2026 年美國中期選舉結果落定後的第二天上午，OpenAI 高管開會討論是否重設 2027 年的資料中心容量預期。據外媒援引知情人士訊息，討論尚未形成決定，但焦慮已經擺在檯面上。與此同時，美國多地大型資料中心專案正接連被按下暫停鍵。
政策層面的收緊來得密集。得州前任州長 Abbott 從 8 月起凍結資料中心的併網和空氣許可，要求審計到年底；新當選州長 Gina Hinojosa 承諾在州議會立法保護居民之前暫停所有新資料中心審批，而議會會期要到 2027 年 5 月才結束。俄亥俄新州長 Amy Acton 提出有條件暫停，要求新專案承擔全部電力成本、只能建在舊工業用地上；佐治亞新州長 Keisha Lance Bottoms 則準備上任後直接籤行政令，暫停全州新建。
專案取消的資料也在印證趨勢。據 Tokenpost 統計，2026 年 7 月到 11 月 4 日，美國至少有 21 個大型資料中心專案被取消，已接近 2025 年全年的 23 個。Anthropic 在 10 月 26 日提交的招股書中，把暫停令寫入風險因素，稱一些轄區正在考慮或已經批准暫停令，可能推遲或阻止其依賴的算力設施，且反對資料中心的聲音正在跨轄區變得更有組織。
如果把這一趨勢推到極端——假設全美所有尚未開工的規劃專案全部凍結、在建專案按期完工、晶片照常供應，唯一硬約束是電和地——被卡住的算力規模相當可觀。據 Newmark 估計，美國資料中心當前用電約 60GW；在建容量各家口徑不同，Cleanview 約 57GW、Wood Mackenzie 約 80GW、DCMap 8 月統計約 90GW。真正龐大的是規劃中未開工部分：DCMap 8 月統計為 228GW，Wood Mackenzie 披露的累計管線超過 430GW，取 230 到 340GW 區間較為穩妥。據此推算，極端情景下美國資料中心總容量會在 2028 年前後停在約 120 到 150GW，約為今天的 2 到 2.5 倍，此後不再增長。
換算成晶片更直觀。1GW 電力大約能帶動數十萬塊 Blackwell 級 GPU：按單卡全口徑功耗 1.8 到 2.3kW 理論計算約 43 萬到 55 萬塊；Abilene 這樣的實際園區約每 GW 27 萬塊。兩三百 GW 的規劃被凍結，相當於數千萬塊最先進 AI 晶片失去機房。
這個情景極端但不荒謬。據 Cleanview 測算，新州長承諾暫停的州里，規劃容量合計 158.6GW，約佔全國的 41%，其中德州 88.4GW、俄亥俄 21.9GW、佐治亞 20.2GW、新墨西哥 11GW、紐約 9.9GW。2024 年以來被取消的 69 個大型專案中，有 33 個主要因當地反對。參議員桑德斯還提出全國性暫停法案，不過通過可能性很小。需要說明的是，規劃數字水分不小：德州電網 ERCOT 的大負荷排隊約 474GW、約 1800 個專案，相當於該電網峰值負荷的五倍左右，大部分是佔位性質的投機申報，因此極端場景實際砍掉的有效算力會小於賬面數字。
對 AI 的影響並非立刻顯現。2027 年之前的前沿模型照常訓練、照常迭代，因為支撐這一代模型的訓練基地都已建成或接近完工。據 Epoch AI 資料庫，目前已知最大 AI 園區是 Anthropic 與亞馬遜在印第安納州 New Carlisle 的 1037MW；其次是 xAI 的 Colossus 2，946MW；OpenAI 在德州 Abilene 的園區規劃 1.2GW，8 棟樓中的 6 棟截至 9 月已交付。被卡住的是計劃在 2028 到 2030 年登場、需要數個 GW 才能餵飽的下一代模型。Epoch AI 資料顯示，前沿訓練電力需求每年增長 2.2 到 2.9 倍，目前前沿訓練已超過 100MW；到 2030 年，最大單次訓練可能需要 4 到 16GW。
一些瞄準 2028 年之後的超級工程已經撞牆。OpenAI 的 Stargate 計劃到 2029 年超過 9GW，美國 7 個站點中多數原定 2027 到 2028 年大規模上線，主要集中在得州、新墨西哥和俄亥俄等暫停州；Abilene 旁原計劃的擴建已被放棄；新墨西哥州 Doña Ana 規劃 2.45GW 的 Project Jupiter 今年 3 月被州土地辦公室否決了供氣管道。Meta 約 1GW 的 Prometheus 園區也在俄亥俄，只有路易斯安那州目標 5GW 的 Hyperion 避開了這一輪暫停。
算力增速會降，但不會停擺。據 Epoch AI 統計，2020 年以來前沿語言模型訓練算力每年增長約 4 到 5 倍，同期訓練用電每年增長 2.2 到 2.9 倍，約 2 倍的差值主要來自晶片能效提升；演算法效率常用口徑為每年約 3 倍。正常情況下，有效算力年增速約為物理算力增長乘以演算法提升，即每年 12 到 15 倍；極端情景下 2028 年後新增電力歸零，物理算力增長只剩晶片換代帶來的約 2 倍能效提升，再乘演算法 3 倍，有效算力年增速降至約 6 倍。若採用 Epoch 更樂觀的演算法口徑（每年約 10 倍），則從每年 40 到 50 倍降至約 20 倍。兩種口徑下，電力凍結都會讓有效算力增速掉到原來的四成到一半左右。
電量鎖死後，算力分配會立刻變成零和博弈。據德勤預測，推理佔全部 AI 算力的比例 2023 年約三分之一、2025 年約一半、2026 年預計約三分之二。SemiAnalysis 基於 OpenAI 和 Anthropic 合計算力的估算顯示，2024 年初預訓練佔 67%、後訓練和強化學習約 5%、推理約 29%，此後預訓練佔比逐季下滑，2025 年降到五成多。推理模型的長思維鏈和智慧體任務進一步推高消耗：Gartner 資料顯示智慧體完成一項任務消耗的 token 是普通聊天的 5 到 30 倍；高盛預測 2026 到 2030 年全球 token 總消耗將增長 24 倍。每家實驗室都面對同一道選擇題：每一兆瓦要麼拿去訓練下一代更大模型，要麼拿去服務現有使用者和智慧體。
在固定電量下繼續發展 AI，幾條補充路線會被迫提速。其一是把硬體考核指標換成「每瓦電能產出多少 token」：輝達稱 Vera Rubin 的每瓦效能是 Blackwell 的 10 倍，智慧體場景下對比 GB300 最高可達 30 倍；CoreWeave 實測在同一 DeepSeek R1 負荷、相同互動速度下，Vera Rubin NVL72 每兆瓦 token 產出是 GB200 NVL72 的 10 倍，不過 Rubin 下半年才開始量產，多數客戶要到 2027 年才能普遍用上。其二是跨機房分散式訓練，谷歌說明 Gemini 是在多個地點叢集上同步訓練，微軟把威斯康星和佐治亞機房連了起來，CoreWeave 與谷歌雲宣佈跨雲訓練；但 DiLoCo 作者也承認該技術目前只能補充超大叢集、無法替代。其三是研發重心從預訓練轉向後訓練和強化學習，Cursor 就公開表示其 Composer 1.5 模型在後訓練上投入的算力已超過預訓練。其四是端側和小模型分流雲端壓力，蒸餾與量化後的小模型可直接在手機 NPU 上處理結構化任務。
約束之下也有機會。據 Epoch AI 今年 5 月測算，最強開源模型平均落後閉源前沿約 4 個月；當有效算力增速從每年十幾倍降到約 6 倍，新代差更難建立，追趕者需要追的距離會變短。以開源、低成本和混合專家架構見長的中國模型公司，在這道「每度電能產出多少智慧」的題上積累更久。據 OpenRouter 與 a16z 的聯合研究，中國開源模型在該平台的 token 佔比從 2024 年底約 1.2% 漲到 2025 年的近 30%，進入 2026 年多家統計給出的比例在五到六成之間；a16z 合夥人 Martin Casado 估計，使用開源技術棧的創業公司里約八成在跑中國模型。OpenRouter 只是一個平台，不包含 ChatGPT 自家流量和企業私有部署，但趨勢清晰：當電力擴張被卡住，效率路線上的經驗會更值錢。