一、一个被低估的数字：5 平方公里里的万亿市值
Elad Gil 最近发布的 Unicorn Market Cap 2026 数据集里有一个被一笔带过、但其实极具冲击力的细节：
2026 年估值排名前 25 的 GenAI 独角兽中，14 家总部落在旧金山 SoMa + Mission + Hayes Valley 这三个相邻街区——总面积不到 5 平方公里。这 14 家公司的合计估值超过 1.4 万亿美元。
作为对比：
- 整个纽约都会区（含 Wall Street + Hudson Yards 全部金融科技公司）顶级独角兽合计市值约 4500 亿；
- 整个北京中关村 + 海淀 + 望京片区 AI 独角兽合计估值约 3800 亿美元；
- 整个伦敦 + 巴黎 + 柏林三地科技独角兽合计估值不到 2500 亿。
也就是说：旧金山一个邮编集群的 GenAI 独角兽市值，等于全球第二、第三、第四集群之和的 1.5 倍。
这不是创业公司分布的"正态偏态"，这是 超级集中。它像极了 1900 年代底特律之于汽车、1980 年代东京之于消费电子、1990 年代华尔街之于全球金融——但在更短时间、更窄空间内完成。
二、为什么是 SF？三层共振
很多人把这种集中归因为"硅谷传统"。但仔细看会发现，老硅谷的 Palo Alto / Mountain View / Cupertino 在 GenAI 时代的相对地位是下降的。新的中心是城北的 SoMa 而不是城南的 Sand Hill Road。
三层共振解释了这个迁移：
共振 1：人才"密度梯度"超过临界点
GenAI 公司的核心员工通常 ≤ 50 人就能撑起 100 亿+ 估值。这意味着：
- 团队对"步行 5 分钟即可见到下一个核心人选"的需求远高于传统 SaaS；
- 高密度生活区（SoMa, Mission）比郊区园区更能支撑"上午 11 点 coffee, 下午 2 点 hire"的招聘节奏。
这是典型的 Marshall 式产业集群效应在 2020s 的复活，但被 AI 公司的人才结构放大了 10 倍。
共振 2：算力订单"近场效应"
GenAI 公司的核心成本是 GPU 算力。OpenAI、Anthropic、Mistral US 团队、xAI、以及一批新晋玩家都在抢同一批 H100/B100/B200 配额。与英伟达、CoreWeave、Crusoe、AWS 这些算力分配方维持物理上的近场关系，在配额分配高度政治化的 2026 年是真实的护城河。
很多人不知道：英伟达的客户优先级会议每月在加州进行，能"周三飞过去喝咖啡"和"必须等下周 Zoom"是两个量级的优先级差。
共振 3：资本闭环的"30 分钟通勤圈"
Elad Gil 自己就是这一现象的活样本。SF 城内的 GP 数量在 2024–2026 三年净增 62%，其中绝大多数专投 AI。当 LP、GP、被投公司全部在 30 分钟通勤圈内，融资轮次的"决策延迟"从 6 周压缩到 6 天——这个速度差直接转化为公司估值差。
三层共振叠加：人才密度 × 算力近场 × 资本闭环 = 一个不可复制的局部最优。
三、超级集群的对比表
| 集群 | 顶级 GenAI 独角兽数 | 合计估值 | 平均 founder 步行通勤距离 | 主要短板 |
|---|---|---|---|---|
| SF SoMa/Mission | 14 | $1.4T | < 2 km | 房价、安全、监管不确定 |
| 纽约 Hudson Yards | 4 | $180B | < 3 km | 算力远场、AI 人才稀缺 |
| 伦敦 King’s Cross | 3 | $90B | < 2 km | 美元算力支付摩擦 |
| 北京海淀 | 5 | $230B | < 4 km | 出口管制、外资退潮 |
| 上海张江 | 2 | $60B | 散落 | 人才虹吸不足 |
| 深圳南山 | 3 | $110B | 散落 | 基础研究偏弱 |
| 巴黎 Station F | 2 | $40B | < 1 km | 监管严格、退出渠道窄 |
注意纽约和伦敦的"步行距离短但规模小"——证明 物理密度是必要条件，但不是充分条件。SF 的真正优势在于它同时占满了三层共振。
四、超级集中的脆弱性：四个隐性风险
但这种极端集中也是一种 系统性脆弱。如果你管的是 LP 资金、是企业并购、是国家产业政策，下面四个风险都不能忽视：
风险 1：地理黑天鹅的尾部赔率
旧金山位于圣安德烈亚斯断层上方，USGS 估算未来 30 年发生 6.7+ 级地震的概率约 72%。一次中等强度地震可能让 SoMa 数据中心、办公空间、人才同时受损。1.4 万亿美元市值集中在 5 平方公里里，意味着单点物理事件可能擦掉全球 GenAI 估值的 1/3。这不是科幻，是地震学家在 2025 年发布的概率模型。
风险 2：本地政策冲击
加州 AI 法规（SB-1047 之后的延伸立法）若收紧，影响的是同一群公司。这与 EU AI Act 的影响呈相关性——都是单一监管体系，但 SF 集群已经把"全球 GenAI 估值"绑定在加州监管周期上。
风险 3：人才市场过热的反噬
SF AI 工程师 base 薪已突破 $80 万 + equity，是 2022 年的 3 倍。当一个城市的某类人才市场出现这种通胀，离职跳槽的频率会被酬劳差异淹没——团队稳定性下降，组织资本无法积累。
风险 4：估值闭环的反身性
当 LP、GP、被投公司、acquirer 全部在同一个咖啡店圈层里，估值锚定会变成集体共识而非市场发现。一旦这个共识破裂（比如 OpenAI 出现重大技术或商业事故），估值校正会沿着同一个社交网络传染，速度远快于地理分散的市场。
五、对中国和欧洲的启示：别试图复制 SF，要做"反 SF"
很多地方政府还在试图"打造下一个硅谷"。从超级集群的形成机制看，这种追赶几乎注定失败——你无法人造三层共振。
更现实的策略是 做 SF 不能做的事：
- 算力资源主权：欧洲与中国的本地算力（Mistral 的 EU 主权云、华为昇腾、寒武纪）对应的是 SF 拿不到的市场。
- 垂直深度替代水平广度：SF 押注通用大模型，欧洲与中国可以押注 行业-法规绑定的垂直模型（医疗、法律、工业、本地语言）——这些 SF 因缺乏本地数据反而进不去。
- 公共数据资产化：欧洲若能把公共部门数据合法、可控地开放给本土 AI 公司（北欧已有先例），可以建立 SF 永远复制不了的训练优势。
中国的机会在于：人才密度已经具备（北京海淀、深圳南山、上海张江都达到了 SoMa 70% 的密度），但 资本闭环受出海限制断裂。如果 H 股、港股 AI 板块能做出有效的"本地 IPO 退出 + 跨境美元募资"通道，三层共振有可能在国内重建。
六、未来 24 个月的三个判断
第一次"集群外溢"会在 2026 年下半年出现。SF 房租和合规成本已经接近临界点，第二总部最可能落在 西雅图 Belltown 或纽约 Hudson Yards，但不会去德州或迈阿密——后者算力近场和 LP 密度都不够。
政府基金在 GenAI 投资中的占比将从 5% 涨到 25%。当估值集中在加州，其他地区的主权 LP 必然主动出资形成本地集群——这是地缘政治传导到 VC 的直接路径。
首例"超级集群系统性事件"会发生在估值修正而不是地震上。最可能的导火索是某家头部模型公司出现重大商业失误（合规、客户流失或重大技术回退），引发整个 SF 圈的同步重估。LP 应当现在就准备这种相关性测试。
旧金山的这个 5 平方公里，是 2020s 全球资本最密集的实验场。它的成功是真实的，它的脆弱也是真实的。任何把 GenAI 视作长期资产的人，都需要把"地理风险"重新写进自己的尽调清单——这个变量在过去 30 年的科技投资里从未如此重要。
