Kinas massiva datasatsning – en statligt styrd jättesatsning på AI-infrastruktur

2. Strategin ”Östlig data, västlig beräkning” (EDWC)

• Denna flaggskeppspolitik, som lanserades 2022 och bekräftades i den 15:e femårsplanen (mars 2026), innebär att beräkningsintensiva datahallar styrs till västra Kina där mark, förnybar energi och kylning är billigare .
• Åtta nationella beräkningsnav och tio datahalls kluster har etablerats .
• Målet är att balansera regional utveckling, minska energikostnaderna i öst och absorbera överskottskapacitet från förnybar energi i väst .
• Bekymmer: Trots politiken är den faktiska utplaceringen av AI-chips fortfarande starkt koncentrerad till de östra provinserna (Peking, Shanghai, Guangdong), vilket får vissa analytiker att kalla EDWC ”fejk” i praktiken .

3. Regional konkurrens och lokal överinvestering

• Provins- och lokala myndigheter har aggressivt konkurrerat om datahallsprojekt genom subventioner och snabba tillstånd, vilket lett till spekulativ överinvestering .
• I mitten av 2025 hade över 100 planerade datahallsprojekt dragits tillbaka på grund av nätinstabilitet och överutbud .
• Kina skapar nu en nationell marknadsplats för att sälja överskottsberäkningskapacitet, vilket är ett erkännande av överskottet .
• Underutnyttjande av AI-beräkningskapacitet är ett växande problem: riklig billig energi i sig har inte skapat ett enhetligt, fungerande beräkningsnätverk .

4. Energifördel: ”elektrongapet”

• Kina har en betydande energifördel jämfört med USA för att driva AI-datahallar, ett fenomen som kallas ”elektrongapet” .
• Kina bygger energiinfrastruktur mycket snabbare än USA och har överskottskapacitet från förnybar energi (sol, vind, vattenkraft) i västra regioner .
• USA står inför en energiflaskshals – Wood Mackenzie rapporterade en minskning med 50 % av nya datahallsprojekt i USA i slutet av 2025 på grund av nätbegränsningar .
• Förbehåll: Kinas elsystem har sina egna institutionella flaskhalsar – stela priser, nätineffektivitet och inkonsekventa topplaster som gör datahallar mindre kompatibla med gröna energileverantörer .

5. Lokal AI-infrastruktur och chipbegränsningar

• USA:s exportkontroller av avancerade AI-halvledare (Nvidia H100/H200, etc.) har tvingat Kina att accelerera utvecklingen av inhemska chip .
• Kinas datahallsmarknad innehåller nu cirka 100 miljarder RMB i inhemska AI-chips, och företag som Alibaba utvecklar sina egna AI-processorer .
• Prestandagapet kvarstår dock: kinesiska AI-chips ligger efter de senaste amerikanska motsvarigheterna, och kompatibilitetsproblem komplicerar det nationella beräkningsnätverket .
• Intelligent beräkningskapacitet inom de åtta nationella nav har vuxit snabbt, men mycket är beroende av mindre avancerad hårdvara .

Jämförelse: Kina vs. USA

Huvudsakliga risker och farhågor

• Överkapacitet och bortkastade investeringar: Lokal myndighetskonkurrens har skapat ett överskott av datahallar, där många anläggningar är underutnyttjade och över 100 projekt har ställts in .
• Nät- och energiintegrationsutmaningar: Kinas strävan att koppla datahallar till förnybar energi möter tekniska hinder – inkonsekventa topplaster och prognossvårigheter .
• Regional obalans: EDWC har inte fullt ut flyttat beräkningskraft till väst; den mesta AI-beräkningskraften är fortfarande koncentrerad till rika östra provinser .
• Chipberoende: USA:s exportkontroller begränsar Kinas tillgång till de mest avancerade AI-GPU:erna, vilket begränsar rå beräkningsprestanda även när modelleffektiviteten förbättras .
• Miljökostnad: Snabb datahalls expansion ökar strömbehovet och koldioxidavtrycket, även om Kina experimenterar med att använda datahallar för att absorbera överskott från förnybar energi .

Slutsats

Kinas datahalls expansion är enorm i skala och hastighet, driven av centralregeringens planering och en genuin energikostnadsfördel. USA leder fortfarande i antal anläggningar, totala AI-investeringar och chipåtkomst. Men Kinas strukturella fördelar – snabbare byggnation, billigare energi och en enhetlig nationell strategi – minskar gapet. De största riskerna är i nedgången: överinvestering, regionala policyproblem, chipflaskhalsar och nätintegrationsproblem som kan förvandla världens största planerade AI-infrastruktursatsning till ett kostsamt fall av spekulativt överdåd.