2026 年美国中期选举结果落定后的第二天上午，OpenAI 高管开会讨论是否重设 2027 年的数据中心容量预期。据外媒援引知情人士消息，讨论尚未形成决定，但焦虑已经摆在台面上。与此同时，美国多地大型数据中心项目正接连被按下暂停键。
政策层面的收紧来得密集。得州前任州长 Abbott 从 8 月起冻结数据中心的并网和空气许可，要求审计到年底；新当选州长 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。
项目取消的数据也在印证趋势。据 Tokenpost 统计，2026 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，已接近 2025 年全年的 23 个。Anthropic 在 10 月 26 日提交的招股书中，把暂停令写入风险因素，称一些辖区正在考虑或已经批准暂停令，可能推迟或阻止其依赖的算力设施，且反对数据中心的声音正在跨辖区变得更有组织。
如果把这一趋势推到极端——假设全美所有尚未开工的规划项目全部冻结、在建项目按期完工、芯片照常供应，唯一硬约束是电和地——被卡住的算力规模相当可观。据 Newmark 估计，美国数据中心当前用电约 60GW；在建容量各家口径不同，Cleanview 约 57GW、Wood Mackenzie 约 80GW、DCMap 8 月统计约 90GW。真正庞大的是规划中未开工部分：DCMap 8 月统计为 228GW，Wood Mackenzie 披露的累计管线超过 430GW，取 230 到 340GW 区间较为稳妥。据此推算，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，约为今天的 2 到 2.5 倍，此后不再增长。
换算成芯片更直观。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 AI 芯片失去机房。
这个情景极端但不荒谬。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。2024 年以来被取消的 69 个大型项目中，有 33 个主要因当地反对。参议员桑德斯还提出全国性暂停法案，不过通过可能性很小。需要说明的是，规划数字水分不小：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。
对 AI 的影响并非立刻显现。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建成或接近完工。据 Epoch AI 数据库，目前已知最大 AI 园区是 Anthropic 与亚马逊在印第安纳州 New Carlisle 的 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。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，前沿训练电力需求每年增长 2.2 到 2.9 倍，目前前沿训练已超过 100MW；到 2030 年，最大单次训练可能需要 4 到 16GW。
一些瞄准 2028 年之后的超级工程已经撞墙。OpenAI 的 Stargate 计划到 2029 年超过 9GW，美国 7 个站点中多数原定 2027 到 2028 年大规模上线，主要集中在得州、新墨西哥和俄亥俄等暂停州；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。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。
算力增速会降，但不会停摆。据 Epoch AI 统计，2020 年以来前沿语言模型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，约 2 倍的差值主要来自芯片能效提升；算法效率常用口径为每年约 3 倍。正常情况下，有效算力年增速约为物理算力增长乘以算法提升，即每年 12 到 15 倍；极端情景下 2028 年后新增电力归零，物理算力增长只剩芯片换代带来的约 2 倍能效提升，再乘算法 3 倍，有效算力年增速降至约 6 倍。若采用 Epoch 更乐观的算法口径（每年约 10 倍），则从每年 40 到 50 倍降至约 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。
电量锁死后，算力分配会立刻变成零和博弈。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 年预计约三分之二。SemiAnalysis 基于 OpenAI 和 Anthropic 合计算力的估算显示，2024 年初预训练占 67%、后训练和强化学习约 5%、推理约 29%，此后预训练占比逐季下滑，2025 年降到五成多。推理模型的长思维链和智能体任务进一步推高消耗：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 到 30 倍；高盛预测 2026 到 2030 年全球 token 总消耗将增长 24 倍。每家实验室都面对同一道选择题：每一兆瓦要么拿去训练下一代更大模型，要么拿去服务现有用户和智能体。
在固定电量下继续发展 AI，几条补充路线会被迫提速。其一是把硬件考核指标换成「每瓦电能产出多少 token」：英伟达称 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；CoreWeave 实测在同一 DeepSeek R1 负荷、相同交互速度下，Vera Rubin NVL72 每兆瓦 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。其二是跨机房分布式训练，谷歌说明 Gemini 是在多个地点集群上同步训练，微软把威斯康星和佐治亚机房连了起来，CoreWeave 与谷歌云宣布跨云训练；但 DiLoCo 作者也承认该技术目前只能补充超大集群、无法替代。其三是研发重心从预训练转向后训练和强化学习，Cursor 就公开表示其 Composer 1.5 模型在后训练上投入的算力已超过预训练。其四是端侧和小模型分流云端压力，蒸馏与量化后的小模型可直接在手机 NPU 上处理结构化任务。
约束之下也有机会。据 Epoch AI 今年 5 月测算，最强开源模型平均落后闭源前沿约 4 个月；当有效算力增速从每年十几倍降到约 6 倍，新代差更难建立，追赶者需要追的距离会变短。以开源、低成本和混合专家架构见长的中国模型公司，在这道「每度电能产出多少智能」的题上积累更久。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 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，但趋势清晰：当电力扩张被卡住，效率路线上的经验会更值钱。