AI 的讨论几乎被模型能力、参数规模和融资额占据，但支撑这一切的物理基础——芯片、服务器、电力、散热、稀有材料——很少被摆到台面上。The Verge 最新一期 Decoder 播客请来哈佛商学院管理实践教授、经济学家 Willy Shih，话题正是 AI 热潮的隐性供应链成本。
发生了什么
据 The Verge 的节目摘要，主持人今天对话的对象是 Willy Shih。他既是经济学家，也是哈佛商学院管理实践教授，即将出版新书《Where Does My Stuff Come From? The Powerful Economics Behind Global Supply Chains》。节目将他描述为主持人最喜爱的 Decoder 嘉宾之一，理由是他看待世界的方式。摘要没有展开具体论点，但把主题明确指向了 AI 繁荣背后的供应链成本。
为什么重要
过去两年，AI 叙事的主线是软件与算法，但真正决定扩张速度的往往是硬件与制造。先进制程产能集中在极少数代工厂，高带宽内存、先进封装、光模块等环节同样高度集中；数据中心还要面对电力接入、变压器供应和冷却设备的现实约束。这些环节任何一个卡住，模型训练和推理的节奏都会被拖慢。
Willy Shih 长期研究全球制造与供应链，他的视角提醒我们：AI 不是凭空发生的服务，而是一条从矿产、材料、零部件到整机和机房的漫长链条。把 AI 当作供应链问题来看，会得到与“模型排行榜”完全不同的判断——瓶颈往往不在最受关注的地方。
影响与看点
对行业而言，供应链视角意味着资本开支的重心会继续向电力、散热、封装和网络设备倾斜，相关环节的议价能力上升。对开发者来说，算力供给的波动会直接体现为 API 价格、配额和延迟，理解上游约束有助于做容量规划。对普通用户，AI 产品的可用性与定价，最终也会被这些看不见的成本传导。
值得关注的还有地缘与政策维度：出口管制、关税和产业补贴会改变供应链的走向，进而影响谁能以更低成本获得算力。一个独立判断是：未来一两年，AI 竞争的胜负手可能更多取决于“能不能把东西造出来、把电送进去”，而不是单次模型评测的分数。
需要说明的是，节目摘要并未给出具体数据或结论，以上是基于主题的延伸解读。完整讨论值得去听原节目。
