AI 数据中心统计数据.

AI 需求不再仅仅是模型质量的故事。它现在体现在电力预测、兆瓦租赁、超大规模厂商资本支出、GPU 收入、AI 服务器出货量、冷却设计、电力采购和电网排队中。最困难的部分是这些数字衡量的不是同一件事。太瓦时（TWh）预测不是在线 AI 容量。规划中的千兆瓦（GW）园区不是已通电的电力。GPU 订单不是已部署的集群。云收入数字不是数据中心容量数字。

2026 年最清晰的解读是一系列相关统计数据。 IEA 估计 2024 年全球数据中心消耗了约 415 TWh 电力，到 2030 年可能达到约 945 TWh。 伯克利实验室估计 2023 年美国数据中心使用了 176 TWh 电力，到 2028 年可能达到 325-580 TWh。 CBRE 报告 2025 年底北美主要市场数据中心空置率降至 1.4%。与此同时， NVIDIA 报告 2027 财年第一季度数据中心收入为 752 亿美元， CoreWeave 报告 2026 年第一季度活跃电力超过 1 GW。

这些都是 AI 基础设施信号。它们不可互换。综合来看，它们解释了为什么 AI 数据中心容量已成为模型访问、云定价、推理延迟和企业 AI 部署背后的实际限制之一。

AI 数据中心头条数据

2026 年的顶尖数据使用不同的分母——随时间变化的电力、某个时间点的电力容量、市场兆瓦和硬件收入——因此应将每个数据视为一个独立的信号，而不是一个数字。

为什么单位很重要：TWh、GW 和资本支出

AI 基础设施统计数据看起来常常指向相同的限制。但它们并非如此。TWh 衡量的是一段时间内消耗的电力。MW 和 GW 衡量的是某个时间点的电力容量。供应可以指市场中已建成的数据中心容量，而在建则指可能已预租的未来容量。活跃电力指支持当前运营的电力，而签约电力则指未来的电力承诺。资本支出是承诺或花费在资产上的资金，但资本支出并不能显示数据中心何时通电。

这种区别很重要，因为 AI 的建设速度比许多公共仪表盘能够清晰衡量得更快。 IEA 的 415 TWh 和 945 TWh 数据 描述的是全球数据中心电力需求，而非仅限 AI 的电力。 伯克利实验室的 176 TWh 和 325-580 TWh 数据 描述的是美国数据中心，而非仅限 GPU 集群。 CBRE 的 9,432 MW 供应数据 描述的是北美主要数据中心市场，而非全球 AI 总容量。

同样的规则也适用于 GPU。 NVIDIA 2027 财年第一季度 752 亿美元的数据中心收入 证明了加速器、网络和数据中心平台的巨大需求。它并未证明部署了多少 GPU、它们安装在哪里、哪些客户可以访问它们，或者机架有多少可用电力。

电力需求和电网压力

电力是最显眼的分母，因为 AI 工作负载会转化为服务器电力、冷却电力、变电站需求、输电需求和采购风险。全球基线来自 IEA：2024 年数据中心电力需求约为 415 TWh，在基准情景下，2030 年约为 945 TWh。同一份 IEA 报告将快速增长归因于 AI 优化的加速服务器，预计在基准情景下，其年增长率约为 30%。

美国在短期内有更陡峭的曲线。 伯克利实验室 估计 2023 年美国数据中心使用了 176 TWh 电力，高于 2014 年的 58 TWh，到 2028 年可能使用 325-580 TWh。按份额计算，这意味着美国数据中心占美国总电力的份额可能从 2023 年的 4.4% 上升到本世纪末的更大份额，具体取决于 LBNL 报告 中的增长和效率假设。

EIA 2026 年的建模提供了更狭窄的视角。 EIA AEO2026 侧重于商业部门的服务器电力消耗，预计从 2024 年到 2030 年将增加 93-233 亿千瓦时。这个更狭窄的分母很有用，因为它将服务器独立出来，但不应将其用作完整的数据中心电力估算。服务器位于设施内部，这些设施还需要冷却、配电、备用系统和网络设备。

区域数据对运营商来说更具启发性。 EIA 对 Dominion Energy Virginia-Carolinas 的分析 显示，该区域的电力需求在 2024 年增长了 6%，预计夏季峰值需求从 2024 年到 2030 年将增长 25%。北弗吉尼亚仍然是世界上数据中心最密集的地区之一，因此这是一个有用的电力市场警告：数据中心的增长通常是局部的和电网特定的，即使 AI 需求是全球性的。

政策含义不仅仅是“建造更多数据中心”。它是电力输送。美国能源部清洁能源页面称，2023 年数据中心约占美国总电力的 4%，到 2030 年可能达到 9%，引用了通过 美国能源部 进行的 EPRI 式分析。PJM 的 2026 年负荷预测材料 显示了区域电网运营商为何对大负荷增加审查。数据中心可以拥有土地、资金和服务器，但仍然需要等待变电站、输电、许可证和稳定电力。

资本支出、超大规模厂商和规划中的 AI 基础设施

超大规模厂商的资本支出浪潮是 AI 基础设施已成为资产负债表优先事项的最有力迹象之一。它也是最容易误读的领域之一。公司资本支出可以包括土地、建筑物、GPU、CPU、网络、数据中心电气设备、租赁和非 AI 云基础设施。正确的比较是方向性规模，而不是精确的 AI 市场份额。

微软 2026 财年第三季度的业绩提供了一个有用的细分。 微软报告 资本支出（包括融资租赁）为 319 亿美元，管理层表示其中约三分之二用于 GPU 和 CPU 等短期资产。这种细分很重要，因为它将快速折旧的计算资产与寿命更长的数据中心和网络资产区分开来。它还表明了为什么资本支出不会立即转化为新的供应：计算资产可能在完整的园区、电力和网络堆栈在客户需要的地方可用之前就已到位。

Alphabet 提供了类似的细分。 Alphabet 报告 2026 年第一季度资本支出为 357 亿美元，主要用于 AI 技术基础设施。该公司表示，其中约 60% 用于服务器，约 40% 用于数据中心和网络。这很有用，因为它表明 AI 基础设施既是芯片/服务器问题，也是房地产/电力/网络问题。

Meta 的指导显示了社交平台 AI 基础设施的规模。 Meta 将 2026 年资本支出指导提高到 1250 亿至 1450 亿美元，其中包括融资租赁本金支付。融资租赁的措辞很重要：包含租赁本金支付的数字不能直接与另一家公司更狭窄的仅采购资本支出数字进行比较。

亚马逊的资本支出框架甚至更大。在 亚马逊 2025 年年度报告 中，该公司表示预计 2026 年资本支出约为 2000 亿美元，主要用于 AWS，其中很大一部分与客户承诺相关。这种措辞将资本支出与需求联系起来，但计划中的 2026 年资本支出仍然是计划中的资本支出。它不是已经支出的资本支出，也不是在线 AI 数据中心容量的直接衡量标准。

Oracle 和 OpenAI 展示了另一个层面：签约的 AI 基础设施和规划中的园区。Oracle 的 2026 财年业绩 强调了云基础设施的增长和与 AI 需求相关的剩余履约义务。OpenAI 的 Stargate 公告 描述了四年内高达 5000 亿美元的美国 AI 基础设施投资，而 OpenAI 和 Oracle 的更新 描述了近 7 GW 的规划容量和三年内超过 4000 亿美元的投资。这些都是重要的承诺信号。它们并不能保证近 7 GW 的电力今天已上线。

GPU、AI 服务器、内存和机架供应

计算供应是继电力之后的第二个主要分母。NVIDIA 的数据中心部门是公开硬件需求信号中最清晰的。 NVIDIA 报告 2026 财年数据中心收入为 1152 亿美元，同比增长 142%。在 2027 财年第一季度， NVIDIA 报告 数据中心收入为 752 亿美元，同比增长 92%。

这些数字解释了为什么 AI 数据中心讨论常常从 GPU 开始。但它们不应止于此。NVIDIA 数据中心收入包括加速器、系统、网络和平台组件。它没有公开披露每个 AI 数据中心部署的 GPU 的确切数量，也没有显示这些 GPU 所需的机架空间或可用电力。

AI 服务器出货量预测有助于完善供应链图景。 TrendForce 预计 2026 年全球 AI 服务器出货量将同比增长超过 28%，而基于 ASIC 的 AI 服务器将接近 AI 服务器出货量的 28%。这表明 AI 硬件组合更广泛，不仅仅是 GPU 系统。它还暗示了推理的增长：随着推理在工作负载中占据更大份额，更专业的加速器和基于 ASIC 的系统可能在经济上变得重要。

内存和封装是另一个瓶颈层。 TrendForce 的 HBM 覆盖 显示高带宽内存需求与 AI 服务器增长相关。HBM 不是数据中心容量指标，但它是计算供应的限制。云提供商可能需要更多 AI 容量，但仍面临加速器供应、内存封装、高级网络或电力输送的限制。

机架密度使硬件故事变得具体。更高密度的 AI 机架将更多负载放入每个房间和每个电源链。Uptime Institute 的 2025 年全球数据中心调查 强调了运营商面临的电力、冷却和密度压力。这就是为什么 AI 数据中心越来越不像普通的企业服务器机房，而更像具有专业冷却、变压器、开关设备和网络的电力密集型工业场所。

实际的启示是：GPU 的可用性是必要的，但不是充分的。一个已部署的 AI 集群需要加速器、服务器、网络、存储、机架电源、冷却、软件、编排和客户可用的容量。任何止步于芯片收入或服务器出货量的统计数据都只是堆栈的一层。

训练集群和推理容量是不同的问题

AI 数据中心需求通常被描述为一股浪潮，但训练和推理对基础设施的压力不同。训练前沿模型需要非常大、紧密连接的加速器集群。这些集群需要巨大的连续电力、高速网络、密集冷却，以及在长时间作业中可靠地访问相同的加速器池。这正是 NVIDIA 数据中心收入增长、 微软 GPU 密集型资本支出细分 和 Alphabet 服务器密集型 AI 基础设施支出 所暗示的世界。

推理具有不同的形态。一旦 AI 产品进入搜索、编码、客户支持、企业工作流、电子商务、分析和代理自动化，基础设施问题就变成了成本、延迟、区域可用性和稳定利用率。推理仍然可以使用高端加速器，但它也产生了对专用加速器、ASIC 系统、优化网络以及更接近用户和应用程序的容量的需求。这就是为什么 TrendForce 预测 2026 年基于 ASIC 的 AI 服务器可能接近 AI 服务器出货量的 28%，值得与 GPU 收入一起阅读。

这种区别也影响地理位置。训练集群可以位于能够获得大量电力、土地和冷却的地方。推理容量可能需要更接近云区域、企业客户、消费者流量或受监管的数据位置。 JLL 的全球数据中心展望 指出到 2030 年将有大规模的容量扩张，而 CBRE 的北美报告 显示主要市场空置率很低。这两个信号都可能是真实的，因为一个市场可能在未来有建设，但今天仍然缺乏合适的低延迟或电力就绪的库存。

对于 AI 团队来说，这改变了容量规划。模型训练容量、批量推理容量、实时推理容量和企业区域容量应分开规划。一个大型的未来园区并不能自动解决受限城市中的低延迟推理问题。云提供商的总 AI 资本支出并不能保证产品团队所需的精确 GPU 类别、内存配置、区域和可用性窗口。

云、新云和托管容量

云买家通过可用性、价格、延迟和预留容量来体验 AI 基础设施的限制。这种体验背后的实体市场非常紧张。CBRE 2025 年下半年报告称，北美主要市场供应量达到 9,432 MW，空置率降至 1.4%，净吸收量达到 2,497.6 MW，在建项目为 5,994.4 MW，根据 CBRE 的数据。低空置率和大量在建项目可以并存，因为在建容量可能在交付前就已经预先承诺。

JLL 和 Cushman 展示了全球和美洲的建设情况。 JLL 预测 到 2030 年全球数据中心容量可能达到 200 GW，其中 2025 年至 2030 年将增加 97 GW。 Cushman & Wakefield 估计 2025 年下半年美洲运营容量为 43.4 GW，在建容量为 25.3 GW，其中近 89% 已预租。这些数据支持相同的方向性结论：供应正在快速扩张，但可用容量仍然稀缺。

新云使容量堆栈更加可见，因为一些公共提供商会披露电力和积压订单。 CoreWeave 2025 年的备案文件 报告了 43 个数据中心、850+ MW 的活跃电力和 3.1 GW 的签约电力。 CoreWeave 2026 年第一季度的发布 称活跃电力超过 1 GW，收入积压达到 994 亿美元，2026 年收入指导为 112 亿至 114 亿美元。这是一个有用的公开示例，说明了实时基础设施和未来承诺之间的区别。

云收入增长是需求信号，而不是容量指标。 Synergy Research 描述了在 AI 驱动下云基础设施的强劲增长， Synergy 的新云覆盖 讨论了 AI 驱动的新云快速增长。这些链接有助于解释买家需求，但收入图表无法回答有多少兆瓦在线、有多少机架容量空闲，或者特定区域是否有 GPU 可用。

运营商的经验是保持采购问题的具体性。询问容量是活跃的还是已签约的。询问提供商是否控制电力、托管空间、网络和冷却。询问容量是针对训练优化的还是针对推理优化的。询问工作负载是需要超大规模区域、专业 AI 云还是靠近用户的托管部署。

为什么巨大的在建项目仍然感觉容量受限

2026 年数据中心统计数据中最大的明显矛盾是，在建项目看起来规模巨大，但买家仍然面临稀缺。 CBRE 报告 2025 年底北美主要市场有近 6 GW 在建。 Cushman & Wakefield 报告 美洲地区有 25.3 GW 在建。 JLL 预测 2025 年至 2030 年全球将增加约 97 GW 容量。这些数字很大，但它们处于交付时间轴的不同点。

有几个因素使市场容量保持紧张。首先，在建项目不是可用容量。其次，很大一部分未来容量可以在建筑物交付前预先承诺。Cushman 的 美洲更新 中近 89% 的预承诺数据是这里最清晰的信号。第三，瓶颈可能在建筑物外部。数据中心外壳比为其供电的电力路径更容易建造。第四，并非每个兆瓦都适合每个 AI 工作负载。

容量市场也存在时序问题。一个园区可以以不同的速度宣布、获得许可、融资、租赁、建造、连接、调试和填充服务器。 OpenAI 的 Stargate 计划 和 亚马逊 2026 年的资本支出计划 显示了意图和投资规模。 CoreWeave 的活跃电力 显示了实时运营足迹。 CoreWeave 的签约电力 显示了未来的承诺。这些状态之间的差距是买家感受到稀缺的地方。

这就是为什么空置率是一个特别有力的统计数据。 CBRE 的 1.4% 空置率 无需证明每个设施中有多少 AI 模型正在训练。它证明了可用主要市场数据中心库存极度紧张。当这种紧张与 AI 驱动的电力密度、更高的资本支出和更长的公用事业时间表重叠时，结果是大型客户更早预留容量，而小型买家面临更少的简单选择。

冷却、水、PUE 和可持续性限制

AI 数据中心不仅受电力限制。在某些地区，它们还受冷却和水的限制。最常见的效率指标是 PUE，即电力使用效率。 Google 报告 其过去 12 个月的机队 PUE 为 1.09，这意味着其设施开销相对于 IT 电力较低。这是令人印象深刻的运营效率，但 PUE 并不意味着总电力需求很低。如果 IT 负载快速增长，即使 PUE 提高，总电力也可能上升。

冷却策略正在成为设计差异化的关键。 微软描述了 减少或消除冷却系统中水蒸发的数据中心设计，以及更广泛的社区和水资源积极承诺。这些设计选择很重要，因为高密度 AI 机架可能推动设施采用液体冷却或混合冷却架构。

水资源统计数据需要特别仔细解读。 MOST 政策倡议的说明 解释了数据中心可以直接用于冷却消耗水，也可以通过发电间接消耗水。直接设施用水、取水、耗水、用水强度以及与发电相关的间接用水是不同的指标。AI 特定的水总量通常比电力和容量统计数据更难验证。

电力采购现在是可持续性和可靠性堆栈的一部分。 Constellation 与微软的协议 通过一项为期 20 年的购电协议支持重启三里岛一号机组作为 Crane 清洁能源中心，恢复就业和电网的无碳电力。 Google 与 Kairos Power 的协议 涵盖了来自多个小型模块化反应堆的未来核能。这些交易意义重大，因为大型 AI 基础设施买家正在努力确保稳定的清洁能源。它们不应被解读为即时的数据中心容量。

环境结论是微妙的。效率可以提高，而总负载却可能上升。低 PUE 设施仍然可能给当地电网带来压力。节水设计可以减少直接用水，而发电用水仍然是更广泛足迹的一部分。清洁能源采购可以随着时间的推移减少排放暴露，但并不能消除对输电、变电站和地方审批的需求。

对于当地社区来说，相关的数字通常是地方性的，而非全球性的。 IEA 预测的全球 945 TWh 数据中心电力需求对宏观能源规划很重要，但社区关心的是特定的变电站、水系统、输电走廊、税基、噪音状况和施工进度。同样的区别也适用于水。 Google 或 微软 的机队级 PUE 或水资源策略可以显示方向，而项目级问题仍然是特定于站点的。

2026 年值得关注的关键限制

AI 的建设正在同时在各个层面扩展，但瓶颈是错开的。这五个限制决定了已承诺的投资是否能转化为可用的 AI 容量。

如果您构建、购买或运营 AI 基础设施，这意味着什么

实际的教训不仅仅是 AI 基础设施规模庞大。而是不同的数字回答不同的运营问题。

阅读容量数据而不被误导

使用全球电力需求来衡量宏观能源压力。使用美国电力预测进行国内电网规划。当来源明确仅限于服务器时，使用服务器电力。使用 MW 和 GW 供应来衡量设施容量。使用空置率、吸收率和预承诺来衡量市场稀缺性。使用资本支出衡量投资规模。使用活跃电力衡量实时提供商足迹。使用签约电力和规划 GW 衡量未来容量。使用 GPU 收入和 AI 服务器出货量衡量计算供应动能。

不要将这些数字相互替代。 IEA 2030 年基准情景预测的 945 TWh 与 JLL 预测的 2030 年全球可能达到 200 GW 容量 不同。 CBRE 的 1.4% 北美空置率 与 CoreWeave 的 1+ GW 活跃电力 不同。 NVIDIA 752 亿美元的数据中心收入 与已部署的 GPU 容量不同。

常见问题

来源和进一步阅读