算力会撞墙吗:怎么读一份「如果全停了」的推演
极客公园推演了「美国所有规划中的数据中心都建不成」这个极端场景,结论是 AI 会明显减速但不会停摆。这篇讲怎么读这类推演:先看三条假设,再看容量口径差在哪,最后用「物理算力 × 算法提升」自己把有效算力增速算一遍。

这份推演的结论是什么
一份推演文章给出的「AI 会减速但不会停摆」,不是因为作者算错了,而是因为他先划好了边界。
极客公园这篇推演的对象不是「AI 会不会变慢」这种大词,而是一个具体的极端场景:美国所有规划中、还没开工的数据中心全部冻结。
结论落在「有效算力增速从每年 12 到 15 倍降到约 6 倍」。这个数字怎么来的,本文会带着你算一遍。
一、先看它站在哪三条假设上
推演和预测最大的区别,是推演会把自己的前提写在明面上。
这篇的三条假设是:
- 全美所有尚未开工的规划项目全部冻结,相当于把目前约 41% 的暂停范围推向全国
- 已经在建的项目全部按期完工,这和得州等地暂停令只针对新审批的做法一致
- 芯片照常供应,唯一的硬约束是电和地
三条都是「往最坏的方向推」,同时把「已经建成的」和「还能拿到的芯片」排除在约束之外。
读推演先看这一步:如果把某条假设改成相反的方向,结论会不会整个翻过来?
如果芯片供应也被卡住,那「有效算力」的算法提升那部分就不成立,结论要重算。
二、容量数字为什么差这么多
推演接下来要算「被卡住多少算力」,这里有一个容易被跳过的坑:同一件事,各家给的口径不一样。
文章把数字分成了几堆:
| 口径 | 数值 | 谁给的 | 这个数是什么 |
|---|---|---|---|
| 当前用电 | 约 60GW | Newmark | 所有数据中心的用电,并非全是 AI |
| 在建容量 | 约 57GW / 80GW / 90GW | Cleanview / Wood Mackenzie / DCMap 8 月 | 已经在建的,这部分照常完工 |
| 规划中未开工 | 228GW(DCMap 8 月)/ 超 430GW(Wood Mackenzie 管线) | DCMap、Wood Mackenzie | 真正会被冻结的那部分 |
为什么最后取了「230 到 340GW」这样一个区间,而不是某一个数字?
因为两家的统计方法不同,直接选一个等于替其中一家做决定。文章的说法是取区间比较稳妥。
这就是读数据推演的第一条经验:看到单一精确数字,先去找它的口径和来源。
文章自己也算了一笔账: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。所以账面数字里水分很大,实际砍掉的有效算力会小于账面数字。
把水分去掉,这依然是一次急刹车 —— 但「急刹车」和「熄火」是两回事。
三、把有效算力自己算一遍
这是这篇推演最值得学的一段。它把「AI 进步有多快」拆成了两个可以分别估的乘数。
第一段是物理算力。Epoch AI 的统计是,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,也就是每瓦电能提供的算力在变多。
第二段是算法效率。常用的口径是每年提升约 3 倍,Ho 等人 2024 年的研究给出约 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。
这里作者做了一次保守取舍:采用更稳妥的 3 倍,而不是那个上限 50 倍的乐观数。
把两个乘数乘起来,正常情况下每年获得的「有效算力」增长约等于 4 到 5 倍乘以约 3 倍,大约每年 12 到 15 倍。
到了情景 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,有效算力的年增速降到约 6 倍。
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 到 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。
这就是一个推演最结实的地方:它把结论的稳健性和算法口径的乐观程度分开了。
你换一个假设,结论的方向不变,只是幅度不同。
四、为什么当下感觉不到
一个反直觉但重要的推论:这件事一两年内对普通用户几乎没有影响。
原因是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 的数据库,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 在得州 Abilene 的园区规划 1.2GW,8 栋楼里的 6 栋截至 9 月已经交付,预计年底完工。
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 预计,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;照这个趋势,到 2030 年最大单次训练需要 4 到 16GW。
作为对比,今天最大的园区刚刚超过 1GW。
所以受影响的是「下一代」,不是「这一代」。这句话在读任何算力新闻时都值得先问一遍:
它讲的是哪一代模型?
五、被盯住的不只是训练
前面那笔账只算了训练。把视野放到整个 AI 的运转上,还有另一场争夺。
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。
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。
但这里有个容易被误读的地方: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。
真正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 的数据显示,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。
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。
这个选择题的答案,就是你未来能不能随时用上 AI 的答案。
六、四条「补充路线」
推演最有价值的部分往往在最后:既然一条路被堵住,还有哪些路能走。
| 路线 | 具体做法 | 目前的限制 |
|---|---|---|
| 换指标 | 英伟达现在首选的指标是「每个全口径电力兆瓦每秒输出的 token」,分母里算上园区全部用电,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 实测同一 DeepSeek R1 负荷下,Vera Rubin NVL72 每兆瓦的 token 产出是 GB200 NVL72 的 10 倍 | 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 | 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 | DiLoCo 的作者承认这项技术目前只能补充超大集群,无法形成替代。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 |
| 研发重心转向后训练 | 预训练对单一超大集群的依赖最高,在极端下最先受限,因此把精力转向对集群规模要求没那么苛刻的后训练与强化学习 | 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 |
| 端侧小模型分流 | 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 到 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 | 分流效果取决于任务类型,复杂请求仍要依赖云端 |
对普通用户来说,最后一条最值得记住:以后你的手机会先本地处理一部分 AI 请求。
七、自己怎么复核一遍
下次再看到「算力要撞墙」这类标题,可以按这个顺序过一遍:
- 先找假设边界:算的是哪一段时间、哪个地区、哪一类算力
- 再找容量口径:同一个词,不同机构的数字差多少,文章取了哪个、为什么取它
- 找出被拆开的乘数:是加法拆分还是乘法拆分,乘数分别多大
- 换一次假设:把最关键的那条改成相反,结论的方向变不变
- 最后看结论落在「当下」还是「下一代」,别把 2028 年的事当成明天
资料来源与未核实项
本文依据极客公园《当美国无法建设数据中心,会对 AI 产生怎样的冲击》(2026 年 11 月 11 日,作者 Techno 之王)一文。
文中所有 GW 容量、增速倍数、占比比例、园区名单与项目进展,均为该文引用 Newmark、Cleanview、Wood Mackenzie、DCMap、Epoch AI、Tokenpost 等来源的数据。
德勤、SemiAnalysis、Gartner、高盛、OpenRouter 与 a16z 的数据同样转引自该文,本文未回原始机构逐条复算。
未核实项:
- 本文未回原始机构(Newmark、Cleanview、Wood Mackenzie、DCMap、Epoch AI 等)逐条复算数字,这些是转引自极客公园的引用值。
- 「规划中未开工」的区间 230 到 340GW 是极客公园的取值取舍,不是任何单一机构的口径。
- 2028 到 2030 年、4 到 16GW、250 万块 H100 等效算力等预测,均为 Epoch AI 的推算,不是已发生的建设结果。
- 中国开源模型 token 占比(1.2% → 近 30% → 五到六成)分别引自 OpenRouter 与 a16z 的联合研究、a16z 合伙人 Martin Casado 的估计,本文未核实这些口径是否一致,也未核实 OpenRouter 平台自身的覆盖面限制。
- Vera Rubin 的每瓦性能倍数来自英伟达说法,CoreWeave 的 10 倍为独立测试;Rubin 尚未量产,实际交付表现未核实。
- DiLoCo 的相关性与延迟影响来自谷歌 DiLoCo 研究及 2026 年一项仿真研究,本文未核实仿真结论的实验条件。
- 「10 亿参数以下的模型大约每秒能跑 12 到 15 个 token」未标明具体硬件与量化设置,本文未核实。
- 本文未实测任何一家的模型训练或推理成本。
知道「训练一个模型要消耗大量电力和芯片」这件事
适用范围:读算推场景推进方法。流程性方法,不对应某个产品的具体版本。
以下来源方便你逐项对照;引用文档不代表已经完成实际操作测试。 本文标注为 AI 辅助起草。
- 正文引用的全部数字、比例与日期均来自这篇极客公园原文(含其引用的 Newmark、Cleanview、Wood Mackenzie、DCMap、Epoch AI、Tokenpost、德勤、SemiAnalysis、Gartner、高盛、OpenRouter 与 a16z 等口径),未实测的部分已在「资料来源与未核实项」逐条写明。
- 核对了什么:这条只说明本文的适用范围与方法边界,不是对某个产品版本的实测结论 —— 写法与站内其它方法类文章一致(明确说明依赖不依赖某个客户端版本、哪些具体环节没有实测)。核的时候逐句确认了正文与这条说明一致:正文里讲的步骤不依赖特定按钮或菜单,涉及具体工具的部分都写了「以官方当前说明为准」。没做什么:没有实测任何一个产品的当前版本、菜单路径、价格或套餐;凡涉及具体价格、额度、地区可用性的表述,正文里都保留为未核实项,没有在这里被当作已核实。
- 核对了什么:正文里 Epoch AI 的园区容量与训练规模上限口径,与该机构公开数据库方向一致。没做什么:未逐条复算其训练算力与用电增速的原始数据序列,站内链接仅作背景指向,不作为本文数据依据。
- 核对了什么:正文的 GW 容量、增速倍数、占比比例、园区名单与项目进展,逐条对照极客公园原文;三条假设、230 到 340GW 区间、12 到 15 倍与约 6 倍的推算过程、四条补充路线均按原文表述核对;核对日期 2026-11-13。没做什么:未回 Newmark、Cleanview、Wood Mackenzie、DCMap、Epoch AI 等原始机构复算这些转引数字;未实测任何模型训练或推理成本。
相关工具
发现内容与当前界面不一致?
提交内容纠错金额随意,多少都帮得上忙。AITime 的资料整理、事实核对和每日更新由个人完成, 没有付费墙,所有内容都可以免费读。
扫码使用微信支付,备注可以留空。
哪个工具卡在哪一步、想给文章补一个真实案例、都可以加我。 留言时写清来源和具体问题,我看到会回。
扫一扫添加好友,备注写「AITime」我更容易认出来。
讨论与使用经验
正在加载讨论…