这轮人工智能基础设施扩张，最值得观察的指标已经从模型参数转到了芯片和电力。纽约时报援引 Epoch AI 的估算称，全球数据中心目前约有 2000 万颗 AI 芯片，数量大约每 9 个月翻一番，2028 年底可能达到约 2 亿颗，是当前规模的 10 倍。IDC 预测，2029 年全球 AI 基础设施投资将超过 1 万亿美元，上一年为 3180 亿美元。
这组数字对应一套需要芯片、网络、数据中心、电网和融资同时扩张的物理系统。算力供给增长以后，收入和生产率能否以相近速度跟上，决定这轮建设能否持续。
芯片数量会落到两类工作负载
AI 芯片进入数据中心后，主要承担两类任务：训练和推理。
训练阶段需要大量芯片同时处理数据，前沿模型的一次训练可能让数万颗专用芯片连续工作，训练成本可达到数亿美元。芯片之间还要通过高速网络交换数据，硬件故障会拖慢整个任务。因此，训练集群的规模取决于芯片数量，也取决于互联网络、存储和运维系统能否保持同步。
推理阶段的需求形态不同。模型完成训练后，数据中心要持续处理用户请求，越来越多的任务还需要模型进行更长时间的计算。把计算能力布置在离用户更近的地点，可以缩短响应时间，也能让模型完成更复杂的任务。这会把算力需求从少数大型训练集群扩展到覆盖更广的推理网络。
所以，2 亿颗芯片并不等于 2 亿颗芯片简单叠加。它对应的是更多训练集群、更密集的推理节点，以及支撑这些节点运行的网络和电力设施。
地图上的绿色圆圈代表什么
地图把美国数据中心容量分为“Current”和“Planned after 2026”两组。绿色圆圈大小对应容量，图例中的最大示例为 9700 兆瓦，较小示例为 500。右侧规划图的标记明显更密集，说明未来项目会在多个地区形成更大的容量集群。
这张图的意义在于，它把 AI 投资转换成了可以观察的空间布局。数据中心需要土地、输电能力、网络连接和供水条件，项目审批与建设周期也会影响芯片何时真正变成可用算力。芯片订单增长很快，并不代表所有芯片可以同时上线。
电力已经成为扩张中的硬约束。纽约时报援引 SemiAnalysis 的估算称，全球数据中心去年消耗约 64 吉瓦电力，规模大致相当于德国的用电量；到 2030 年，这一数字预计增加到现在的 4 倍，超过南美洲和非洲所有国家的用电总量。先进 AI 数据中心每增加 1 吉瓦电力，服务器、土地、网络连接和公用设施接入等成本大约需要 400 亿至 600 亿美元。
这解释了为什么地图上的容量规划会成为 AI 产业的重要指标。芯片数量只代表潜在算力，能否获得稳定电力和完整基础设施，才决定它何时可以对外提供训练或推理服务。
规模定律带来的资本压力
AI 基础设施建设背后的判断，是更多数据和计算能力可以带来新的模型能力。Google 首席科学家 Jeff Dean 在报道中表示，更大规模的计算会让一些能力在较小规模下不会出现，并推动 AI 服务覆盖数亿乃至数十亿用户。
这个判断已经转化为巨额资本开支。报道援引高盛预测，亚马逊、Google、微软、Meta 和甲骨文今年预计在数据中心、芯片及其他 AI 基础设施上投入约 7500 亿美元，上一年约为 4000 亿美元。IDC 对 2029 年超过 1 万亿美元的预测，则把这轮建设放到了更长的时间尺度上。
投资规模越大，回报验证的压力也越大。经济学家在报道中提醒，铁路、电气化和互联网等基础设施热潮都曾伴随经济下行或泡沫破裂。AI 企业需要证明新增算力能带来足够的模型服务收入、企业生产率或新业务，否则电力、折旧和融资成本会持续侵蚀利润。
这也是“规模定律”在产业层面的另一面：更大的计算规模可能带来更强的能力，但每一轮扩张都需要新的资本、土地和能源投入来兑现。
美国的领先来自基础设施密度
美国目前约有 5500 座数据中心，数量约为全球第二大国家的 10 倍。Epoch AI 估算，美国企业控制着驱动 AI 的全球计算能力约 80%。报道还援引估算称，Google 自身拥有的 AI 芯片数量可能是中国所有企业总和的 4 倍。
中国企业正通过自研芯片和 AI 基础设施追赶，但芯片供应、数据中心建设和电力条件会共同决定追赶速度。报道援引 Epoch AI 的数据称，中国企业在 2025 年底约拥有 116 万颗 H100 等效芯片，2024 年初约为 24.4 万颗；这组数字不包含走私芯片和企业使用的海外计算资源。
这种差距带来的影响体现在模型排行榜、训练周期、推理响应能力和 AI 服务覆盖范围上，也会影响企业能否把 AI 代理部署到日常工作流程中。计算能力集中在少数地区，还会让电力、土地、融资和供应链成为地缘竞争的一部分。
2 亿颗芯片之后，先看四个问题
第一，芯片能否按计划交付并进入稳定运行。制造、组件供应和数据中心建设任何一环延误，都会让名义算力与实际可用算力出现差距。
第二，电力基础设施能否同步建设。64 吉瓦的当前消耗和 2030 年预计四倍增长，意味着发电、输电、并网和地方审批都需要跟上数据中心项目的速度。
第三，推理需求能否形成持续收入。训练集群的建设有明确项目周期，推理网络则需要长期承担用户请求。只有模型能力转化为稳定的使用量和付费，基础设施投资才有持续扩张的理由。
第四，资本市场能否承受建设周期。每吉瓦先进 AI 数据中心对应 400 亿至 600 亿美元成本，任何需求预测下修都会放大资产利用率和现金流风险。
全球 AI 芯片在 2028 年底达到约 2 亿颗，仍然是 Epoch AI 的预测，而非已经完成的产能统计。它提供了一条观察产业的坐标线：如果这条线接近实现，数据中心容量、电力消耗和基础设施投资都要同步上升；如果其中一环停滞，芯片数量与可用算力之间就会出现明显落差。
接下来需要跟踪的指标包括芯片出货量、数据中心是否按规划上线、每吉瓦能承载多少有效工作负载，以及 AI 服务收入能否覆盖这套基础设施的长期成本。