供应链

导语 当战争阴影笼罩中东，AI却成为中国出口的救命稻草。 2026年3月，伊朗战争爆发导致油价飙升，全球贸易面临新的不确定性。但 Bloomberg 的最新数据显示，中国出口却逆势上扬——3月前三周，中国港口处理了近2000万个集装箱，同比增长超过6%。 驱动力？人工智能设备的爆发式需求。 一、数据说话：AI如何撑起中国出口 关键数据 指标 数据 意义 3月前三周集装箱吞吐量 近 2000万 创历史同期新高 同比增长 6%+ 延续强劲增长势头 1-2月年化增长率 12% 开年即高速增长 全年预期 超过去年创纪录水平 贸易规模再上新台阶 数据来源 官方数据：中国交通运输部 分析机构：Bloomberg Supply Lines 全球预测：WTO（世界贸易组织） 二、战争与AI：两个并行叙事 战争带来的负面冲击 2026年3月，伊朗战争爆发： 油价飙升 中东航线风险上升 全球供应链面临新的不确定性 AI带来的正面拉动 但AI需求正在抵消这些负面影响： GPU、AI服务器、数据中心设备出口激增 全球科技巨头持续加码AI基础设施 中国作为全球制造业中心，成为最大受益者 Bloomberg 的核心观点 “Booming demand for artificial intelligence gear is keeping China’s trade volumes on a path to exceed last year’s record levels, offsetting disruptions from higher oil prices in the weeks after war broke out in Iran.” ...

导语 AI 需求爆炸式增长，但硅片供应却跟不上脚步。 SemiAnalysis 最新报告指出，我们正面临四十年一遇的 AI 硅片短缺危机。台积电 N3 产能被抢购一空，HBM 内存成为新战场，智能手机被迫让路。 这不是周期性的供需失衡，而是结构性产能瓶颈。 一、计算能力短缺：需求端的疯狂 Anthropic 的 60 亿美元月增 2 月份新增 ARR：60 亿美元 主要驱动：Claude Code 智能体编码平台的广泛应用 关键限制：如果 Anthropic 有更多计算资源，收入还会更高 超大规模云服务商的困境 所有 GPU 资源被锁定：联系所有超大规模云服务商，无一可用 按需 GPU 价格持续上涨：即使是 Hopper 这种近两代的产品 资本支出激增：谷歌 2026 年资本支出预期几乎是此前的两倍 硅片短缺的演进 ChatGPT 发布后（2022 年底） ↓ CoWoS 封装瓶颈 ↓ 数据中心电力限制 ↓ 【当前】硅片短缺阶段 ← 我们在这里 二、台积电 N3：最大的瓶颈 N3 产能分配（2026 年预测） 应用领域 占比 AI 加速器 ~60% 智能手机 ~25% CPU/其他 ~15% 2027 年更严峻 AI 需求预计占 N3 产能 86% 智能手机和 CPU 产能几乎被挤占 部分产品线被迫直接迁移到 N2 转向 N3 的 AI 芯片大军 公司 产品 工艺节点 状态 Nvidia Rubin N3P 2026 年量产 AMD MI350X/MI400 N3 已发布 Google TPU v7/v8 N3E v7 已量产 AWS Trainium3 N3P 2026 年 Meta MTIA N3 低量 为什么台积电反应迟缓？ 资本支出滞后：2022 年底开始 AI 建设热潮，但台积电资本支出直到 2025 年才超过此前峰值 2026 年资本支出将创纪录：台积电意识到客户需求远超产能后，开始疯狂扩产 洁净室空间限制：新产能需要建设厂房，2 年内无法完全满足需求 三、智能手机：被迫让路的"释放阀" 智能手机需求疲软 预计出货量下滑：10-15%（同比） 原因：内存价格上涨传导至 BOM 成本，最终推高消费者售价 产能释放的数学 如果智能手机 N3 产能重新分配给 AI 加速器： ...

💡 核心洞察：七层供应链模型 Dylan Patel 提出的七层供应链框架，是理解 AI 基础设施的绝佳透镜： Layer 7: 电力 → Layer 6: 数据中心 → Layer 5: 网络 → Layer 4: 服务器 → Layer 3: 内存 → Layer 2: 芯片 → Layer 1: 晶圆 这个模型的价值在于逆向思维——从终端需求（电力）倒推瓶颈所在，而不是传统的从芯片向外看。 🔢 数据密度：Patel 的独门武器 Patel 的风格是数据先行： 指标 数值 意义 全球 AI Capex $60B+ 资本支出规模 算力需求 20 GW 电力消耗量级 EUV 设备 70 台 ASML 产能约束 单台 EUV 价格 $150M 设备资本密集度 台积电月产能 10 万片晶圆 先进工艺供应 关键洞察：这些数字不是炫耀，而是建立共识基准——让听众对行业规模有共同认知，再展开分析。 🎯 三层核心论点 1. 电力是终极瓶颈 Patel 的核心判断： ...

🔥 数据狂欢，没有灵魂 Patel 的风格： “$60B capex”、“20 GW算力”、“70台EUV”、"$150M每台"、“10万片晶圆”… 问题： 数字多到让人麻木，但缺少一个核心论点 听完 2 小时，你记住的是数字，不是洞察 这就像读了一本电话簿，信息量大，但没人想读第二遍 Patel 的隐藏逻辑： “我懂这么多数字，所以我懂这个行业” 真相： 懂数字 ≠ 懂行业。真正的专家是用数字讲一个故事，不是用数字淹没故事。 七层供应链的过度简化 Patel 的框架： Layer 7: 电力 → Layer 6: 数据中心 → Layer 5: 网络 → Layer 4: 服务器 → Layer 3: 内存 → Layer 2: 芯片 → Layer 1: 晶圆 问题： 这个七层模型听起来很专业，但实际上是供应链 101 任何一个读过 Wikipedia 的人都能画出来 真正的洞察是层与层之间的互动，不是层的存在 Patel 没告诉你的： 为什么恰好是七层？不是六层，不是八层？ 层与层之间的瓶颈传导机制是什么？ 跳过某一层的可能性（比如太空数据中心）？ 这就像：把汽车拆成"发动机、底盘、车身、轮胎"四部分，然后宣称自己懂汽车工业。 “地缘政治"的蹭热度 Patel 的叙事： “台湾的衔尾蛇困境”、“中国的追赶路径”、“西方的先进工艺”… 问题： 这些地缘政治分析是公开信息，不是独家洞察 《经济学人》、《纽约时报》每周都在写 Patel 的增值在哪里？ Patel 的套路： ...