AI繁荣背后：被忽视的供应链暗成本

AI的竞争通常被描述为算法、算力和数据的竞赛，但哈佛商学院教授Willy Shih提醒我们，这场繁荣的根基深埋在全球供应链之中。在他即将出版的新书《Where Does My Stuff Come From? The Powerful Economics Behind Global Supply Chains》里，Shih系统拆解了现代商品背后的复杂网络——而AI硬件，恰恰是这张网络上最紧绷的一环。

算力需求如何传导为供应链压力

大模型训练和推理对GPU、高带宽内存与先进封装产能的吞噬，正在把压力逐级向上游传导。一颗AI加速器背后，是晶圆代工、先进封装、基板、电源管理与散热模组等多个环节的协同。任何一环的产能瓶颈，都会被放大为整机交付的延迟。

Shih在对话中强调，供应链的成本从来不只是采购价格。当某一环节被锁定为稀缺资源时，企业为锁定产能所支付的溢价、为缩短交期所付出的物流成本、以及为分散风险而维持的冗余库存，都会以隐性成本的形式沉淀下来。这些成本不会出现在芯片报价单上，却真实地重塑着AI产业的利润结构。

高带宽内存（HBM） 是AI加速器的关键组件，它通过硅通孔（TSV）技术将多层DRAM芯片垂直堆叠，从而在有限面积内实现极高的带宽和低功耗。HBM的制造难度远高于传统内存，目前全球仅少数厂商能够稳定量产，且产能扩张周期长、资本投入巨大。因此，当大模型训练需求爆发时，HBM往往成为最先出现短缺的环节之一，其供应紧张会直接制约GPU的出货量，并推高整体系统成本。

先进封装 是指将多个芯片（如GPU核心与HBM堆叠）通过中介层或桥接技术集成在同一封装内的工艺，典型代表包括台积电的CoWoS（Chip on Wafer on Substrate）等。先进封装不仅影响芯片的算力密度和能效，还决定了HBM与逻辑芯片之间的互连带宽。由于先进封装产线的建设周期长、设备昂贵，其产能爬坡速度往往跟不上AI芯片需求的增长速度，成为供应链中的另一大瓶颈。

被低估的隐性成本：冗余、物流与地缘风险

AI硬件的供应链成本有三块容易被忽视的拼图。

其一是冗余。 当关键器件只有少数供应商可供选择时，下游厂商往往需要同时向多家下单以确保供应，这种重复投入本身就是一种成本。

其二是物流。 高价值、高时效的AI硬件对运输条件敏感，空运比例上升、库存周转加快，都会推高单位成本。

其三是地缘风险。 出口管制与贸易政策的变化，使供应链的布局不再是单纯的效率问题，而成为需要持续投入的合规与备份工程。Shih的分析框架提示我们，这些成本并非短期波动，而是AI基础设施建设期的结构性特征。

出口管制 是指一国政府通过法律或行政手段限制特定商品、技术或服务对特定国家或实体的出口。在AI硬件领域，美国近年来对先进制程芯片、EDA工具、半导体设备等实施了一系列出口管制措施，并要求供应链上下游企业遵守合规义务。这些管制不仅直接限制了相关产品的销售范围，还迫使企业调整全球产能布局、建立备份供应链，从而产生额外的合规成本与效率损失。地缘风险因此从抽象的政治议题转化为具体的供应链成本项。

供应链视角下的AI经济学

用供应链的透镜看AI，会得到一个与“软件吞噬世界”叙事不同的结论：AI的边际成本并没有想象中那么低。模型推理需要持续消耗算力，而算力的背后是真实的物料、能源与物流。

Shih长期研究制造业与全球分工，他的观点是，理解一件商品的来源，就是理解它在全球网络中被谁定价、被谁约束。对于AI产业而言，谁掌握了关键环节的产能与替代方案，谁就在成本博弈中占据主动。这也是为什么头部厂商纷纷向上游延伸、投资封装产能与自研芯片——本质上是在为供应链的不确定性买单。

对AI从业者的启示

对创业公司和应用层团队来说，这一视角的现实意义在于：算力预算不能只按单价估算，还要把获取算力所需的时间成本与风险溢价计算在内。对投资者而言，AI叙事的估值逻辑若忽略供应链约束，可能会高估短期的供给弹性。

Shih的对话没有给出简单的答案，但它提供了一个更扎实的提问方式：在追逐AI能力跃迁的同时，我们是否看清了支撑这场跃迁的物料与产能从何而来、又将付出怎样的代价。