AI 算力交付瓶颈：从 GPU 稀缺到 Time-to-Power，2026-08-09

截至 2026-08-09，我支持 th_T01：AI 算力交付的第一约束正在从单纯的加速卡采购，迁移到电力物理交付，尤其是变压器可得性、并网排队和确定性供电。投资含义是，AI 数据中心 ROIC 应按“已送电容量”估值，而不是按公告 MW 或已下单 GPU 估值。

核心判断

Time-to-Power 对长期 ROIC 的冲击有三条路径。第一，在 10% 折现率下，24 个月送电延迟会使投运后现金流现值下降 17.4% [自测算：1 - 1 / 1.10^2]。第二，如果资本在送电前已投入，同样 24 个月延迟会在 10% 资金成本下把资本基数抬高 21.0% [自测算：1.10^2 - 1]，使名义 12.0% 稳态 ROIC 降至 9.9% [自测算：12.0% / 1.10^2]。第三，延迟会引入技术过时风险：GPU、网络、液冷和模型架构迭代速度可能快于电网资产交付速度，因此即使土建完工，迟迟不能送电的站点也可能在经济上变旧。

电力成为硬约束的证据

美国数据中心 2023 年用电约占美国总用电量 4.4%，即 176 TWh；DOE/LBNL 预计到 2028 年升至 325-580 TWh，相当于美国总用电量的 6.7-12.0% [S1]。IEA 估算 2024 年全球数据中心用电约 415 TWh，约占全球用电量 1.5%；到 2030 年基准情形约 945 TWh，接近全球用电量的 3% [S4]。IEA 还预计，中国和美国将贡献 2030 年前全球数据中心用电增量的近 80%，其中美国较 2024 年增加约 240 TWh，中国增加约 175 TWh [S4]。

中国已经不是次要样本。国家能源局 2026-05-29 披露，2025 年我国已建成 42 个万卡级智算集群，全国算力中心总用电量达 1700 亿 kWh，占全社会用电量 1.6% [S5]。国家能源局还表示，“十五五”时期全国算力用电量预计年均新增 1000 亿 kWh 以上，到 2030 年预计达 8000 亿 kWh，占全社会用电量约 6% [S5]。

供应链证据指向变压器这一硬门槛。DOE 称，配电变压器交期从 2019 年的 3-6 个月拉长到 2023 年的 12-30 个月 [S2]。DOE 还引用公用事业企业反馈称，2020-2022 年各电压等级配电变压器平均采购交期上升 443%，原先 2-4 个月的订单现在需要 22-33 个月 [S2]。DOE 进一步指出，美国全国有超过 80,000 种配电变压器规格，限制标准化并拖慢产能释放 [S2]。

并网证据指向电网排队这一第二硬门槛。Berkeley Lab 的 Queued Up 2026 数据集于 2026 年 6 月发布，覆盖截至 2025 年底的数据，显示美国有超过 2,060 GW 发电和储能容量正在寻求并网 [S3]。截至 2025 年底，活跃队列包括约 8,200 个项目、1,312 GW 发电容量和 749 GW 储能容量 [S3]。在有可用数据的地区，2025 年建成项目从并网申请到商业运行的中位周期超过 5 年 [S3]。2000-2020 年提交并网申请的容量中，截至 2025 年底只有 13% 已商业运行，75% 已撤回 [S3]。

McKinsey 的基础设施框架也印证这一瓶颈。McKinsey 估计，到 2030 年全球数据中心基础设施 capex 不含 IT 硬件将超过 .7 trillion [S6]。McKinsey 还估计，到 2030 年全球数据中心总 capex 需求为 $6.7 trillion，其中 AI 处理负载需要 $5.2 trillion，传统 IT 负载需要 .5 trillion [S7]。其预计 2030 年 AI 相关数据中心容量需求为 156 GW，2025-2030 年新增 125 GW [S7]。McKinsey 判断，美国数据中心电力容量需求需要从 2024 年的 25 GW 增至 2030 年超过 80 GW，全球需求到 2030 年约 220 GW [S6]。McKinsey 同时指出，获取足够电力是最重要障碍之一，因为传统电网若无大规模升级通常难以支撑大型设施，长期并网延迟正在推动开发商转向表后燃气轮机、核电或 SMR 等替代方案 [S6]。

ROIC 框架：给已送电 MW 估值，折价纸面 MW

对 AI 基础设施，我建议把公告容量拆成四类

实操模型为

调整后投入资本 = 总 capex + 资本化延迟成本 + 必需电网分摊支出 + 重新设计成本 [自测算]。

延迟调整后 ROIC = 稳态 NOPAT / 调整后投入资本 / 延迟折现因子 [自测算]。

示例筛选：一个 100 MW AI 园区按 2 million/MW 建设，GPU 和自备电源追加前成本为 .2 billion [自测算：中位基准假设]。若目标稳态 ROIC 为 12.0%，年 NOPAT 为 44 million [自测算]。若 Time-to-Power 延迟 24 个月、资金成本 10%，资本基数增加 $252 million [自测算：.2 billion * (1.10^2 - 1)]，并推迟 $288 million 未折现 NOPAT [自测算：44 million * 2]。同一项目要么把年 NOPAT 提高到约 74 million 才能在更高资本基数上维持 12.0% ROIC [自测算：.452 billion * 12.0%]，要么在未计设备过时损失前接受约 9.9% ROIC [自测算]。

能源行业含义

对油、气、煤、可再生能源和电力来说，AI 负荷既是电量产品，也是可靠性产品。近端受益者是可调度容量：燃气轮机、政策允许地区的存量煤电保供容量、可再生能源配储，以及核电延寿或增容。中期受益者不只是最低 MWh 成本，而是能够交付确定容量、电能质量和明确送电日期的供应方。

当电网排队周期超过 IT 刷新周期时，表后燃气是理性对冲，但它会把风险从 Time-to-Power 转移为燃料价格、排放许可、燃机交期和资产搁浅风险。可再生能源仍具结构重要性，因为 hyperscaler 需要碳核算和长期采购，但没有输电、储能和调峰支撑的光伏或风电，不应获得与可调度或电网友好电源相同的 ROIC 倍数。

在中国，国家能源局数据比此前市场叙事更直接地支持 th_T01：2025 年算力中心用电已经达到 1700 亿 kWh，2030 年预计接近 8000 亿 kWh [S5]。这一规模更利好能源-算力一体化规划、绿电直连、西部枢纽节点、煤电灵活性改造、储能和特高压输电，而不是孤立的数据中心地产扩张。

什么会证伪该观点

如果项目相关变压器交期降至 12 个月以内、并网申请到商业运行周期实质压缩至 3 年以下，或 hyperscaler capex 指引下修超过 15% 但已送电供给仍持续增加，我会下调 th_T01 权重 [自测算]。如果 AI 模型效率提升足以抵消部署增长、显著压低加速服务器用电增速，也需重估；IEA 当前基准情形仍假设加速服务器用电年增速为 30% [S4]。

交接

建议下一位分析师：utilities-analyst。下一步应量化公用事业、电网运营商和电力设备供应商如何把 AI 负荷增长转化为 rate base 增长、接入费和盈利，而不是把每一个公告数据中心 MW 都视为同质。

页脚：工作日期 2026-08-09，Asia/Singapore。工作区路径：research discussion/88eb7f72-5e9f-4027-8bb7-5607dedcda9e/research note/report.zh.md。

资料来源 / Sources

[S1] U.S. Department of Energy, "DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers" — https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers

[S2] U.S. Department of Energy Office of Electricity, "DOE and Industry Team Up to Keep the Lights On for America" — https://www.energy.gov/oe/articles/doe-and-industry-team-keep-lights-america

[S3] Lawrence Berkeley National Laboratory, "Queued Up: Characteristics of Power Plants Seeking Transmission Interconnection" — https://emp.lbl.gov/queues

[S4] International Energy Agency, "Energy demand from AI" — https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai

[S5] National Energy Administration, "去年全国算力中心总用电量1700亿千瓦时" — https://www.nea.gov.cn/20260529/18c09743776c4dddb55288ceea38b8b1/c.html

[S6] McKinsey & Company, "Scaling bigger, faster, cheaper data centers with smarter designs" — https://www.mckinsey.com/industries/private-capital/our-insights/scaling-bigger-faster-cheaper-data-centers-with-smarter-designs

[S7] McKinsey & Company, "The cost of compute: A $7 trillion race to scale data centers" — https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers