为什么现代 AI 的真正地理中心，不只有硅谷

一张被严重低估的北美 AI 地图

很多人谈 AI，只会想到旧金山。

OpenAI、Anthropic、xAI、NVIDIA、Meta AI……几乎所有最耀眼的名字都在湾区。

于是大家默认：

AI = Silicon Valley。

但如果真正拆开现代 AI 的研究、人才、基础设施与产业分布，会发现：

今天的 AI 世界，其实已经形成了一张非常清晰的“北美 AI 地图”。

不同城市，承担的是完全不同的角色。

有的城市负责：

• 研究底层理论；
• 有的城市负责训练模型；
• 有的城市负责把 AI 商业化；
• 有的城市负责 GPU 与云基础设施；
• 有的城市负责金融资本与企业订单。

现代 AI 的真实结构， 已经越来越像：

一个跨城市协作的产业网络。

而不是：

“所有东西都在硅谷”。

---

一、湾区：AI 世界的“中央帝国”

先说结论：

今天全球 AI 的绝对中心，仍然是湾区。

而且是断层第一。

这里集中了：

• OpenAI
• Anthropic
• xAI
• Google DeepMind 核心团队
• Meta AI
• NVIDIA 核心生态
• Andreessen Horowitz
• Sequoia
• YC
• Scale AI
• Databricks
• Perplexity
• Cursor
• Windsurf

几乎所有 frontier model、AI infra、AI agents、developer tools 的核心创业公司，都在这里。

原因也非常简单：

因为这里同时拥有：

• 世界最强资本；
• 世界最强工程人才；
• 世界最成熟创业文化；
• 世界最大 AI 财富效应；
• 世界最密集 founder network。

很多时候， AI 创业最重要的不是技术。

而是：

• 能不能融资；
• 能不能招人；
• 能不能快速扩张；
• 能不能形成生态。

而湾区在这些方面， 依然无可替代。

所以今天很多人说：

“AI 是新互联网。”

其实更准确的说法可能是：

“AI 正在复制互联网时代硅谷的统治力。”

---

二、Toronto：AI 商业化与人才中心

但如果离开湾区， 今天最值得关注的 AI 城市之一， 其实已经是 Toronto。

很多中国人对 Toronto 的理解， 还停留在：

• 加拿大最大城市；
• 金融中心；
• 房价贵；
• 华人多。

但实际上：

Toronto 已经逐渐成为：

全球最重要 AI 人才基地之一。

---

Toronto 为什么会崛起？

核心只有三个关键词：

• Geoffrey Hinton
• University of Toronto
• Vector Institute

Geoffrey Hinton 是现代深度学习三巨头之一。

很多今天 LLM 的底层思想， 都能追溯到：

• backpropagation
• representation learning
• neural network scaling

这些早期研究。

而 Toronto， 恰好是 deep learning 学派最重要发源地之一。

后来：

• Google
• NVIDIA
• Uber
• Cohere
• Waabi

纷纷在 Toronto 建立 AI 团队。

本质上， 他们抢的不是市场。

而是：

AI 人才。

---

Toronto 的 AI 气质非常特殊

它不像旧金山那样：

• consumer internet 化；
• hype 化；
• VC 化。

Toronto 更偏：

• enterprise AI
• B2B
• autonomous driving
• regulated AI
• developer infrastructure

这和加拿大经济结构有关系。

加拿大本身：

• 金融业强；
• SaaS 强；
• 政府监管稳定；
• 工程文化浓。

于是 Toronto 的 AI 创业， 天然更偏“工业化”。

---

Toronto 的代表性方向

1. Enterprise AI

代表公司：

• Cohere

相比 OpenAI 的 consumer 路线， Cohere 更像：

“企业 AI 基础设施公司”。

它做的是：

• 企业私有化模型；
• 企业级 RAG；
• 安全合规；
• enterprise deployment。

这其实非常符合 Toronto 气质。

---

2. Autonomous Driving

代表公司：

• Waabi

创始人 Raquel Urtasun， 曾是 Uber ATG 首席科学家。

Waabi 的核心方向： 不是简单自动驾驶。

而是：

world model + generative simulation。

本质上： 它在做 Physical AI。

---

3. AI Research + GPU

代表：

• NVIDIA Toronto
• Vector Institute

Toronto 现在已经是 NVIDIA 全球重要 AI research 节点之一。

尤其：

• computer vision
• robotics
• 3D world model

非常强。

---

三、Montreal：现代 AI 的“修道院”

如果 Toronto 是 AI 产业化城市。

那么 Montreal， 更像：

AI 世界的基础研究圣地。

---

为什么 Montreal 地位特殊？

因为这里有：

• Yoshua Bengio
• Mila

Yoshua Bengio 是现代深度学习三巨头之一。

而 Mila， 则是全球最大 AI academic lab 之一。

很多人不知道：

在 2010 年前后， deep learning 其实并不主流。

当时大量学界人士认为：

• 神经网络没前途；
• 不可解释；
• 太吃算力；
• 不如传统 machine learning。

但 Montreal 学派， 长期坚持 neural networks。

后来整个世界证明： 他们是对的。

---

Montreal 的核心优势

不是创业。

不是 VC。

不是商业化。

而是：

foundational research。

它更关注：

• representation learning
• generative modeling
• RL
• probabilistic learning
• sequence modeling

这些底层问题。

所以 Montreal 很像：

AI 世界的理论物理研究所。

而 Toronto 更像：

AI 工业化基地。

---

四、Seattle：AI 基础设施真正的重镇

很多人低估 Seattle。

但如果没有 Seattle， 今天的大模型革命可能根本跑不起来。

因为：

• Microsoft
• AWS
• Azure
• cloud infra

大量核心资源都在 Seattle。

AI 的本质， 其实是：

算力战争。

而 Seattle， 控制着：

• 云；
• 数据中心；
• 企业计算资源。

很多 AI 公司表面在 SF。

但底层运行： 其实在 Seattle 的云上。

---

五、New York：AI 商业化城市

如果说：

• SF 负责模型；
• Montreal 负责理论；
• Toronto 负责产业化；
• Seattle 负责算力；

那么 NYC 负责的， 其实是：

AI 变现。

因为纽约拥有：

• 金融；
• 医疗；
• 广告；
• 法律；
• 媒体；
• 企业服务。

这些行业， 都是真正愿意为 AI 付钱的行业。

于是 NYC 现在非常强：

• AI 应用层；
• AI SaaS；
• vertical AI；
• financial AI。

很多 AI 公司最后会发现：

模型不是最难的。

真正难的是：

找到付费场景。

而纽约， 拥有全世界最密集的企业客户。

---

六、为什么加拿大在现代 AI 的历史地位被低估？

因为过去十几年， 加拿大承担的是：

AI 基础研究孵化器。

而不是：

全球商业中心。

很多研究：

• 在 Toronto 做；
• 在 Montreal 发表；
• 最后去 SF 商业化。

于是大家会误以为：

“AI 都是美国做的。”

但实际上：

加拿大几乎参与了 modern AI 的整个底层理论演化。

---

七、现代 AI 正在形成“城市分工”

互联网时代， 很多东西集中在硅谷。

但 AI 时代， 开始出现：

全球化协作网络。

因为 AI 涉及：

• 学术；
• GPU；
• 数据中心；
• 云；
• 企业；
• 金融；
• 机器人；
• 自动驾驶；
• agent；
• inference infra。

没有一个城市， 能吃下全部。

于是： 不同城市开始承担不同角色。

---

八、未来真正的竞争，不只是模型

很多人现在仍然认为：

AI 的竞争， 只是：

“谁的模型更强”。

但未来真正的竞争， 可能是：

• 哪个城市拥有更多 AI 人才；
• 哪个城市拥有更多 GPU；
• 哪个城市拥有更多企业客户；
• 哪个城市拥有更多开发者生态；
• 哪个城市拥有更强能源与数据中心；
• 哪个城市拥有更多 autonomous systems。

换句话说：

AI 正在从：

“模型竞争”

变成：

“完整产业体系竞争”。

---

九、真正值得关注的，是 AI 城市网络

所以今天看 AI， 不能只看 OpenAI。

而应该看：

整个北美 AI 网络正在如何形成。

• SF 提供资本与 frontier models；
• Toronto 提供 AI 人才与 enterprise AI；
• Montreal 提供 foundational research；
• Seattle 提供 cloud infra；
• NYC 提供商业化场景。

这些城市， 正在共同构成：

现代 AI 文明的底层结构。

而这张地图， 未来五年， 很可能会越来越重要。

---

十、产业人物：真正定义 AI 时代的人

如果说前面讲的是城市， 那这一章讲的就是从这些城市里长出来的人。

很多 AI 产业人物， 并不是孤立出现的。 他们往往是某个城市长期积累出来的结果：

• 湾区给出资本、产品和创业网络；
• Toronto 给出研究传统和人才密度；
• Montreal 给出基础研究土壤；
• Seattle 给出算力与云；
• NYC 给出商业化场景。

所以这一章， 重点不是“全球所有 AI 名人”， 而是这些城市生态里最能代表时代的人。

其中少数带一点别处渊源的， 也顺手提一下， 但只轻描淡写，不展开。

因为 AI 产业的演化， 最后往往不是由“概念”决定， 而是由城市里长期形成的几种能力共同推出来的：

• 湾区的产品化、创业和资本网络；
• Toronto 的研究传统和人才密度；
• Montreal 的基础研究土壤；
• Seattle 的云、算力和工程底座；
• NYC 的企业场景和高价值行业。

所以看 AI，不能只看公司名， 还要看这些城市里到底长出了什么人。

---

1. 湾区：产品化和创业网络里长出来的人

湾区最强的地方， 不是只出“聪明人”， 而是能把聪明人快速变成：

• 创业者；
• 产品经理；
• 研究型 CEO；
• 基础设施创始人；
• 开发者文化的传播者。

Sam Altman

他代表的是：

AI 时代的产品化与资源整合能力。

OpenAI 的意义， 不只是模型强， 而是把 frontier model 变成了全球级消费级产品。

Dario Amodei

他代表的是：

研究、对齐、产品和公司治理的结合。

Anthropic 的路线非常清晰：

做更稳、更强、更适合企业和大规模部署的模型体系。

Jensen Huang

他代表的是：

AI 时代的底层算力王国。

严格说，他不是某个 AI 城市学派里“长出来的人”， 而是更接近湾区硬件和基础设施生态的核心人物。

他本科毕业于 Oregon State University， 硕士毕业于 Stanford University。

如果没有 NVIDIA， 现代大模型产业的规模化会慢很多。

Noam Shazeer

他代表的是：

站在模型结构创新前沿的人。

很多今天看起来理所当然的模型能力， 都来自更早期的基础架构创新。

John Schulman

他代表的是：

强化学习与对齐路线的核心技术人物。

在大模型后训练、对齐、强化学习这条线上， 他的影响非常大。

Sierra / Together AI / Fireworks AI / Baseten / Modal

这几家公司背后体现的是同一种湾区气质：

把 AI 从“模型能力”推到“可交付产品”和“可规模化基础设施”。

它们不一定最喧闹， 但都很像湾区长出来的公司。

---

2. Toronto：研究传统和人才密度里长出来的人

Toronto 的优势， 不是喧闹， 而是长期稳定的研究和人才供给。

Ilya Sutskever

他几乎就是 Toronto 这条线最典型的代表人物之一。

他是 University of Toronto 的 alumnus， 早期就在 Geoffrey Hinton 的机器学习团队里做研究。

他代表的是：

最强研究能力，转化成最强产业判断。

Ilya 的影响力， 不只是因为他懂深度学习， 而是因为他对模型能力边界、训练范式、安全问题， 都有极强的前瞻性。

Aidan Gomez

他代表的是：

把 research 转成 enterprise AI 的创业能力。

这一类人，Toronto 气质很强。

他本科毕业于 University of Toronto， 这条线和前面的 Toronto 章节是直接连起来的。

Cohere 的路径说明：

企业市场不是“模型能力展示场”， 而是“部署、稳定、合规、成本”的硬仗。

Andrej Karpathy

他本科毕业于 University of Toronto， 后来在湾区完成了更大范围的产业化放大。

他其实很典型：

Toronto 的研究底子 + 湾区的产品化放大。

研究、工程、产品和开发者文化， 在他身上是连在一起的。

Elon Musk

他不是 Toronto 生态最直接长出来的人， 但他和加拿大、尤其安大略省有一层早期求学渊源。

他在 Queen's University 的两年， 是这条线里很容易被忽略、但确实存在的一段渊源。

他代表的是一种更外延的工业化视角：

把 AI、机器人、自动驾驶和算力，放进同一个产业叙事里。

---

3. Montreal：基础研究土壤里长出来的人

Montreal 更像研究系统， 不是创业系统。

Yoshua Bengio

他是 Montreal 这条线最重要的名字， 也是现代深度学习历史里的核心人物之一。

他的意义不只是学术地位， 而是长期把深度学习当成一条值得坚持的主线。

Demis Hassabis

严格说他不属于这张北美城市图里的核心节点， 但他和全球研究网络、包括湾区研究生态的联系很深， 所以放在这里作为全球延伸也合适。

他代表的是：

研究型 AI 的终极想象力。

---

4. Seattle：算力和云底座里长出来的人

Seattle 的角色很直接：

让 AI 跑得起来。

以 Microsoft、AWS、Azure 为中心的工程文化

它塑造出来的人， 通常不是最会讲 AI 故事的人， 而是最懂：

• 云；
• 训练；
• 部署；
• 企业交付；
• 大规模基础设施。

Lambda

它代表的是：

AI 时代的算力与训练基础设施。

这也是 Seattle 和湾区共同拉起来的产业方向。

当别人讨论模型参数时， 它在解决的是“训练和推理到底怎么落地”。

---

5. NYC：商业化场景里长出来的人

纽约的强项， 是高价值行业密度。

Harvey

它代表的是：

垂直行业 AI 的高客单价路线。

法律行业对准确性、流程和合规要求极高， 所以能在这里跑通的公司， 通常都不简单。

Glean

它不是最“模型派”的公司， 但它非常清楚企业真正需要什么：

让内部知识、搜索和工作流真正可用。

这类公司很适合在纽约和湾区之间的企业市场土壤里生长。

Sierra

它代表的是：

AI 进入企业服务之后，最先被验证的高价值场景之一。

客服、销售、对话式业务流程， 这些地方都特别适合 AI 先落地。

---

6. 为什么这些人和公司重要？

因为 AI 产业真正的竞争， 不是“谁最会讲故事”， 而是：

• 谁最先看清技术边界；
• 谁最先把能力做成产品；
• 谁最先把产品放进真实工作流；
• 谁最先把算力、模型、分发和收入打通。

所以你会发现， 真正定义这个时代的人， 往往不是最喧闹的那批， 而是：

能把 AI 从“实验室能力”变成“产业能力”的那批人。