2026年11月4日，美国中期选举结果落定后的第二天上午，OpenAI高管开会讨论是否要重设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，但焦虑已经显现。过去几个月，美国多地大型数据中心项目接连被按下暂停键。

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。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，已接近2025年全年的23个。Anthropic在10月26日提交的招股书中，也把暂停令列入风险因素，称一些辖区正在考虑或已批准暂停令，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统计为228GW，Wood Mackenzie披露的累计管线超过430GW，取约230至340GW的区间较稳妥。据此推算，极端情景下美国数据中心总容量将在2028年前后停在约120至150GW，约为今天的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；若规划全部落地，本应是今天的5倍以上。极端场景砍掉的，正是翻倍之后的那一大段增长。

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至2.3kW理论计算约43万至55万块，而Abilene这样的实际园区约每GW 27万块。两三百GW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。

这样一脚“算力刹车”踩下去，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6栋截至9月已交付，预计年底完工。被卡住的是计划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，前沿训练电力需求每年增长2.2至2.9倍，目前前沿训练已超过100MW；未来一年会有多个园区突破1GW，约两年后最大规模训练可能用到约250万块H100等效算力，到2030年最大单次训练需要4至16GW。Epoch也指出，数据中心容量实际上就是训练规模的上限。

瞄准2028年之后的超级工程已不少撞墙。OpenAI的Stargate计划到2029年超过9GW，美国7个站点中多数原定2027至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。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月卫星图像里仍看不到大规模施工。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。

那么AI进步会慢多少？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至5倍，同期训练用电每年增长2.2至2.9倍，两者约2倍差值主要来自芯片能效提升。算法效率常用口径为每年提升约3倍。正常情况下的有效算力增长，等于物理算力增长乘以算法提升，约每年12至15倍。极端情景下，2028年之后新增电力归零，物理算力增长只剩芯片换代带来的能效提升，每年约2倍，再乘算法3倍，有效算力年增速会降到约6倍。若采用Epoch更乐观的算法口径（每年约10倍），正常情况为每年40至50倍，极端情景下约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缺口。此外，芯片能效红利的前提是新芯片能顺利装进机房，机房总电量锁死后，供电和散热改造难度可能让这2倍打折扣。结论是：极端场景下AI会明显减速，但不会停摆。

电量锁死之后，另一场争夺会立刻开始。过去算力不够就圈地建新机房，而在固定电量下，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年预计约三分之二。AI实验室内部也在变化，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，后训练占比持续上升。更大的压力来自产品形态：推理模型回答前会生成很长的思维链，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。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的模型，要么拿去服务现有用户和智能体。

增加电力这条路被堵住后，省电技术会从边缘走向主流。其一，把硬件考核指标换成“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”，分母算上园区全部用电，包括散热和网络。按英伟达说法，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；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，跨机房分布式训练。暂停令普遍针对数百兆瓦的大型数据中心，把训练任务拆散分到不同地区中小机房是自然思路。谷歌说明过Gemini是在多个地点集群上同步训练的；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DiLoCo研究表明训练可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DiLoCo作者也承认该技术目前只能补充超大集群、无法替代；2026年一项仿真研究发现，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。其三，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依赖最高，在极端下最先受限，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超过预训练。其四，端侧和小模型给云端分流。到2026年，蒸馏已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。

约束之下也有机会。极端场景卡住的是美国本土的电，对两类玩家反而打开窗口：已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。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，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，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。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，但趋势清晰：当整个行业都要回答“每度电能产出多少智能”这道题，长期在这道题上下功夫的团队，手里的经验会更值钱。