以英伟达为首，各厂商历代芯片功率不断升级

英伟达作为GPU概念的提出者，历年来推出了若干GPU架构，每个架构代表GPU的代际划分，同时每代GPU包含若干型号。从2014年Maxwell架构第一次发布专用AI计算卡Titan X到最新的Vera Rubin架构中的R100/200/300 GPU，单颗GPU芯片的功耗已从250W提升至900W，并通过双芯片、四芯片设计进一步提升至1800W/3600W。

与英伟达（NVIDIA）的通用GPU（GPGPU）策略不同，谷歌的TPU (Tensor Processing Unit) 是典型的ASIC（专用集成电路），主要用于谷歌自己的数据中心内部，通过Google Cloud对外提供算力，或用于加速谷歌自家的业务（如搜索、YouTube、Gemini模型等）。

谷歌TPU从2015年至今已发展7代，呈现出清晰的演进路径：从从单一推理到训练推理兼备，从低算力到超高算力，从电互连到光互连，从风冷到液冷。特别是最新的 Ironwood，单芯片算力突破 4.6 PFLOPS，是专为 AI 推理时代设计的里程碑产品。

除此之外，微软、Meta等头部AI厂家也推出了自己的AI芯片，但相比英伟达和谷歌，型号尚少，这两家也大量应用英伟达芯片部署在自己的数据中心。

英伟达推出机柜级（Rack-Scale）方案，代表其在AI基础设施领域从提供单卡或单机向提供统一架构系统的战略转变。如英伟达推出NVL72，可使用H100、B200或B300芯片，内含72颗GPU芯片和36颗CPU芯片，单机柜功率达到100kW级别（考虑2N冗余后配置电源功率达到200kW级别）。在Rubin架构推出后，英伟达推出的Kyber机柜结构将包含的GPU数量增加到576颗，单机柜功率达到600kW以上。

同时，谷歌也为其TPU芯片开发了专用机柜系统，称为TPU Pod，类似于英伟达的NVL系列，但采用完全不同的设计理念和互联技术。在Pod设计中，每个标准TPU机柜固定包含64颗TPU芯片（16个托盘×每个托盘4颗芯片），TPU和CPU之间通过PCIe连接。从TPU v3开始，谷歌全面采用液冷系统（之前v1/v2主要为风冷），电源方面采用定制的高压直流（HVDC）供电，单机柜功率从v3的300kW到v7的10MW不等。

作为ASIC阵营的代表，谷歌的TPU Pod方案虽与英伟达的NVL72等方案不同，但都遵循规模越来越大、功耗越来越高、使用液冷取代风冷等的规律。到2027年，普遍迭代至单机柜MW级规模，同时供电方案也由交流供电转为直流供电。

AI数据中心带来巨大的供电需求

由于一台机柜中往往除了GPU外，还含有CPU、交换机、内存、液冷等用电，以英伟达为例，典型的GB200 NVL72机柜包含18个计算托盘，每个含4颗B200 GPU和2颗Grace CPU。单看72颗B200 GPU芯片的功率仅约86.4kW，但加上9个NVLink交流机之后功率增长到约132kW，而实际上标准的NVL72机柜配置多达8套33kW Powershelf，总的供电功率达到264kW，相当于冗余了一倍。因此我们在考虑对应的数据中心功率需求时，大多按芯片总功率×2来考虑。

谷歌的TPU机柜则使用内含16个TPU托盘，每个托盘含4颗TPU芯片。电源（PSU）则安装在机柜上部，目前仍为交流供电方式，即引入416V交流电源，经过PSU进行AC/DC整流后进入机柜内提供电源。从TPU机柜的电源配置来看，预计冗余倍数也为1倍左右。

2025年英伟达NVL72系列机柜出货量约在2.7-3.4万台，芯片主要是GB200，而2026年出货以GB300芯片的NVL72为主，预计出货量将至少达到6万台，对应的机柜功率需求将达到18GW左右。谷歌而言，2025年TPU芯片出货约150-250万颗，对应机柜出货约2.3-3.9万台，芯片型号主要为TPU v6e，v7将Q4小批试产；2026年TPU v7全面量产，受限于CoWoS封装产能，出货量约为310-420万颗，对应机柜数（芯片/64）约4.8-6.6万个；至2027年，TPU v7成为主流，出货预计达到500-700万颗，机柜台数达到7.8-10.9万个。对应2025、2026、2027年谷歌数据中心每年的新增功耗约为5GW、8GW、10GW。

基于北美主要厂商芯片最新出货，我们测算2025-2028年美国AI需求带来的电力容量需求分别为19、32、49、71GW，三年CAGR约为55.7%。其中，对于英伟达考虑60%供美国本土，其他ASIC阵营则考虑全部供美国本土。