AI 基础设施的约束，不只是一度电
一个冰箱大小的服务器机柜，重量已经超过一辆皮卡。按国际能源署（IEA）在 2026 年 4 月报告中的描述，到 2027 年，这类下一代 AI 数据中心机柜的峰值功率将相当于 65 户家庭同时用电；为了避免设备过热，每个机柜需要排出的热量相当于 30 台燃气锅炉。
同一份报告还给出另一组数字：2025 年，五家科技巨头的资本开支超过 4000 亿美元，2026 年还将再增 75%，规模已经超过全球油气开采的年度投资总额。
过去两年，“算力的尽头是电力”几乎成了行业共识。文章认为，这句话只说对了一半。电力当然重要，但真正限制 AI 扩张的，往往不是单一环节，而是一条由发电、电网、变压器、散热、存储、封装和资本串起来的基础设施链条，以及各环节完全不同的建设节奏。
文章提出，如果暂时放下“GPU 军备竞赛”和“电力焦虑”这些现成叙事，从最基本的物理事实重新计算，AI 的问题会更清楚。
从第一性原理看，智能本质上是把电烧成 Token
从物理层面拆解，AI 做的事情可以概括为：把电能送进晶体管，驱动比特翻转，完成矩阵乘法，最后输出 Token。
据此，文章把一个国家或一家公司能够产出的“有效智能”粗略写成四个因子的乘积：
- 可用电力
- 硬件能效，即每焦耳能完成多少次运算
- 算法效率，即每次运算能换来多少有用 Token
- 利用率，即机器实际工作时间占比
这个公式并不追求精确，但每个因子都对应一层具体基础设施。电力对应发电厂和电网，硬件能效对应芯片、内存、封装与互联，算法效率对应模型架构和推理软件，利用率则对应调度系统、散热和供电可靠性。
文章指出，只要其中任何一个因子掉链子，其他环节做得再好也会被拖累。也正因为如此，AI 基础设施的瓶颈会不断迁移：前两年是 GPU 难买，随后是先进封装和高带宽内存（HBM）产能紧张，如今则轮到变压器、燃气轮机和并网排队。
两个物理事实：能量守恒，以及搬数据比算数据更贵
文章先强调第一条物理事实：能量守恒。数据中心消耗的电，除了极少部分变成光信号和机械振动，几乎最终都会变成热。这意味着，供电和散热其实是同一个问题的两面。往机柜里送进多少千瓦电力，就必须从机柜里带走多少千瓦热量。随着机柜功率密度持续上升，传统配电和风冷体系都在承压。
第二条物理事实是“搬数据比算数据贵”。芯片设计领域的一组经典测算显示，在 45nm 工艺下，一次 32 位浮点加法大约消耗 0.9 皮焦，而从片外 DRAM 读取同样长度的数据要消耗数百皮焦，两者相差 2 到 3 个数量级。
文章称，虽然工艺进步后绝对数值已经变化，但这种量级关系没有根本改变。现代 AI 芯片的主要能耗，很多时候不在“算”，而在“搬”。从 HBM、CoWoS 先进封装，到 NVLink 高速互联、共封装光学和“超节点”，过去几年几乎所有硬件创新，底层逻辑都是缩短数据传输距离。
至于物理极限，文章援引朗道尔原理称，室温下擦除一个比特的最小能耗约为 3×10⁻²¹ 焦耳。以英伟达 Rubin GPU 为例，单封装约 50 PFLOPS 的 FP4 推理算力、约 2 千瓦级功耗，粗略折算每次 FP4 运算在几十飞焦量级。即便把一次运算拆成上百次比特操作，当前芯片距离理论下限仍有多个数量级空间，文中同时注明这只是粗略估算、用于量级参考。
文章据此判断，AI 的能耗问题并不是撞上了物理墙，而更多是工程、供应链和制度问题。真正的约束，体现在工厂排期表、电网规划和地方议会的会议记录里。
效率每年大幅提升，用电总量却还在上升
在需求侧，IEA 的最新测算显示，2025 年全球数据中心用电量增长 17%，其中以 AI 为主的数据中心用电暴增 50%，同期全球总用电量只增长 3%。按其基准情景，数据中心用电将从 2025 年的 485 太瓦时翻倍至 2030 年的 950 太瓦时，约占全球用电的 3%；AI 专用数据中心的用电则在同一时期增至原来的 3 倍。
但同一份报告也指出，按单次任务计算，AI 的能效提升速度在能源史上前所未有。软硬件进步让每项 AI 任务的能耗近年来每年至少下降一个数量级。
文章将这种“效率狂飙、总量也狂涨”的现象归为典型的杰文斯悖论。IEA 把原因拆成三股同时加速的力量：效率提升、使用量激增，以及能力跃迁带来的新用例。
例如，视频生成、推理模型和智能体任务，单次请求的能耗可能是简单文本生成的数百到数千倍。当 AI 从“回答一个问题”变成“花半小时替你完成一件事”，每次交互的算力消耗已经不是同一个量级。
训练侧也在同步膨胀。研究机构 Epoch AI 统计，前沿模型的训练算力自 2020 年以来每年增长约 4 到 5 倍；扣除硬件能效提升和训练时长拉长的影响后，单次前沿训练所需功率仍以每年约 2.2 倍的速度增长，目前最大规模训练已超过 100 兆瓦。若这一趋势延续，到 2030 年单次训练可能需要 4 到 16 吉瓦。
Epoch 的另一项追踪显示，全球 AI 芯片存量的总算力以每年约 3.4 倍的速度增长。
中国的数据则反映了推理侧的扩张。国家数据局副局长余英在 2026 年 5 月披露，截至 3 月底，中国日均 Token 调用量已突破 140 万亿，较 2024 年底增长超过千倍；而在 2024 年初，这一数字只有约 1000 亿。算力供给也在同步扩张，截至 2026 年 7 月底，全国智能算力总规模达到 245 万 PFLOPS。
文章还提到，全球 3% 的用电占比看上去并不夸张，真正的压力来自集中。IEA 在 2025 年报告中测算，到 2030 年，美国数据中心将贡献全美用电增长的近一半，美国用于数据中心的电量将超过铝、钢铁、水泥、化工等所有高耗能产业之和。
电网的节奏按十年走，AI 需求按季度变
如果只问全球是否有足够的电，文章给出的答案是有。问题不在总量，而在速度。
AI 数据中心的建设周期正在明显缩短。Epoch AI 观察到，吉瓦级数据中心大约两年就能建成；IEA 的说法是 2 到 3 年。相比之下，电力系统的节奏完全不同：美国大型电力变压器的交付周期已拉长到最长 4 年，燃气轮机交货期超过 3 年，新建核电则要按 10 年计算。
文章把这概括为三种时钟的错配：芯片按年迭代，数据中心按两年建成，电网按十年规划。IEA 报告称，AI 革命的速度与支撑它的物理、社会和经济系统的速度之间，反差正在扩大。
燃气轮机是这种错配最直观的样本。全球燃气轮机订单在 2025 年激增 70%。GE Vernova 在 2026 年第二季度财报中披露，其燃气设备在手订单加产能预留已达 116 吉瓦，预计年底至少达到 125 吉瓦；与此同时，其年产能要到 2026 年第三季度才能爬升到 20 吉瓦，2028 年到 24 吉瓦，2030 年再向 30 吉瓦推进。
按文中测算，现有积压大约相当于近 6 年产量。当大型机组排期已经排到 2028 年以后，一些开发商开始转向往复式内燃机组这类“次优解”。
变压器的问题更隐蔽。它在数据中心总成本中占比不高，却可能决定项目能否按期通电。普华永道分析师估计，美国大型电力变压器交付周期最长可达 4 年。更上游的取向硅钢，在美国只有克利夫兰-克里夫斯一家本土生产商。文章称，一个原本为“负荷二十年基本不增长”而规模化的供应链，突然要服务一个每季度都在上调预期的客户。据彭博社报道，美国原定 2026 年投运的约 12 吉瓦数据中心容量中，只有约三分之一处于实际施工阶段。
面对并网排队，美国开发商的主流选择之一是“自带电源”。IEA 的卫星追踪显示，美国一批数据中心现场燃气发电项目中，约五分之一已经开始清场或施工；到 2030 年，现场燃气可能为数据中心提供 15 到 27 吉瓦电力。
但这条路并不便宜。文章指出，AI 负载波动剧烈，要用现场燃气稳定供电，发电能力需要比实际需求超配 30% 到 70%。
核电则是更长期的押注。微软与 Constellation 签下 20 年购电协议，重启三里岛 1 号机组，即现更名为 Crane 清洁能源中心，最早 2027 年恢复发电；Meta 与 Constellation 签约，从 2027 年年中起采购 Clinton 核电站 1.1 吉瓦电力；亚马逊与 Talen 扩大协议，锁定最高 1.9 吉瓦核电。第三方追踪数据显示，几大云厂商已签下约 9.8 吉瓦的核电相关协议。
不过 IEA 也提醒，首批小型模块化反应堆（SMR）要到 2030 年前后才有望投运。也就是说，核电解决的是 2030 年代的问题，不是眼前的问题。
电力短缺最终会通过价格传导。美国最大电力市场 PJM 覆盖 13 个州和华盛顿特区，其容量市场出清价格从 2024/25 交付年度的每兆瓦·日 28.92 美元，跳涨到 2026/27 年度的 329.17 美元。PJM 独立市场监测机构估算，2025 年 12 月那轮拍卖 164 亿美元总成本中，约 40% 由数据中心负荷驱动。到 2026 年 7 月针对 2028/29 年度的拍卖，价格已连续第三次触及上限。文章认为，电力正在从工程问题变成民生和政治问题。
机柜功率密度飙升，供电和散热体系同时承压
如果说电网是 AI 基础设施的外部约束，那么机柜内部的变化则是另一场更安静的革命。
文章回到前述物理逻辑：为了缩短数据搬运距离，GPU 之间需要尽可能靠近，组成更大的高速互联域。互联域越大，同一个机柜里塞进的芯片越多，功率密度就越高，这几乎没有退路。
按文中梳理，Hopper 时代的机柜功率约 40 千瓦，Blackwell 时代升至 120 到 140 千瓦。天风国际分析师郭明𫓹的供应链调查显示，英伟达即将放量的 Vera Rubin NVL72 机柜提供两档功率配置，整柜功耗约 190 千瓦和 230 千瓦，均明显高于 GB300 NVL72 的约 140 千瓦；2027 年的 Rubin Ultra“Kyber”机柜则被普遍预期达到约 600 千瓦。IEA 的统计显示，2020 至 2025 年间 AI 服务器的功率密度提高了 11 倍，到 2027 年还将再翻两番。
英伟达官方博客对 Vera Rubin NVL72 的描述更像工业设备而不是电脑：整柜集成约 130 万个元件、近 1300 颗芯片，重量约 4000 磅，大致相当于一辆皮卡。
这种密度上升正在同时击穿供电和散热两套体系。
在供电侧，郭明𫓹指出，当机柜功率逼近 200 千瓦，传统 54 伏配电在母排、线缆空间和转换效率上都会遇到硬约束，Vera Rubin NVL72 因而可能成为 Oberon 机柜架构的最后一代。背后的物理原理并不复杂：传输功率等于电压乘以电流，而线路损耗与电流平方成正比，提高电压就能用更细的铜传更多电。这也是行业转向 800 伏高压直流配电的原因。IEA 也提到，AI 数据中心正在借鉴电动车和新能源行业的技术路线，走向高压直流。
在散热侧，几百千瓦级热量已经远超风冷极限，全液冷正从可选项变成默认项。
文章还提到一个常被忽视的问题：负载波动。IEA 发现，AI 数据中心服务器负载会在 1 秒内反复摆动超过额定容量的 50%。成千上万颗 GPU 在训练的计算阶段和通信阶段之间同步切换，对电网来说就像一个巨型开关不断拨动。因此，储能正在成为 AI 数据中心的标配。预计到 2030 年，全球数据中心内部可能装有 20 到 25 吉瓦电池储能；如果激励机制合适，这些储能反而能成为电网调节资源。
一个颇具象征意义的细节是，郭明𫓹披露 Vera Rubin 提供“Max Q”和“Max P”两档功率配置，以适应不同数据中心的电力条件。文章认为，这意味着芯片规格开始向机房电力现实妥协。数据中心正在从“装服务器的房子”变成一种电力电子设备，而芯片公司也不得不同时扮演电力工程公司的角色。
瓶颈为何从 GPU 转向 HBM 和先进封装
回到机柜内部，过去两年最反直觉的现象之一，是 AI 芯片最紧缺的部分往往不是计算核心本身。
原因仍然是“搬数据比算数据贵”。文章指出，在大模型推理，尤其是逐个生成 Token 的解码阶段，瓶颈通常在于能以多快速度把模型权重和上下文缓存从内存中搬出来，这就是所谓的“内存墙”。
对应的解法，是把 DRAM 芯片垂直堆叠成 HBM，再用 CoWoS 这类先进封装把它和 GPU 放在同一块中介层上，把数据路径从厘米级缩短到毫米级。
这条技术路线的代价，是把整个存储产业拖入短缺。IEA 在 2026 年 4 月报告中指出，HBM 短缺在此前半年间迅速形成，预计至少延续到 2027 年底。SK 海力士早在 2025 年 10 月就表示，其 2026 年全部产能已被订满；市场研究机构集邦咨询（TrendForce）在 2026 年初预计，一季度 DRAM 平均价格将环比上涨 50% 到 55%。
由于同样的晶圆产能生产 HBM 能换来的比特数远少于普通内存，AI 对 HBM 的需求直接挤压了手机和 PC 的内存供给。IDC 的分析称，内存约占中端手机物料成本的 15% 到 20%，这场“战略性的晶圆再分配”正在让消费电子行业多年来的规格下放趋势出现逆转。
先进封装则是另一个卡点。文章估算，台积电 CoWoS 月产能将在 2026 年底达到约 13 万片，2028 年有望翻倍至约 26 万片，而 2024 年底这一数字只有约 3.5 万片。
即便两年接近 4 倍扩产，产能依然被订满。摩根士丹利估计，英伟达占据了约六成 CoWoS 产能。郭明𫓹则估算，仅 Rubin 一个平台在 2026 年就需要 30 万到 35 万片 CoWoS 晶圆。
文章认为，从第一性原理看，这种转移几乎不可避免。摩尔定律放缓后，单颗芯片晶体管密度提升越来越难，性能增长越来越依赖“把更多硅和内存塞进一个封装，再把更多封装连成一个互联域”。制造瓶颈因此从光刻前道，转移到了存储堆叠和先进封装这些曾经的后道工序。下一步，台积电正在推进更大面积的面板级封装 CoPoS，而光互联也在从机柜之间走向芯片封装旁边。每一步，底层逻辑仍然是缩短距离。
资本开支逼近 7000 亿美元，融资能力开始成为变量
把电、热、芯串起来的，是资本。
文章称，多家机构统计口径虽有差异，但方向一致：亚马逊、Alphabet、微软、Meta 四家公司 2026 年资本开支合计接近 7000 亿美元。IEA 判断，数据中心投资规模已经大到公司资产负债表无法独立支撑，必须大量依赖资本市场融资。这意味着，AI 用电增长的节奏将对市场情绪、投资回报预期和宏观融资环境高度敏感。
现金流压力已经显现。CNBC 报道，Alphabet 2026 年上半年资本开支同比增长 111% 至 980 亿美元，第二季度自由现金流首次转负；分析师预计，微软的自由现金流也将在第四季度转负。
文章还追问一个更具体的问题：纸面上的“吉瓦”到底有多少真正通了电？以 OpenAI 主导的“星际之门”（Stargate）计划为例，这项宣称投资 5000 亿美元、规划 10 吉瓦的工程，旗舰站点位于得克萨斯州阿比林。Epoch AI 基于卫星图像估算，截至 2026 年 3 月，阿比林站点已运行容量约 0.3 吉瓦，规划满载 1.2 吉瓦。另有报道援引 OpenAI 首席财务官的说法称，截至 2025 年底，OpenAI 全部站点和合作方的有效算力容量合计约 1.9 吉瓦。
文章强调，“签约”“在建”“通电”是三种完全不同的状态，而行业里很多宏大数字说的是第一种。混淆这三者，既会制造虚假的繁荣，也会制造虚假的崩盘叙事。
另一个细节则反映出电力在成本结构中的位置变化。据报道，阿比林开发商 Crusoe 的首席执行官曾表示，算上配套燃气电厂，其数据中心每吉瓦成本约 192 亿美元，是传统并网“电力外壳”每吉瓦 90 亿到 110 亿美元的两倍左右。文章称，如果这一数字属实，那么在自建电源模式下，电力已经不再是数据中心的配套成本，而是与芯片并列的主要成本项。
地方反对正在成为最慢、也最难加速的约束
除了电、热、芯和钱，文章还指出一个无法靠工程手段直接解决的约束：当地社区是否愿意接受数据中心落地。
追踪机构 Data Center Watch 统计，2026 年第一季度，美国至少 75 个数据中心项目因地方反对被阻止或推迟，涉及金额约 1300 亿美元，单季规模已与 2025 年全年相当；活跃反对团体数量从 2025 年底的 396 个翻倍至 833 个，覆盖 49 个州。第二季度又有至少 45 个、价值约 680 亿美元的项目受阻，上半年合计接近 2000 亿美元。2026 年前六周，美国各州议会就提出了 300 多项与数据中心相关的法案，其中 14 个州出现全州暂停建设的提案。
居民反对的理由并不单一，包括电费上涨、用水、噪音、土地占用，以及越来越多“自带电源”项目带来的燃气电厂排放。
IEA 的研究给出一个相对平衡的视角：在电力供给过剩的系统中，稳定新增负荷反而能摊薄电网固定成本、压低电价；但在供需偏紧地区，数据中心建设快、负荷不确定、并网容量常常报高，确实可能推高电价。
文章认为，这个约束之所以最慢，是因为它无法用订单和资本加速。变压器可以扩产，燃气轮机可以加班生产，但信任只能一个社区一个社区地重建。从这个意义上说，数据中心能否从“电网负担”转变为“电网资源”，例如通过配套储能参与需求响应、承担电网升级成本，可能决定下一轮扩张的上限。
把数据中心送上太空，能绕开地面约束吗
如果把第一性原理继续往前推，一个自然问题是：既然约束来自电力、散热和土地，为什么不去一个太阳几乎不落、也没有邻居投诉的地方？
文章称，这正是轨道数据中心的逻辑。谷歌在 2025 年 11 月公布了“Suncatcher”计划，设想在晨昏太阳同步轨道部署搭载 TPU 的卫星。谷歌称，在合适轨道上，太阳能电池板的发电效率最高可达地面的 8 倍，据报道其还在与 SpaceX 洽谈发射合作。
文中提到，谷歌已经通过在轨 TPU 成功执行推理，并写出“一首关于身处太空的俳句”。SpaceX 则在 2026 年 1 月向美国联邦通信委员会申请部署最多 100 万颗数据中心卫星；创业公司 Starcloud 已在 2025 年把一颗 H100 送入轨道。中国方面，“三体计算星座”已完成首发 12 颗计算卫星发射，并在轨部署多个 AI 模型；阿里 Qwen3 也由国星宇航“星算计划”部署至太空计算中心，完成在轨端到端推理。
但物理约束并没有消失。文章指出，真空中没有对流，散热只能依靠辐射，因此需要巨大的散热面板；前沿模型训练需要成千上万颗芯片在每一步同步梯度，对带宽的要求远超当前星间链路能力；发射成本仍是决定性变量。谷歌自己的论文假设，要到 2030 年代中期，发射价格才可能降到每公斤 200 美元以下。
因此，更准确的理解或许是：太空数据中心并不是对“能源不够”的回答，而是对地面“并网太慢”和“社会许可太难”的回答。它提醒人们，AI 基础设施真正稀缺的，是可以被快速、合法、稳定接入计算的能量。
瓶颈仍在迁移，最慢的一环决定上限
文章最后回到“算力的尽头是电力”这句话，并给出更完整的表述：只要 Token 需求增速快于单位能效提升速度，AI 账本上的电力项就会持续增长；而决定一个国家或一家公司能跑多快的，是整条链路里最慢那一环的速度。
回顾过去三年，瓶颈迁移路径已经相当清晰：先是 GPU 本身，然后是 HBM 和 CoWoS 先进封装，如今则是变压器、燃气轮机和并网排队。文章称，下一个瓶颈可能是钱，也可能是许可；如果芯片一年一代的迭代继续快于机房三年建设周期，甚至还可能出现“建好的机房装不下下一代芯片”的资产搁浅风险。
文中认为，没有任何单一技术能够一次性解决问题。AI 竞争已经从模型和芯片的竞赛，演变为一场覆盖能源、制造、金融和社会治理的系统工程竞赛。在这场竞赛里，最容易被高估的是单点突破，最容易被低估的则是链条上那些不起眼的环节：一台变压器、一片取向硅钢、一纸规划许可。
本文来自微信公众号“机器之心”（ID：almosthuman2014），作者署名为“关注AI Infra的”。
