为什么 OpenAI 总是缺算力？

2023 年，OpenAI 的可用算力只有 0.2GW。2024 年升到 0.6GW，2025 年再到约 1.9GW。两年涨了 9.5 倍，仍然不够。2026 年 4 月，OpenAI 又把目标推到了 2030 年 30GW。

30GW 是 2025 年可用算力的近 16 倍。可就在这个目标公布四个月后，OpenAI 又签下 PORTS-Pike，一座规划容量约 8 IT-GW 的数据中心。

已经签了多少座数据中心，为什么还在继续签，这 8GW 放进 30GW 以后又算多大？

OpenAI 到底签了多少

从 2023 年往后翻，第一份大合同来自 Microsoft。那次 multi-year partnership 没有公布 GW，也没有公布 Azure supercomputer 分别落在哪座数据中心，只说双方已经建成多套系统，用来训练 OpenAI 的全部模型。

所以 0.2GW、0.6GW 和 1.9GW 是 OpenAI 各年的 available compute，不是一份可以钉到地图上的 site inventory。Azure、OCI、CoreWeave 和 AWS 分别贡献了多少，每个运行中的 data center 又有多少 GW，OpenAI 没有披露。

第一块能同时钉住位置、容量和运行状态的，是 Abilene。它在 2024 年开工，不到一年就跑起了 AI workload；截至 2026 年中，1.2GW 规划容量已经向客户交付 42%，剩余部分仍在建设。

再往后，physical campus 才开始一座座露出坐标。2025 年 9 月，Abilene 加上五座新 site，把 Stargate 带到六座 campus、接近 7GW planned capacity；一个月后，Michigan 成为第七座。2026 年又加上 Georgia 的 Project Camellia 和 Ohio 的 PORTS-Pike。

截至 2026 年 8 月 22 日，九座里只有 Abilene 已有 workload 在跑，另外七座已经进入 construction，Camellia 仍在 permitting，尚未开工。PORTS-Pike 由 SB Energy 先行开发，OpenAI 2026 年签入时，开发商已经把项目列为 In Early Construction。圆的面积按各站公开的最终容量缩放，不代表今天已经 available 的 GW；Abilene 的绿色圆也只说明 campus 已经投入使用，真正完成交付的仍是 42%。

各站公开的 GW 口径并不相同。PORTS-Pike 是 IT capacity，Shackelford 是 critical IT load，Project Jupiter 是 installed fuel-cell capacity，Lighthouse 是 campus development，Doña Ana 和 Camellia 则是 power capacity。它们能比较单站 buildout 的量级，不能直接相加。

地图回答了这九座 campus 在哪里、建到哪一步，还不能用来计算 OpenAI 已经锁定了多少 GW。

同一批算力，会在 site、cloud capacity、compute system 和 chip 四层披露里反复出现。Oracle 的 4.5GW partnership 会落到多座 campus；Milam County 的 1.2GW lease 已经包含在 2025 年公布的五座新 site 里；NVIDIA 的 10GW 还是 letter of intent，Broadcom 的 10GW 是一份系统部署 term sheet。后两项合计 20GW，指的是将部署到 OpenAI 及其合作伙伴数据中心里的 systems，不能再算成 20GW 新机房。

Microsoft、Oracle、AWS、CoreWeave 和 Google Cloud 提供 cloud capacity，底下也可能落在同一批 physical infrastructure 上。把每份新闻稿里的 GW 直接相加，同一座数据中心会被算上两遍，甚至三遍。

所以这张图只收录能够钉住位置和交付状态的 physical campus。容量判断回到两个不会重复计算的边界：2025 年已经 available 的 1.9GW，以及 OpenAI 计划在 2030 年拿到的 30GW。

Anthropic 的 GW 去了哪里

看到这里，Anthropic 反而显得安静。Claude 的用户和收入同样在涨，为什么很少看到 Anthropic 接连宣布一座 5GW、8GW 的 data center？

两家公司拿算力的路径不同。OpenAI 把 physical infrastructure 收进 Stargate，一座 campus 从选址到开工都挂着 OpenAI 的名字。Anthropic 的算力分散在 AWS Trainium、Google TPU、Azure NVIDIA、Fluidstack 和 SpaceX，新闻通常由 cloud provider、chip supplier 或 data center developer 发出来。

GW 并没有消失。2025 年 10 月，Google 为 Anthropic 安排了 2026 年上线的 1GW 以上 TPU capacity；2026 年 4 月，AWS 又签下最高 5GW，其中接近 1GW 会在 2026 年底前上线；一个月后，Anthropic 接走 Colossus 1 的全部 capacity，超过 300MW。再加上 Azure 的 1GW 和 2027 年开始交付的 Google/Broadcom capacity，Anthropic 也在提前锁定多年的 GW 供给，只是没有把它们包装成一张 Stargate campus map。

到了 available compute，比较就卡住了。截至 2026 年 8 月 22 日，同一口径下能核对的公司级数据仍停在 2025 年底：OpenAI 披露了 1.9GW，Anthropic 没有披露总量。一份 OpenAI memo估算 Anthropic 约有 1.4GW；Epoch AI 把这项外部 anchor 放进模型以后，给出的 90% 区间是 1.0GW 到 1.9GW，中位数 1.38GW。图里的 Anthropic 数据因此全部标成 estimate，不能和 OpenAI 的披露值混为一谈。

2026 年也只能推算。把 2025 年的 1.4GW 估算值，与 AWS、Google 和 SpaceX 已公布的 2026 年新增 capacity 放在一起，年末大约指向 3.7GW。它不是 Anthropic guidance，交付延迟或口径重叠都可能改变结果。

再往后，OpenAI 的 memo 只给了两个区间：OpenAI 预计 2027 年进入 low-double-digit GW，Anthropic 预计在 2027 年底达到 7GW 到 8GW。OpenAI 另有 2030 年 30GW 目标；Anthropic 没有公布 2028 到 2030 年的公司级 available compute guidance，所以橙线停在 2027 年。绿色虚线也只是连接 2027 与 2030 两个锚点，不是 OpenAI 的逐年 guidance。把 AWS 最高 5GW、Google 5GW 和 Azure 1GW 直接铺到未来各年，会把 contract ceiling 伪装成 delivery schedule。

这张图至少排除了一个误会：Anthropic 很少出现在大型 data center 的标题里，不等于 Anthropic 没有在抢 GW。OpenAI 把交付路径显性化了，Anthropic 则把同一条路径拆给多家基础设施供应商。两条曲线都在从不到 2GW 向 10GW 量级推进。

30GW 对应什么需求

拿算力的路径不同，新增 capacity 最终都要被 workload 吃掉。回到 OpenAI 的 30GW，它要同时喂两种需求。

Training compute 用来购买下一代模型的能力，inference compute 用来交付今天的产品。用户越多，请求越多，inference 就越大；模型开始 reasoning，一次请求会消耗更多 test-time compute；进入 Agent 以后，一次请求还会展开成持续几分钟甚至几小时的 model invocation、tool call 和 retry。

OpenAI 把三年数据放在一起：可用算力增长 9.5 倍，ARR 也从 20 亿美元增长到 200 亿美元以上，正好 10 倍。OpenAI 的判断很直接：如果当时有更多 compute，产品采用和收入还会更快。算力既在训练未来的模型，也在承接今天的收入。

于是更好的模型带来更多使用，更多使用带来更多收入，收入再去锁下一批算力。算法和硬件会不断提高 performance per watt，但需求单位也在从一次问答，变成一项持续运行的任务。效率提高释放出来的 capacity，很快又会被新的 workload 吃掉。

30GW 还躺在 roadmap 上。OpenAI 每多签一份，锁定的都是几年后的供给。

PORTS-Pike 的 8GW 有多大

PORTS-Pike 的公告没有写 GPU 数量，也没有写 FLOPS，只给了一个 8 IT-GW。这个数字量的是服务器、网络和存储能够使用的功率容量，回答不了 cluster 能跑出多少算力。

放回 OpenAI 的算力版图，8GW 约等于 2025 年全部可用算力的 4.2 倍，也相当于 2030 年 30GW 目标的 27%。单个 campus 吃掉超过四分之一的长期目标，当然大。

可这 8GW 不会一起上线。首批 800MW，也就是 0.8GW，预计 2028 年 available，整个 buildout 要持续六年，直到 2032 年。OpenAI 今天也不会为 8GW 全额付款，completed capacity 具备交付条件以后，才开始支付 lease 费用。

所以 8GW 同时有三个位置：它是 PORTS-Pike 的最终规划容量，是 2030 年目标里可能兑现的一部分，也是 2032 年才有机会完成的 buildout。把它直接记进今天的 available compute 没有依据；即使放到 2028 年的首批交付节点，也会把 800MW 高估成 8GW。

问题也就从“OpenAI 还要多少 GW”变成了“已经签下来的 GW，什么时候才能变成可用算力”。

Data Center 还是一个黑箱

协议里的 8GW 要变成可用算力，必须走完 site、power、facility 和 cluster 的整条交付链。

上一篇《复制速度才是真正的瓶颈》追的正是这个时间差：OpenAI 对 30GW 的需求会在多久内形成，能够承载 production workload 的 capacity 又要多久才能复制出来。需求形成得快，供给扩得慢，中间那段 Replication Gap 才会挤出订单、涨价和超额利润。

顺着 Replication Gap 往下追，AI 的瓶颈落在了 Data Center。SpaceX 更激进，它想把整条地面部署路径换掉。但在 Bottleneck Migration Network 里，Data Center 还是一个框。

电网、变压器、开关柜、UPS、液冷、GPU、HBM、switch、光模块、SSD、施工和 commissioning，全被压在这个框里。每家公司都能从中挑一个词，说自己是 AI infrastructure beneficiary。只知道“数据中心很缺”，根本分不出谁只是需求受益，谁控制着 binding constraint。

全球已经有那么多 Data Center，OpenAI 为什么不能把 GPU 装进现有机房，或者沿现有 campus 扩建，还要等到 2028 年？

现有 Data Center 为什么接不住万卡集群

传统 Data Center 和 AI Data Center 的园区、机房、变电站和冷却设施看起来相似。能不能复用，取决于这些系统原来为哪种 workload 设计。

多数 enterprise 和 cloud workload 可以拆成大量相对独立的 request、VM 或 container。一台 server 下线，通常只是少掉一部分容量；电力、散热和网络作为共享基础设施，围绕一排排可独立运行的 server 展开。

大模型训练和越来越大的 inference workload 会让数千甚至数万块 GPU 参与同一个 job。Rack 内的 scale-up fabric 把 GPU 拼成更大的计算域，rack 之间再通过 scale-out fabric 同步。任何一段带宽不足、丢包或节点异常，都可能拖慢整个 job。网络开始承担 compute backplane 的角色，storage 必须持续喂入 training data 并接住 checkpoint，power 和 thermal 也要同时托住整排高密度 rack。

密度把这道变化直接写在了物理世界里。Uptime Institute 2025 年调查中，存量机房最常见的 rack density 仍是 4–5kW；NVIDIA DSX reference design里的 AI cabinet TDP 已经来到 198–330kW。前者是存量调查，后者是前沿 rack 设计，不能直接相除。可两个数量级之间的距离，足以改变供配电、散热和 commissioning 的边界。

现有机房可以承接部分 workload，改造也能释放一些容量。可到了万卡集群，建筑面积往往是最容易复用的一部分，真正的上限来自电力、散热、网络和 storage 同时还剩多少余量。任何一项不够，都要扩容、改造并重新 commissioning；沿现有 campus 扩建，也绕不过这条交付链。OpenAI 等到 2028 年，等的就是这些系统一起走到可交付状态。

AI Data Center 的交付对象因此从可独立运行的 server，扩大成经过整体验证的 healthy cluster。GPU 装进机房，只完成了中间一步。

GPU 装进去以后 算力仍然可能是零

数据中心供给遵循 AND logic：所有子系统必须同时可用。

GPU 到货，但 site 尚未 energize，可用算力为零。Site 已经送电，冷却系统却没有完成 integrated commissioning，容量仍然不可用。Facility 完成建设和测试，走到可以按合同交付的 Ready for Service（RFS），GPU cluster 的 firmware、network、storage 和 software stack 没有通过 validation，这套 cluster 仍然无法承载 production workload。

设备进仓库，只增加 inventory。系统通过验证并完成 handoff，才会增加可用算力。

RFS 是最容易算错的一道线。一座设施从 Site Selection 开始，经过 permitting、design、procurement、construction、energization 和 commissioning，才会走到这里。公开 colocation 合同通常把这道状态定义为设施按约完成建设和测试、具备交付条件；这不等于 GPU 集群已经开始生产。GDS 的项目文件和一份公开 colocation 合同都把 commissioning 放在正式交付之前。

RFS 后面还有 IT deployment、burn-in、fabric validation、cluster acceptance 和 Production Handoff。NVIDIA 甚至继续把 Delivered、Healthy、Reserved 与 Active/In-Use 分开：交到客户手里、设备健康、资源被预留、资源正在使用，是四件事。NVIDIA AI Cloud Requirements把这几道边界写得很清楚。

所以研究数据中心，不能只数 GPU shipment，也不能把 announced GW 全塞进同一张表。项目走到哪一道 handoff，决定这笔供给到底该不该算。

把 GW 放回坐标系

要拆 PORTS-Pike，先得画两条轴。

横轴回答一个问题：项目走到哪一步了？ 从 Site Selection、energization、RFS 到 Production Handoff，同样写着 1GW 的项目，处在不同位置，离可用算力的时间完全不同。

纵轴回答另一个问题：哪套系统还没有交付？ 电力、散热、计算、网络和存储必须同时可用，少了任何一层，前面的 GW 都还不能变成 production capacity。NVIDIA 的 DSX reference architecture也按 facilities、compute、networking、storage 和 operations 拆开一座 AI factory。

两条轴一交叉，数字才有坐标。Announced 的 1GW 只是目标容量，energized 的 1GW 已经具备供电条件，RFS 的 1GW 已经具备设施交付条件，走到 Production Handoff 的 1GW 才对应可以承载生产负载的集群。它们都叫 1GW，却不是同一笔供给。

先分清是哪一个 1GW，才轮得到后面的定价与收益判断。

可坐标系仍然是抽象的。电力、散热、计算、网络和存储已经各有位置，Data Center 本身仍然没有形状。

要让它有形状，先看 campus 层。一座 GW 级园区不是一栋塞满 GPU 的大楼，而是园区变电站、重复建设的数据机房、中央冷却设施、道路、管线和网络出口。电力从高压电网进入，多栋机房共享 campus 级基础设施，再把数据送出园区。

到了 facility 层，电压从园区变电站一路降下来，经过 switchgear、ATS、UPS 和 busway 到达 rack；rack 产生的热沿 TCS、CDU 和 FWS 回到室外。两条 physical path 都完成 integrated commissioning，Facility 才能走到 RFS。

RFS 仍然只交付 facility。接下来才是 rack 里的 IT deployment：GPU、CPU、HBM、NIC 和 DPU 先组成 compute tray，再通过 scale-up 与 scale-out fabric 连成 cluster，接上 storage，通过 validation 与 cluster acceptance，最后才越过 Production Handoff。Training、Inference 和 Agent workload 从这里开始，结果再穿过 backbone 与 edge 到达用户。

三张图按 campus、facility 和 cluster 逐层展开，后面的目录也沿着同一条交付路径。顺序不能反：先沿项目交付周期从 Site Selection 走到 RFS，把 site、power、thermal 和 commissioning 交出来；机房具备交付条件以后，再把 compute、network 和 storage 拼成 healthy cluster；走过 Production Handoff，再追 workload 和 delivery network，直到 physical capacity 变成 billable service。最后把整条链放回 PORTS-Pike 的 8GW 验算：哪一段 Replication Gap 最长，谁能把它变成收入和现金流。

可这条链也塞不进一篇文章。电网接入、供配电、散热、集群网络、存储和 workload，任何一层单独拎出来，都足够好好拆一遍。硬挤在一起，只会把刚打开的 Data Center 重新压回一个方框。

所以接下来沿着这条链一层层拆。下面这些标题先把路径标出来，文章发布到哪里，链接就补到哪里。

先看数据中心建到了哪里

地图画完，最先冒出来的问题很直接：OpenAI 又宣布 1GW、5GW、8GW，这些数字到底已经走到哪一步？刚签约、已经开工、完成送电和机房可以交付，中间还隔着多少道 gate？

1. 《数据中心交付周期：从选址到设施交付》

   Announced、planned、under construction、energized 和 RFS 要放回同一条时间轴。项目现在在哪、下一道 gate 是什么、哪一道最慢，决定这笔供给什么时候才能算。状态排清以后，新闻里那句“已经拿到电”反而变得可疑：拿到的究竟是什么？

2. 《电网接入：数据中心的第一道闸门》

   PPA、interconnection agreement 和 site energization 经常被一句“已经拿到电”混在一起。它可能只是一份购电协议，也可能是拿到并网资格，直到电真正送到 site，前后可能差几年。可电已经到了 site，GPU 为什么还不能上电？

3. 《从变电站到机架：供配电链》

   Site energization 只把电送到并网点。进入 rack 之前，电力还要穿过 transformer、switchgear、UPS、PDU、busway 和 power shelf，再由 rack 内的 power conversion 送到 GPU、CPU、HBM、NIC 和 switch。任何一段没交付，整座机架都只能等。电力进入这些设备以后，几乎每一瓦最后都会变成热。这些热量往哪里走？

4. 《数据中心散热链：从机架到室外》

   机架里的热量走两条路径。被 cold plate 捕获的热量进入 Technology Cooling System（TCS），经 manifold 到达 CDU，再交给 Facility Water System（FWS）；没有被 cold plate 捕获的余热，仍要由 server fan 带进 rack exhaust，再由 RDHx 或 CRAH 接走。两条路径最终都要汇入 facility cooling，再由 cooling tower、dry cooler 或 air-cooled chiller 排到室外。任何一段没交付，前面的供电能力都无法变成持续算力。电能送，热能排，设备也装完了，为什么机房还不能交？

5. 《Commissioning：机房建完不等于交付》

   Mechanical Completion 到 RFS 之间还隔着 startup、functional testing、L1-L5 commissioning 和 Integrated Systems Testing。单台设备启动成功，不代表整套 mission-critical system 能通过故障场景验证。Uptime Institute解释了这道验证为什么不能省。机房终于可以交了，GPU 也搬进去了，可用算力为什么还可能是零？

再看 GPU 什么时候变成算力

RFS 只交付 facility。GPU shipment、server shipment、rack delivery 和 cluster capacity 随后出现在同一份进度表里，它们究竟是不是同一个数字？

6. 《从 GPU 到 Rack：机架交付》

   GPU、CPU、HBM、NIC 和 DPU 要先组成 compute tray，再和 NVLink switch tray、power shelf 一起装进 rack。零件到货不等于 rack delivery，rack delivery 也不等于 cluster capacity。Rack 拼好了，数万块 GPU 又怎样连成一套系统？

7. 《万卡集群：网络上限》

   NVLink 负责 scale-up，InfiniBand 或 Ethernet 负责 scale-out，switch ASIC、optical transceiver、laser、fiber、connector 和 testing 决定整张 fabric 能否通过 validation。网络通了，Training data、model weights、checkpoint 和 KV cache 又放在哪里？

8. 《从 Checkpoint 到 KV Cache：存储层级》

   Training data、model weights、checkpoint、local NVMe、parallel file system、object storage 和 KV cache 分布在不同 storage tier。NAND bit 只回答容量，controller、firmware 和 qualification 决定 enterprise SSD 能不能上线。Compute、network 和 storage 都装好了，谁来证明这套 cluster 可以承载 production workload？

9. 《集群交付：从设施就绪到 Production Handoff》

   IT deployment、firmware、provisioning、burn-in、fabric validation 和 cluster acceptance 全发生在设施交付以后。安装了多少 GPU 不再重要，deployment velocity、cluster yield 和 healthy capacity 才决定 Production Handoff。Healthy cluster 已经有了，同一 MW 跑 Training 和 Inference，产出的还是同一种算力吗？

算力变成收入还差最后一段

Production Handoff 只交付 physical capacity。它能变成多少 billable workload，先取决于 cluster 接到什么工作。

10. 《Training vs Inference：同一 MW 的两本账》

    Training 追求大规模同步计算，Inference 要在 latency、batching、利用率和地理位置之间取舍。同一 MW 的吞吐、利用率和 economics 因此完全不同。Inference 再承载 Agent workload，一次 user request 又会展开成多少计算？

11. 《Agent 算力账单：从 Token 到 Task》

    一次 user request 会展开成多次 model invocation，以及 routing、prefill、decode、retrieval、tool call、retry、cache 和 scheduling。Token、request、task 与 tasks per MW 回答的是四个不同问题。Task 在 cluster 里执行完了，结果怎样在 latency SLO 内送到用户面前？

12. 《推理交付网络：从 Cluster 到 User》

    DCI、backbone、transit、peering、CDN、edge 和 metro inference 决定结果能否满足 latency SLO。内部 compute capacity 扩张以后，binding constraint 可能迁移到数据中心外部。走到这里，最初那个 8GW 已经不再是一个容量数字：哪一段最慢，谁又拿走订单和现金流？

拿 PORTS-Pike 的 8GW 做一次验算

13. 《PORTS-Pike 8GW：交付链验算》

    把 PORTS-Pike 的每个项目放回 delivery stage，把每一 GW 展开成 power、thermal、compute、network 和 storage，再沿着 Bottleneck Migration Network 追踪下一个 bottleneck candidate。

验算只接受能核对的东西：合同、项目进度、交期、产能、qualification、订单和财务数据。哪一个 node 已经 price in，哪一个 supplier 拥有定价权并能转化成毛利和现金流，什么事实出现时 thesis 必须作废，都要写清楚。

Data Center 逐层展开

沿着这张图一层层拆下去，原本模糊的 Data Center 开始在眼前变得清晰。1GW 不再只是容量，还带着项目状态、系统位置和交付时间；哪一层没有交出来，Replication Gap 就停在哪一层。

下一次再看到 8GW、10GW 或 100GW，这些数字会展开成 site、power、thermal、compute、network、storage 和 workload。顺着交付链继续往下，订单、定价权和现金流也会一层层露出来。

那个曾经只写着 Data Center 的方框，已经展开成一整条可以追踪的交付链。