人工智慧看似存在於雲端，實際上離不開土地、電力、水源、輸電線路和一座座數據中心。美國要與中國競爭AI，就必須不斷擴大算力；但數據中心落到具體社區，居民便會擔心電費上漲、水源緊張、噪音污染和土地貶值。全國分享技術收益，地方承擔建設成本，這種矛盾真實存在。
不過，存在矛盾，不等於無法解決。
首先，美國不需要在每個州、每個縣都建設大型數據中心。全國三千多個縣，只要少數地點具備充足電力、土地、光纖和政治支持，就能容納最重要的前沿訓練集群。一個地方拒絕，還有其他地方願意接受投資。數據中心不同於港口和礦山，並非只能建在某個不可替代的位置。
其次，數據中心的戰略價值並不相等。一百個普通項目，不會因為數量多，就自然超過一個擁有先進晶片、高速互聯和成熟軟體的超級集群。訓練前沿模型需要高度集中、低延遲連接的算力，但真正必須如此集中的，只是研發流程中的一部分。
數據收集、清理、標註、仿真、模型評估、安全測試、推理服務和專項模型訓練，都可以分散到不同地點進行。美國可以把最緊密、最不能拆分的訓練留給少數超大型中心，把其他工作交給大量中型設施。這不是把一百個一分項目機械相加，而是讓一個五十分項目承擔核心任務，再讓許多一分、五分、十分項目各做其擅長的部分。
物理AI和機器人尤其適合這種分工。高級模型可以集中訓練，負責理解世界、規劃任務和設計訓練方法；平衡、行走、抓取、插接、力控和異常恢復，則可以由不同團隊分別訓練。經過仿真、強化學習和真實機器人的失敗數據修正後，再將這些技能蒸餾成較小模型，部署到機器人本地晶片。所謂「大腦」可以集中訓練，「小腦」可以分項訓練，最終執行甚至不必持續依賴雲端。
因此，取消十個普通數據中心項目，並不意味著美國AI能力減少十分之一。只要最關鍵的集群得以建設，其他任務又能合理分流，核心能力可能幾乎不受影響。地方阻力更可能淘汰資金不足、客戶不明、重複申請電網接入的投機項目，而資金雄厚、技術成熟的大公司仍有能力換地點、改設計或自行解決資源問題。
電力問題同樣不是只能等待公共電網擴建。科技企業可以簽訂核電、天然氣和可再生能源長期合同，自建燃氣輪機、儲能和變電設施，也可以直接承擔新增輸電線路成本。冷卻方面則可採用閉式循環、再生水或低耗水設計。工程上大多有辦法，真正的問題是價格由誰支付。
合理原則並不複雜：數據中心帶來的新增成本，應由建設者和使用者承擔，而不是悄悄攤入普通家庭電費。企業需要新增發電，就自己投資；需要升級電網，就支付接入費用；占用水源和土地，就公開數據並補償社區。只要把原來可能外部化的成本重新算回項目，許多政治衝突便會從「建或不建」，轉化為「以什麼條件建設」。
當然，這會使美國AI建設更貴、更慢，也會讓實力不足的開發商退出。但對於微軟、亞馬遜、谷歌、Meta和xAI而言，增加幾十億基礎設施成本，不等於項目無法進行。結果甚至可能是項目數量減少，平均質量提高，算力進一步集中到最有能力把晶片、電力、網絡和模型結合起來的企業。
地方自治會製造阻力，也會迫使企業把帳算清楚。美國真正需要的不是取消社區權利，更不是不計代價地遍地建設，而是保護少數關鍵訓練中心，把能夠拆分的工作分散出去，並讓企業為實際消耗的資源付費。
這條路不便宜，也不整齊，卻完全走得通。AI競賽最終比較的不是誰批准的數據中心最多，而是誰能把有限的電力和晶片，轉化為最高質量的有效算力。
