美國 AI 資料中心狂潮遇上最現實瓶頸：不是晶片，而是焊工與電工

AI 資料中心蓋得夠不夠快，最後可能取決於「人」

AI 基礎設施競賽正在美國快速擴張。大型科技公司投入數百億甚至更高規模的資本，希望興建更多能容納 GPU、伺服器、高速網路與電力設備的資料中心，以支撐生成式 AI、模型訓練與推論需求。

外界討論這波資料中心建設熱潮時，焦點通常集中在幾個問題：GPU 供應夠不夠、電網能不能提供足夠電力、資料中心土地是否容易取得，以及冷卻與能源基礎設施能不能跟上。

但 Bernstein 分析師 Chad Dillard 在最新研究中指出，另一項更傳統、也更難快速擴張的限制正在浮現：熟練技術工人的供給。

特別是機械、電氣與管線工程，也就是 MEP（Mechanical, Electrical and Plumbing）相關人力，可能成為美國資料中心建設速度的重要瓶頸。

資料中心不是一般商辦建築。大型 AI 資料中心需要高密度供電、複雜配電系統、備援電力、冷卻管線、泵浦、空調、機櫃與大量機電設備，施工精度與安全要求都比一般住宅或低複雜度建築更高。

這意味著即使美國名義上擁有大量電工、焊工、機械工與管線技師，也不代表這些人可以立刻投入 AI 資料中心工程。

表面有 180 萬人，但真正可用的人力少得多

Dillard 指出，美國 MEP 相關勞動人口的表面規模約為 180 萬人，但這個數字高估了資料中心真正可以使用的人力。

原因首先在於，不是所有 MEP 工人都具備資料中心所需要的專業技能，也不是所有人都從事非住宅建築。

如果先把勞動池縮小到非住宅建築領域，相關人數約剩 79 萬人；但即使如此，仍需要進一步篩選，因為資料中心工程本身具有更高的技術門檻。

大型資料中心需要高壓配電、備援系統、複雜冷卻、精密管線與高可靠度施工，因此經驗、認證與訓練程度都會影響工人能否直接投入。

真正的瓶頸因此不是「美國到底有多少電工」，而是：「有多少熟悉大型非住宅與資料中心建設的電工，目前就在專案附近，而且有空可以施工？」

70% 專案，只對應到 30% 的 MEP 勞動力

更大的問題來自地理分布。

Bernstein 估計，約 70% 的資料中心建設專案位於僅擁有約 30% MEP 技術勞動力的地區。

也就是說，建設需求最旺盛的地方，並不一定是熟練工人最多的地方。

這種地理錯配會造成直接後果。

企業可能需要提供更高薪資、住宿、交通補貼與加班費，吸引其他州的技術工人前往專案所在地；大型承包商也可能開始互相挖角，使資料中心工程與其他大型建築、能源、工業設施爭奪同一批人力。

Dillard 直言，資料中心必須與其他建築工程競爭勞動力，而技術工人無法像伺服器一樣直接透過增加訂單快速生產。

換句話說，AI 資料中心可以快速增加資本支出，但人力供給卻沒有辦法用同樣速度擴張。

電工每年新增 3 萬人，可能已接近極限

Bernstein 估計，在最近一次招募高峰期間，美國一年大約增加 1.5 萬名機械相關技術工、3 萬名電氣技術工，以及 1.5 萬名管線相關工人。

看起來增幅不小，但 Dillard 認為這種招募速度本身可能已接近上限。

原因之一是 MEP 招募速度自 2023 年高峰後已經開始下降。

第二，MEP 工人在美國整體勞動人口中的占比已經來到約 20 年高點，代表市場可能已經把大量可轉移進來的人力吸收到這些產業。

第三，也是最難解決的一點：技術工人需要由其他技術工人培養。

焊接、電氣、機械與管線工作不像一般辦公室職務，只要短時間課程就能立即達到專業水準。很多技能需要師徒制度、現場訓練、執照、安全規範與長期經驗累積。

因此即使企業願意加薪，也不代表幾個月後就能突然增加數十萬名合格電工。

Dillard 將這稱為真正的訓練瓶頸。

資料中心擴張速度可能受到勞動生產力限制

在這種框架下，如果美國希望資料中心容量繼續大幅增加，基本上只有幾條路。

第一，提高施工生產力。

例如透過預製模組、標準化設計、自動化施工、工廠預組裝與更高效率的工程管理，讓同樣數量的技術工人在相同時間內完成更多工程。

第二，資料中心產業從其他建築產業吸收更多工人。

但這並不是免費的解決方案。

如果 AI 資料中心大量搶走電工、焊工、管線技師與機械人員，那麼製造業、能源、商業建築與其他基礎設施工程的人工成本與工期也可能受到影響。

這表示 AI 資料中心建設熱潮，本質上可能不只是科技業內部的資本支出循環，而會開始影響整個美國建築與基礎設施勞動市場。

「Essential Economy」正在遭遇全面性缺工

這個問題其實不只存在於資料中心。

建築、公共事業、農業、運輸、石油與天然氣以及設備製造等產業，通常被歸類到所謂的「essential economy」，也就是維持實體經濟運作的基礎產業。

相關產業合計約占 12 兆美元 GDP，涉及約 9,500 萬個工作職位與約 300 萬家企業。

但這些領域正面臨共同的人口結構問題。

一方面，大量資深技術工人逐漸退休；另一方面，願意進入傳統技術職種的年輕人口不足。

此外，部分既有勞工也需要重新訓練，以適應自動化、AI 與數位工具逐漸深入供應鏈後的新型工作需求。

PRT Staffing 調查顯示，17.4% 的製造企業表示面臨勞工短缺；該機構並預估，未來十年美國約有 380 萬個製造業職缺需要被填補。

為什麼年輕人不去當電工？教育與社會觀感可能是其中一部分

《Dirty Jobs》主持人 Mike Rowe 認為，美國長期縮減學校中的工藝、實作與職業技能教育，是今天技術人才短缺的原因之一。

Rowe 指出，過去數十年間，許多學校逐漸取消 shop class 等技術實作課程，同時社會普遍把四年制大學視為更理想的職涯道路。

結果是電工、焊工、管線工與其他技術職業長期受到刻板印象影響。

但 AI 資料中心建設熱潮正在顛覆部分傳統認知。

Rowe 表示，他近期在德州 Plano 一座資料中心訪問三名不到 30 歲的電工，這些人的年薪約落在 24 萬至 28 萬美元，而且可以自行選擇大量加班，沒有學生貸款負擔，過去 18 個月內甚至都曾被其他企業挖角三次。

這些案例不能直接代表所有美國電工的平均薪資，但它們反映出，在高需求、高技術門檻的 AI 資料中心施工市場中，部分熟練技術人才正在獲得極高的議價能力。

AI 產業的瓶頸正在從晶片一路延伸到水泥與電線

過去幾年，AI 基礎設施的主要瓶頸曾集中在 GPU。

當 NVIDIA 等供應商增加 AI 加速器供應後，市場開始更加關注 HBM、先進封裝、電網、變壓器、天然氣渦輪、核能、冷卻系統與資料中心土地。

現在，熟練技術工人也正在加入這份清單。

這揭露 AI 基礎設施一個很容易被忽略的現實：再先進的模型，最後仍然需要非常傳統的實體工程支撐。

GPU 不會自己接上電纜，冷卻管線不會自己焊接，變壓器也不會自己安裝。

AI 可以自動產生程式碼、影片與文字，但要真正把數百 MW 等級的資料中心蓋起來，仍然需要大量人類在現場施工。

因此美國 AI 資料中心建設的下一個限制因素，未必只存在於半導體供應鏈，而可能落在一群更傳統、卻不可替代的職業身上：電工、焊工、機械技師與管線工。

如果這些人的數量無法快速增加，那麼即使科技公司手上握有龐大的資本與 AI 晶片訂單，資料中心建設速度仍可能被最基本的人力供給決定。