AI大厂的数据中心，正在撞上一堵比芯片更硬的墙

文 | 影子备忘录

2026年过去的大半年里，科技巨头的财报电话会上出现了一个微妙的变化。

分析师们不再只追问“模型能力提升了多少”，而是反复盘问同一个问题：钱花出去了，算力什么时候能真正到手上？

这背后有一个不争的事实被摆在桌面上：AI大厂的数据中心正在因为算力需求暴涨，导致自身运力供不应求。

过去两年，行业叙事的主线是“缺芯片”。GPU一卡难求，HBM产能告急，CoWoS封装排到一年以后。

但到了2026年，瓶颈已经不再停留在半导体层面。

电力接入要排队，变压器交货要等，液冷系统从“可选项”变成“必选项”的同时，能把它批量交付的人还不够用。

摩根大通在一份研究笔记中指出：现代数据中心两到三年可以盖好，但给它供电，天然气发电要五到七年，核能要十年以上，即便太阳能也要两到四年，而美国很多地区的电网接入排队已经超过五年。

盖楼的速度和通电的速度，已经不在同一个时间尺度上了。

需求曲线和交付曲线正在分叉

据Jefferies的测算显示，2025年全球真正投入运营的数据中心容量只有8.9GW，而当年的需求接近21.1GW，缺口约12GW。

更关键的是，2021年到2025年累计未交付的容量已经达到20.4GW，而且这个缺口还在扩大。

换句话说，过去五年里，行业不是没有花钱，也不是没有开工，而是建成的速度始终追不上需求膨胀的速度。

2026年全球AI数据中心的电力需求预计达到30GW左右，仅北美就接近19GW。

但Jefferies对供应链的拆解表明，工程与建筑劳动力短缺、冷却设备交付跟不上、变压器和电力部件供应紧张、备用发电机排产饱和，每一个环节都在拖慢“图纸变成通电服务器”的节奏。

这解释了一个乍看矛盾的现象：谷歌、Meta、亚马逊和微软四大科技巨头2026年的资本开支合计预计达到7500亿美元量级，比上一年的4100亿美元增长超过80%，但“算力不够用”的焦虑不但没有缓解，反而在加剧。

钱可以在一两个季度内决策到位，但电网扩容、变电站建设、冷却装备的制造产线爬坡，遵循的是工业逻辑，不是财务逻辑。

芯片端的压力同样没有消失，只是换了形态。

英伟达GPU的订单积压已经延伸到2027年，金额达到1万亿美元，GPU和定制芯片的交期拉长到接近一年；三家HBM供应商2026年的产能全部售罄，HBM产能缺口仍在50%到60%之间。

SEMI中国负责人给出的判断更为具体，他预测2026年全球AI基础设施支出将达到4500亿美元，推理算力占比首次超过70%，而存储正在取代逻辑芯片成为AI基础设施中最紧绷的那根弦。

芯片短缺是可以靠扩产逐步缓解的，电力接入和电网稳定性却不是。

北美电力可靠性委员会在2026年5月发布了迄今最高级别的电力系统可靠性警报，专门指向AI训练中心这类“计算负荷”，如果超过1000兆瓦的负荷意外脱网时，对电网频率的冲击相当于一台大型发电机组瞬间跳闸，而脱网的速度往往快于调度人员的响应能力。

这意味着，AI数据中心不只是“用电大户”，它的负荷特性本身就在考验电网的安全边界。

数据中心不再是“机房”

理解这场危机的关键，在于承认一个范式层面的变化：数据中心的功能定位已经彻底变了。

在云计算时代，数据中心是“仓库”，它是存储数据、按需调用，其核心指标是可用性和存储密度。

但在推理和Agent成为算力消耗主引擎之后，数据中心变成了“工厂”：它消耗电力，产出Token，每一瓦电的Token吞吐量直接决定成本结构。

英伟达在GTC上反复推销的“Token工厂”叙事，本质上是在说同一件事：未来的数据中心不是IT成本的容器，而是一条以电力为原料、以Token为产品的生产线。

一旦用制造业的逻辑来审视，很多此前被忽视的瓶颈就浮出水面了。

首先是散热。单机柜功率从风冷时代的数千瓦，快速进入百千瓦区间，下一代AI机柜的设计目标指向每柜数百千瓦，传统风冷在物理上已经无法兼顾算力密度和能耗约束。

液冷从“可选项”变成“必选项”，但规模化的瓶颈不在原理，而在交付：冷板方案的PUE可以做到1.15到1.2，浸没式可以压到1.1甚至1.04，可是一条CDU产线从投产到稳定排产、把漏液风险压到“零泄漏”量级，需要制造体系的爬坡时间。

制冷系统长期占据数据中心总能耗的四分之一到四成，把它从工程问题变成工业问题，是这一轮基建中最容易被低估的环节。

其次是人才。Uptime Institute的年度调查显示，2026年超过半数的数据中心受访者表示难以找到合格人选填补运营、机电和监控岗位，员工被同行挖角成为常态。

更有研究指出，多达一半的数据中心工程师将在三年内退休，而新人补充不足，经验断层正在形成。

建一座数据中心需要工程师，运营一座高密度液冷集群需要的是另一类工程师，他们要既懂传统基础设施、又要熟悉GPU调度和分布式训练环境，这类人在市场上极度稀缺。

资本可以买到设备，但买不到经验曲线。

资本开支的“异化”

面对这种结构性短缺，巨头的反应是加速花钱，而且花的钱越来越不像传统意义上的“资本开支”。

摩根士丹利有一个测算：到2028年，全球在AI数据中心和芯片上的总支出将达到2.9万亿美元，其中约1.4万亿可以由超大规模云厂商的内部现金流覆盖，剩下的1.5万亿需要从外部融资填补。

这说明自有现金流已经不再是投入的边界。2026年截至9月中旬，美国五大云厂商（谷歌、亚马逊、Meta、微软和甲骨文）的债券发行量已达1861亿美元，超过2025年全年；高盛预计五大厂商2026年发债规模约2500亿美元，2027年可能达到4000亿美元。

国内的动作同样在改变互联网公司的财务肖像。腾讯2026年二季度资本开支升至528亿元，是上年同期的近三倍，其中绝大部分流向数据中心、GPU服务器和智算集群。

更值得玩味的是，当季自由现金流录得负138亿元，为2014年披露该数据以来首次单季转负，很大程度上与算力采购预付款的集中支付有关。

字节将2026年全年资本开支规划上调至2000亿元，投入强度居国内首位；阿里2026财年约1260亿元的资本开支中，AI服务器、数据中心与GPU采购是绝对主力。

这些数字如果放在传统的“投资回报”框架里看，会显得相当激进。

但更准确的解读是：在当前阶段，资本开支的性质正在从“投资”滑向“入场费”。

算力供给的缺口是结构性的，交付周期以年计，谁提前锁定了电力、机柜和芯片产能，谁就拿到了下一阶段参与竞争的资格。

黑石集团总裁在评价这一轮基建时给出的判断颇具代表性：过去六个月旗下企业对大语言模型的需求增长了七倍，而数据中心、电力、芯片的供给远远跟不上，基础设施本身正在变成“具备融资价值的资产”。

当基础设施本身成为可融资、可交易的资产类别，数据中心就不再是大厂财报附注里的一个成本项，而是资产负债表上需要被认真定价的战略筹码。

算力正在变成一种“主权资产”

把视线拉回国内，一个容易产生误读的对比是“美国砸了7500亿，中国才1000亿”。数字本身有参考价值，但更有解释力的是瓶颈的结构差异。

SemiAnalysis在2026年9月首次将中国纳入其全球数据中心追踪模型，测算中国已交付的数据中心总容量超过24GW，仅次于美国的56GW，超过欧洲、中东和非洲的总和。

从厂商格局看，字节以约5.3GW的容量占据全国约五分之一，几乎全部采用租赁模式；阿里约3.9GW、腾讯约2.4GW、百度约1.1GW，以自建与租赁混合为主。

中国100兆瓦级超大规模数据中心的交付周期，已经从云计算时代的约18个月压缩到AI时代的约12个月，部分项目甚至压缩到100天。

但同一份报告也指出了一个关键约束：在先进AI芯片出口管制的背景下，国产芯片的单位功耗算力仅为进口芯片的10%到30%，全国算力设施上架率约71.4%，芯片供给短缺仍然是关键瓶颈。

这就形成了两条不同的“扛不住”路径。美国的瓶颈更多落在电力和电网的物理承载能力上，芯片短缺在缓解，但通电和并网的速度跟不上；中国的瓶颈则更集中地体现在芯片能效和供给结构上，电力总量和电网扩容的腾挪空间相对更大，政策层面也在主动推动“算随电走”，引导算力向绿电富集区域集聚。

同一个“算力不够用”的表象，底下的约束条件并不相同，应对策略的优先级也因此分化：海外巨头在向上游走，自建电厂、签长期核电协议、甚至把电力资产纳入战略布局。

国内厂商则在国产芯片适配、算力调度效率和租赁模式的精细化上寻找空间。

如果只从商业竞争的角度看这场数据中心军备竞赛，会漏掉一个正在快速成形的维度：国家和区域集团正在把算力基础设施当作战略资产来配置。

IDC的统计显示，目前已有超过40个国家启动并资助国家级AI基础设施项目，中东地区最为活跃，西欧和亚太则更多由数据主权和安全需求驱动。

沙特主权基金旗下的AI企业HUMAIN与法国Mistral达成合作，计划到2030年部署多达60万颗AI芯片和1吉瓦的算力，目标是让数据、智能和算力“掌握在客户自己手中”。

欧盟则将主权AI基础设施几乎当作一种 doctrine 来对待，通过InvestAI等项目为欧洲本土的数据中心和芯片能力提供融资。

而这些动作也代表着数据中心的选址和归属，正在从“哪里电便宜、哪里离用户近”的商业决策，部分地转变为“算力留在谁的领土上”的政治经济决策。

当算力被纳入主权框架，供给的弹性会进一步收窄。

因为不是所有可以建数据中心的地方，都被允许建；也不是所有愿意出钱的人，都能买到同等的芯片和并网权限。