人工智能看似存在于云端，实际上离不开土地、电力、水源、输电线路和一座座数据中心。美国要与中国竞争AI，就必须不断扩大算力；但数据中心落到具体社区，居民便会担心电费上涨、水源紧张、噪音污染和土地贬值。全国分享技术收益，地方承担建设成本，这种矛盾真实存在。
不过，存在矛盾，不等于无法解决。
首先，美国不需要在每个州、每个县都建设大型数据中心。全国三千多个县，只要少数地点具备充足电力、土地、光纤和政治支持，就能容纳最重要的前沿训练集群。一个地方拒绝，还有其他地方愿意接受投资。数据中心不同于港口和矿山，并非只能建在某个不可替代的位置。
其次，数据中心的战略价值并不相等。一百个普通项目，不会因为数量多，就自然超过一个拥有先进芯片、高速互联和成熟软件的超级集群。训练前沿模型需要高度集中、低延迟连接的算力，但真正必须如此集中的，只是研发流程中的一部分。
数据收集、清理、标注、仿真、模型评估、安全测试、推理服务和专项模型训练，都可以分散到不同地点进行。美国可以把最紧密、最不能拆分的训练留给少数超大型中心，把其他工作交给大量中型设施。这不是把一百个一分项目机械相加，而是让一个五十分项目承担核心任务，再让许多一分、五分、十分项目各做其擅长的部分。
物理AI和机器人尤其适合这种分工。高级模型可以集中训练，负责理解世界、规划任务和设计训练方法；平衡、行走、抓取、插接、力控和异常恢复，则可以由不同团队分别训练。经过仿真、强化学习和真实机器人的失败数据修正后，再将这些技能蒸馏成较小模型，部署到机器人本地芯片。所谓“大脑”可以集中训练，“小脑”可以分项训练，最终执行甚至不必持续依赖云端。
因此，取消十个普通数据中心项目，并不意味着美国AI能力减少十分之一。只要最关键的集群得以建设，其他任务又能合理分流，核心能力可能几乎不受影响。地方阻力更可能淘汰资金不足、客户不明、重复申请电网接入的投机项目，而资金雄厚、技术成熟的大公司仍有能力换地点、改设计或自行解决资源问题。
电力问题同样不是只能等待公共电网扩建。科技企业可以签订核电、天然气和可再生能源长期合同，自建燃气轮机、储能和变电设施，也可以直接承担新增输电线路成本。冷却方面则可采用闭式循环、再生水或低耗水设计。工程上大多有办法，真正的问题是价格由谁支付。
合理原则并不复杂：数据中心带来的新增成本，应由建设者和使用者承担，而不是悄悄摊入普通家庭电费。企业需要新增发电，就自己投资；需要升级电网，就支付接入费用；占用水源和土地，就公开数据并补偿社区。只要把原来可能外部化的成本重新算回项目，许多政治冲突便会从“建或不建”，转化为“以什么条件建设”。
当然，这会使美国AI建设更贵、更慢，也会让实力不足的开发商退出。但对于微软、亚马逊、谷歌、Meta和xAI而言，增加几十亿基础设施成本，不等于项目无法进行。结果甚至可能是项目数量减少，平均质量提高，算力进一步集中到最有能力把芯片、电力、网络和模型结合起来的企业。
地方自治会制造阻力，也会迫使企业把账算清楚。美国真正需要的不是取消社区权利，更不是不计代价地遍地建设，而是保护少数关键训练中心，把能够拆分的工作分散出去，并让企业为实际消耗的资源付费。
这条路不便宜，也不整齐，却完全走得通。AI竞赛最终比较的不是谁批准的数据中心最多，而是谁能把有限的电力和芯片，转化为最高质量的有效算力。
