一个服务器机柜的大小与冰箱相当，重量却超过了一辆皮卡。预计到2027年，它的峰值功率将达到65户家庭用电量的总和。为了避免过热，每个机柜需要散发的热量相当于30台燃气锅炉的产热量。

这一看似科幻的描述，实际上来自国际能源署（IEA）在2026年4月发布的一份报告，其中描绘了下一代AI数据中心的图景。报告还提供了另外一组数据：2025年，五家科技巨头的资本支出总额超过了4000亿美元，而2026年这一数字还将再增长75%，这笔资金已超过全球油气开采领域的年度总投资。

过去两年间，“算力的尽头是电力”这一观点几乎成为了行业共识。这个说法没错，但只触及了问题的一个方面。电力固然是必要条件，但真正制约AI扩张的，往往不仅仅是“电够不够用”，更关键的是由发电、电网、变压器、散热、存储、封装和资本构成的一整条链条，以及链条上每个环节截然不同的建设速度。

要理解这条链条，最好的方式就是暂时抛开“GPU军备竞赛”“电力焦虑”这类现成的叙事，回归最基本的物理事实，从头开始算一笔账。

智能是如何被“消耗”出来的？

如果剥离所有商业包装，从物理层面来看，AI所做的核心工作就是：将电能输入晶体管，驱动比特翻转，完成矩阵乘法，最终输出Token。

按照这个逻辑，一个国家或一家公司能够产出的“有效智能”，可以粗略地表示为以下四个因子的乘积：

可用电力 × 硬件能效（每焦耳能完成的运算次数）× 算法效率（每次运算能换来的有用Token数量）× 利用率（机器实际运行的时间比例）

这个公式并不精确，但它的优势在于，每一个因子都对应着一层具体的基础设施。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、散热和供电的可靠性。

任何一个因子出现短板，其他三个做得再好也会被拖累。正因为如此，AI基础设施的瓶颈会不断“转移”：前两年是GPU买不到，随后是先进封装和高带宽内存产能紧张，现在则轮到了变压器、燃气轮机和并网排队。

首先，来看两个物理事实。

第一条是能量守恒。数据中心消耗的电能，除了极少数转化为光信号和机械振动外，几乎全部最终变成了热能。这意味着“供电”和“散热”本质上是同一个问题的两面：你往机柜里输入多少千瓦的电力，就必须从机柜里排出多少千瓦的热量。后文会看到，机柜功率密度的飙升正在同时冲击传统的配电和风冷系统。

第二条是“搬运数据比计算数据更昂贵”。芯片设计领域有一组经典测算：在45nm工艺下，一次32位浮点加法大约消耗0.9皮焦耳，而从片外DRAM读取同样长度的数据则需要消耗数百皮焦耳，差距达到两到三个数量级。

工艺进步后，绝对数值发生了变化，但这个量级关系并未根本改变。换句话说，现代AI芯片的能耗大头往往不在于“计算”，而在于“搬运”。从高带宽内存（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的底层逻辑都是同一件事：缩短数据需要传输的距离。

那么，物理极限在哪里呢？根据朗道尔原理，在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运算在几十飞焦耳量级。即便把一次运算拆解成上百次比特操作，今天的芯片距离理论下限仍有多个数量级的空间（粗略估算，仅作量级参考）。

香港天風國際證券分析師郭明錤的推文

因此，AI的能耗问题并非“撞上了物理墙”，而是工程、供应链和制度方面的问题。这个判断很重要，因为它决定了我们应该关注的方向，毕竟真正的限制在于工厂的生产排期、电网的规划以及地方议会的会议记录。

需求：效率每年提升十倍，为何用电量反而越来越多？

现在来看账本的另一端：需求。

IEA的最新测算显示，2025年全球数据中心用电量增长了17%，其中以AI为主的数据中心用电量激增50%，而同期全球总用电量仅增长了3%。按照其基准情景，数据中心用电量将从2025年的485太瓦时翻倍至2030年的950太瓦时，约占全球用电量的3%；AI专用数据中心的用电量则在同一时期增长到原来的三倍。

矛盾的是，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。软硬件的进步使得每项AI任务的能耗近年来每年至少下降一个数量级。

效率在飞速提升，总量却在迅猛增长，这是经典的杰文斯悖论。IEA将其分解为三股同时加速的力量：效率提升、使用量激增，以及能力跃迁所解锁的新应用场景。

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”转变为“花半小时替你完成一件事”时，每次交互的算力消耗就不再是同一个量级。

训练端也在同步膨胀。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，单次前沿训练所需的功率仍以每年约2.2倍的速度增长，目前最大规模的训练已超过100兆瓦；若趋势延续，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。

中国的数据为推理侧提供了另一种注脚。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，这一数字仅为约1000亿。算力供给同步扩张，截至2026年7月底，全国智能算力总规模达245万PFLOPS。

值得注意的是，3%这个全球占比看起来并不吓人。真正的压力来自集中性。IEA在2025年的报告中测算，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的总和。

电力：当按季度迭代的需求，撞上按十年规划的电网

如果只问“全世界有没有足够的电”，答案是有的。问题在于速度。

AI数据中心的建设周期正在急剧缩短。Epoch AI的观察是，吉瓦级数据中心大约两年就能建成；IEA的说法是两到三年。而电力系统的节奏则完全不同：大型电力变压器的交付周期在美国已拉长到最长四年，燃气轮机的交货期超过三年，新建核电则以十年计。

AI基础设施最深层的矛盾是三种时钟的错配：芯片按年迭代，数据中心按两年建成，电网按十年规划。 IEA报告指出：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，反差正越来越大。

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%。行业龙头GE Vernova在2026年第二季度财报中披露，其燃气设备的在手订单加产能预留已达116吉瓦，预计年底将至少达到125吉瓦；与此同时，它的年产能要到2026年第三季度才能爬升到20吉瓦，2028年达到24吉瓦，2030年再向30吉瓦推进。

简单相除，现有积压大约相当于近六年的产量。当大型机组排到2028年以后，一些开发商已转向往复式内燃机组这类“次优解”。

变压器的故事则更为微妙。它在数据中心总成本中占比很小，却可能决定整个项目能否按期通电。美国大型电力变压器的交付周期被普华永道分析师估计为最长四年；更上游，变压器铁芯所需的取向硅钢在美国只有克利夫兰-克里夫斯（Cleveland-Cliffs）一家本土生产商。一个为“负荷二十年基本不增长”而设计的供应链，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：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%。

核电是更长线的押注。微软与Constellation签下20年购电协议，重启三里岛1号机组（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。据第三方追踪，几大云厂商已签下约9.8吉瓦的核电相关协议。

但IEA提醒，首批小型模块化反应堆（SMR）要到2030年前后才有望投运。换句话说，核电解决的是2030年代的问题，而不是今天的问题。

电力短缺最终会以价格的形式传导出来。美国最大的电力市场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164亿美元的总成本中，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，价格已连续第三次顶到上限。电力，正在从一个工程问题转变为一个民生和政治问题。

热与密度：机柜正在变成一座小型电站

如果说电网是AI基础设施的“外部约束”，那么机柜内部正在发生的变化，则是另一场静悄悄的革命。

回到第一节的物理事实：为了缩短数据搬运的距离，GPU之间要尽可能挨在一起，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。这是一个几乎没有退路的物理逻辑。

来看具体数字，据行业梳理，Hopper时代的机柜功率约40千瓦，Blackwell时代升到120至140千瓦。天风国际分析师郭明錤的供应链调查显示，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的统计是，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，更像是在介绍一台工业设备而不是一台电脑：整柜集成约130万个元件、近1300颗芯片，重约4000磅，大致相当于一辆皮卡。

密度的飙升正在同时击穿供电和散热两套体系。

在供电侧，郭明錤指出，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因此可能是Oberon机柜架构的最后一代。背后的物理原理很简单：传输功率等于电压乘以电流，而线路损耗与电流的平方成正比，提高电压就能用更细的铜线传输更多的电力。这正是业界转向800伏高压直流配电的原因，IEA也注意到，AI数据中心正在借鉴电动车和新能源行业的技术走向高压直流。

在散热侧，几百千瓦的热量已远超风冷极限，全液冷正在从可选项变成默认项。

还有一个常被忽视的新问题：负载波动。IEA发现，AI数据中心的服务器负载会在一秒之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，对电网而言就像一个巨型开关在不停拨动。因此，储能正成为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，如果激励得当，它们反而能成为电网的调节资源。

一个颇具象征意义的细节是，郭明錤披露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。芯片规格开始向机房的电力现实妥协，这在过去是很少见的。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成为电力工程公司。

芯片：瓶颈为什么从GPU转移到了内存和封装

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并非计算核心。

原因仍然要回到“搬运数据比计算数据更昂贵”。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的速度把模型权重和上下文缓存从内存里搬出来，这就是所谓的“内存墙”。

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月的报告中指出，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。

先进封装是另一个卡点。据估算，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。

即便两年近四倍扩产，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。郭明錤估算，仅Rubin一个平台在2026年就需要30万到35万片CoWoS晶圆。

从第一性原理看，这一转移是必然的。摩尔定律放缓之后，单颗芯片的晶体管密度提升越来越难，性能增长越来越多地来自“把更多的硅和内存塞进一个封装，再把更多封装连成一个互联域”。于是，制造瓶颈从光刻前道，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，而光互联正在从机柜之间走向芯片封装旁边。每一步，依然是在缩短距离。

资金：一年7000亿美元，谁在买单？

将电力、散热、芯片串联起来的，是资本。

多家机构的统计口径略有差异，但方向一致：亚马逊、Alphabet、微软、Meta四家公司2026年的资本开支合计接近7000亿美元。IEA的判断是，数据中心投资的体量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。

一个更值得追问的问题是：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，其旗舰站点位于得克萨斯州阿比林。Epoch AI基于卫星图像的估算显示，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，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。

“签约”“在建”“通电”是三种完全不同的状态，行业里的大多数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。

另一个细节折射出电力在成本结构中的地位变化。据报道，阿比林的开发商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。如果这一数字属实，那么在自建电源的模式下，电力已不再是数据中心的配套成本，而是和芯片平起平坐的主要成本项。

社会许可：最慢的一个约束

在电力、散热、芯片、资金之外，还有一个无法用工程手段直接解决的约束：当地社区是否愿意接受。

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，单季规模就与2025年全年相当；活跃的反对团体数量从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。

居民反对的理由五花八门：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的研究给出了一个相对平衡的视角：在电力供给过剩的系统中，稳定的新增负荷反而能摊薄电网固定成本、压低电价；但数据中心建设快、负荷不确定、并网容量常常报高，在供需偏紧的地区确实可能推高电价。

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”，比如通过配套储能参与需求响应、承担电网升级成本，很可能决定下一轮扩张的上限。

极限外推：把数据中心送上太空？

如果把第一性原理推到极致，一个自然的问题是：既然