如果你年初问一个 AI 公司创始人：「你最担心什么？」答案多半是：「融不到钱。」
如果你现在再问同样的问题，答案变了——「拿不到 GPU。」
更准确地说，是「拿不到由 TSMC 独家封装、NVIDIA 独家设计、台湾独家生产的 GPU。」这句话里每一个定语，都是一个风险点。
2026 年过半，AI 行业的供应链风险已经从一个「技术话题」变成了「生存话题」。它不是某个单一环节的断裂，而是四层风险链的叠加——每一层单独看都还能扛，但叠在一起，就是七寸。
第一层：芯片设计的「单点锁定」
NVIDIA 在 AI 训练 GPU 市场的份额，没人能精确统计，但业内共识是 90% 以上。
这不是一个健康的市场结构。不是 NVIDIA 做得不好——恰恰相反，是因为它做得太好。CUDA 生态的护城河深到让竞争对手绝望：AMD 的 ROCm 追了十年，Intel 的 Gaudi 换了三任负责人，连 Google 的 TPU 也只在自己的一亩三分地里有用。
但问题不在竞争，在依赖。
当整个行业的算力供给押注在一家公司的路线图上，你就失去了议价权。B200 的定价、交货周期、性能迭代节奏——全是卖方市场。微软 $1900 亿的 Capex 撞上 GPU 墙，不是钱的问题，是产能的问题。那篇博客里写到的「Copilot 插队、Azure 断供」——本质上就是供应链单点故障的代价。
好消息是，这个局面正在松动。AMD MI400 的量产、Intel 的 Falcon Shores 2 的浮出水面、以及「非 GPU 战场」的爆发（推理专用芯片、网络芯片、存储芯片），都在稀释 NVIDIA 的垄断地位。
但芯片设计只是第一层。
第二层：晶圆制造的地缘「火药桶」
如果说 GPU 设计是「单点锁定」，那么晶圆制造就是「悬崖上的单点锁定」。
TSMC 控制了全球 90% 以上的先进制程产能（< 5nm）。 所有 AI 芯片——无论是 NVIDIA、AMD、Intel 还是自研芯片的 Anthropic——都绕不开 TSMC 的 Fab 18 和 Fab 20。
而 TSMC 的 Fab 18 在台南。台南距离福建平潭直线距离 180 公里。
这不是一个可以忽视的风险。2026 年 3 月，一篇发表在 ResearchGate 的论文《The Geopolitical Shockwave: Strategic Export Controls and the Collapse of the AI Supply Chain》模拟了 2027-2028 年地缘冲突导致 NVIDIA 供应链中断的「黑天鹅」场景。结论是：一旦台湾海峡局势升级，全球 AI 训练将在 6 个月内停滞。
美国政府的应对是「去风险化」——台积电亚利桑那 Fab 21 已经在 2025 年启动 4nm 量产，但产能爬坡速度远低于预期。2026 年的现实是：所有先进 AI 芯片的制造，仍然 100% 依赖台湾。
更隐蔽的风险是氦气。半导体制造的核心工艺气体（蚀刻、光刻）依赖氦气，而全球 40% 的氦气供应来自中东。2026 年 3 月伊朗导弹袭击引发的供应链中断，直接导致了半导体制造的「氦气危机」。这不是地缘政治的一级风险，但它是二级风险——连锁反应中最容易被忽略的那一环。
第三层：先进封装的「隐藏瓶颈」
大多数人不理解为什么 AI 芯片这么难造。他们以为瓶颈在光刻机（EUV），但 2026 年的真正瓶颈，是封装。
NVIDIA 的 Blackwell 系列（B200、B300）采用 TSMC 的 CoWoS（Chip-on-Wafer-on-Substrate）封装技术。这不是一个可选技术——没有 CoWoS，就没有 Blackwell 级别的 AI 芯片。
而 CoWoS 产能 100% 在 TSMC 手上。
2025 年，TSMC 的 CoWoS 产能翻了 3 倍，但 2026 年仍然被 NVIDIA 一家吃掉了 50% 以上的产能。AMD、Amazon、Google、Microsoft 的自研芯片都在排队等 CoWoS 产能释放。
这就像你建了一座世界上最先进的厨房，但所有厨师都得用同一个水龙头——不是一个水龙头不够用，而是这个水龙头坏了，整个厨房就停了。
TSMC 2026 年 Q1 营收 $35.6B（YoY +35%），其中 AI 芯片相关收入占比越来越高。但这份漂亮的财报背后，是产能分配的政治学——谁先拿到封装产能，谁就决定了 AI 行业的进化速度。
第四层：模型 & 软件供应链的「隐形战争」
前三个风险，行业看得见、正在想办法解决——建厂、扩产、多元化。但第四层风险，大多数人还没意识到。
AI 软件供应链正在成为攻击者的新战场。
2026 年，安全研究人员确认了 超过 500 个 AI 模型相关的供应链漏洞。这不是传统的软件漏洞（CVE），而是 AI 特有的攻击面：
- Model Poisoning：攻击者通过污染训练数据或预训练权重，在模型中植入后门。一个被植入后门的 Llama 3 变体，在 HuggingFace 上被下载了 10 万次才被发现。潜在损失估值：$12B。
- 依赖链攻击：AI 开发生态（PyTorch、TensorFlow、HuggingFace Transformers）依赖成百上千个 Python 包。8 国联合发布的《AI/ML 供应链安全指南》明确警告：Python 生态是供应链攻击的「高频靶区」。
- 模型分发安全：safetensors 的普及率在提升，但大多数企业仍然直接从 HuggingFace 下载未经签名的模型权重，没有任何校验机制。
- RAG 管道攻击：2026 年披露的 PDF 注释攻击变种，利用 RAG 管道的文档上传功能注入恶意指令。攻击者上传一个带毒 PDF，LLM 在索引时自动执行攻击。
最可怕的是：这些攻击不是「会不会发生」的问题，而是「已经发生了多少次」的问题。 因为大多数 AI 团队没有 SBOM（软件物料清单），没有 ML-BOM（模型物料清单），甚至没有基本的运行时监控。
行业正在做什么？
面对四层风险链，行业不是没有反应。
垂直整合是 2026 年的主题词。Anthropic 找 SK 海力士供 HBM、三星 2nm 代工——模型公司的终局是半导体公司。NVIDIA 在台湾投资建设封装产能，试图打破 CoWoS 的单一来源。Microsoft 在自研芯片（Maia）上的投入持续加码。
地缘多元化也在加速。台积电亚利桑那、日本熊本、德国德累斯顿——TSMC 正在变成一个「全球工厂」。但产能爬坡需要 3-5 年，远水不解近渴。
软件供应链安全方面，8 国政府联合发布了 AI/ML 供应链风险指南，呼吁行业采用 ML-BOM、模型签名、依赖扫描。但真正落地的企业少之又少。
写在最后
AI 供应链的「七寸」打在哪里？
打在 TSMC 的 Fab 18 里——只要台湾海峡不平静，AI 供应链就永远有一根刺。 打在 NVIDIA 的 CUDA 生态里——90% 的份额本身就是风险。 打在 500+ 个未修补的模型漏洞里——攻击者比防守者跑得更快。
这不是一个「谁对谁错」的问题。AI 供应链的集中化，是这个行业高速发展的自然结果——效率优先、成本优先、性能优先。但当效率成为唯一标准，韧性就被牺牲了。
2026 年，行业正在从「效率优先」转向「效率 + 韧性」的平衡。但这艘船的转向，需要 3-5 年。
而在这 3-5 年里，每一个 AI 从业者都应该问自己一个问题：
「如果明天 GPU 断供了，我的业务怎么办？」
如果你的答案是「不知道」，那今天就是开始思考供应链风险最好的日子。
本文系列相关阅读：