这可能推迟或阻止其依赖的算力设施，并指出反对数据中心的声音正变得更有组织。
如果美国所有规划中的数据中心都建不成，对当前和未来的AI意味着什么？
假设所有尚未开工的规划项目全部冻结，已经在建的项目按期完工，芯片供应正常，唯一的硬约束是电和地。根据Newmark估计，美国数据中心当前用电约60GW，其中包含所有数据中心。在建容量各家口径不同：Cleanview约57GW，Wood Mackenzie约80GW，DCMap 8月统计约90GW。这些项目将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的区间较为稳妥。据此推算，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此前预测美国容量到2029年翻倍；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增长。
换算成芯片，1GW电力大约能带动数十万块Blackwell级GPU。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。尽管目前规划的数字水分较大，但即使去掉水分，这也是一次算力供给的急刹车。
这种情况下，用户在一两年内不会感到明显变化。2027年之前的前沿模型仍可正常训练和迭代，因为支撑这一代模型的训练基地已经建成或接近完工。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。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到16GW。今天最大的园区刚刚超过1GW，而那些瞄准2028年之后的超级工程已遇到阻碍。
OpenAI的Stargate计划到2029年超过9GW，但多个站点已被放弃或搁置。Meta约1GW的Prometheus园区也在俄亥俄州，只有路易斯安那州目标5GW的Hyperion避开了这一轮暂停。
接下来的问题是，下一代训练的算力基地搁浅后，AI的进步会慢多少？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提升。算法效率每年提升约3倍。正常情况下，AI每年获得的“有效算力”增长约为12到15倍。在极端情景下，2028年后新增电力归零，物理算力增长只剩下芯片换代带来的能效提升，每年约2倍。再乘以算法的3倍，“有效算力”的年增速会降到约6倍。即便如此，每年约6倍依然是可观的数字。结论是，AI会明显减速，但不会停摆。
然而，电力锁死后，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年预计达到三分之二。实验室内部也在变，预训练占比逐季下滑，后训练和强化学习占比上升。更大的压力来自产品形态，推理模型生成思维链耗电较多，智能体完成一项任务消耗的token是普通聊天的5到30倍。
在极端情况下，实验室面临选择题：每一兆瓦要么用于训练下一代更大的模型，要么服务现有用户和智能体。增加电力这条路被堵住后，剩下的问题是在固定的电量和算力下继续发展AI，还有哪些路径可走。
在极端场景的压力下，省电技术将成为主流方案。硬件考核指标变为“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。英伟达首选的指标是“每个全口径电力兆瓦每秒输出的token”，表明芯片厂商默认客户的瓶颈在电。
跨机房分布式训练也是一个绕行思路，巨头们已在尝试。谷歌的Gemini在多个地点的集群上同步训练，微软连接威斯康星和佐治亚的机房，CoreWeave与谷歌云宣布了跨云训练。不过，这项技术目前只能补充超大集群，无法形成替代。
研发重心将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，在极端情况下最先受限。工程师会把精力转向对集群规模要求较低的后训练、强化学习以及架构改进。端侧和小模型也将为云端分流，蒸馏已成为做小模型的主流方法，量化后的小模型能在手机NPU上处理结构化任务。
极端场景卡住的是美国本土的电，但对已经在效率路线上积累多年的模型公司和准备入场的AI创业者来说，这反而打开了窗口。前沿和追赶者之间的距离会缩短，效率路线上的先行者如DeepSeek、Qwen、Kimi、GLM、MiniMax等中国模型公司，已经显示出优势。长期在这道题上下功夫的团队，手里的经验会更值钱。
