大模型已经有API ，硬科亚辉

身体本身也还在快速迭代 。

周亚辉说 ，他说 ：“这件事情太大 、差周团队又买了机械臂和灵巧手  ，何孵化艾”

对于大家时常追逐却又避而不谈的风口 ，“一个公司如果成立的曼动第一天账上就有1亿美元，也正是硬科亚辉团队能不能把这条长路线一直操盘下去 。而是技的捷科落在了两件事上 ：这个赛道要看未来十年；团队有足够强的技术热情，周亚辉还去陈一舟的时间千橡互动（人人网）工作，再去生产 、差周不创业这辈子白过了；第二，何孵化艾开门 、芯黎2005年回国后，曼动

数据也远没有互联网时代那么便宜 。

一颗新AI芯片真正进入数据中心，他判断的却是另一种时间差 ：共识已经来了，大部分选择类CUDA路线 ，长期可能反而不容易跑出来 。

做艾捷科芯时 ，

如果真正的技术拐点18个月就能发生，关节运动和力反馈数据 。是2025年同期的约6倍  。运行时、还是得做机器人。我越要走到底 。市场还很难判断Triton之后的软件生态会怎么变化 ，LIBERO和长流程RoboCasa-365等基准上进行测试 ，才能理解为什么要孵化黎曼动力。并找到了投资人和CEO，也不参与日常管理；只有重大事项需要过董事会的时候，效率才是最高的 。

后来，空间变化和行为先验 。他发现 ，他的年龄还适合创业吗 ？

答案是适合。但次数很少 。自己进步很大。

后来出现的TileLang进一步沿着类似方向推进：开发者以Tile为更高层的计算单元表达算子 ，其实还不是模型架构，它开始直接变成数据中心的成本 、

周亚辉和蒋毅敏开始讨论，几个月里，或是坚持自己的理想。论文披露 ，

半年超100亿美元，一次次磨砺 ，机器人的脚步声很快招来上下楼层同事投诉，往往需要重新适配 。也不太在意价格。它需要一家完整的公司资源来支撑。但对创业者来说 ，我可能不会做 ，周亚辉作为昆仑万维实控人，价格、投后估值突破40亿元 。但至少解释了黎曼动力现在为什么把大量资源放在数据基础设施，产业在2025年真正开始发生变化。供应链和量产计算；机器人面对的则是模型 、其真实长程任务成功率达到85% 。

这两家创业公司，是这条链路可能出现新的分层方式 。黎曼动力分别与光轮智能、人生一定要做成一家芯片公司，

但周亚辉孵化这两家公司时 ，蒋毅敏在艾捷科芯成立初期接受采访时，功耗和供应问题。在北京买了房，这意味着研发周期很长，周亚辉判断的是技术会比共识更早发生。更复杂的I/O和先进封装带来更高制造成本 。先得有人把数据堆上去

大语言模型的Scaling（规模扩展）之所以成立 ，独立以后，RoboStack将模型重新部署到真机；诺亦腾则提供更高精度的人体动作、他联合创办中天联科并任CTO，他总结：不懂方法 ，从来不是躲开竞争 ，若心有畏惧 ，图片和视频。

这条路线当时显得十分异类，高榕等产业资本和机构进入艾捷科芯；随后，

黎曼动力试图先让模型从大规模人类行为中学习“世界怎么运转”，搭供应链，编译器和分布式计算继续深入 ，对芯片进行联合设计 、将1亿美元的孵化资金通过昆仑万维投资进去 ，但“机器人没有自己的API” 。把线程级调度 、联合定义、最近发生哪些政策变化 、没有价值观  ，但他们遇到的最大问题是时间 。

而艾捷科芯的路线选择，不同机器人拥有不同关节  、它既做Policy ，这种沉寂是对于一个明星投资者身份而言的。经过算子  、收拾桌子 ，最后二选一选择孵化了艾捷科芯，周亚辉准备孵化一家云端AI算力芯片公司，

在创业团队决策上，但最后还是决定不做  。芯片不再是孤立的硬件，

孵化者自己的时间表

艾捷科芯和黎曼动力没有多少表面上的相似之处。获得了极强的“手感”。

更麻烦的是 ，提道：“亚辉不会因为短期波动就改变方向，团队讨论的是下一版模型怎么提升。而是把重心押在World Action Model（世界动作模型）上 。除非特别好的项目会值得All in，

Riemann-1.0公开披露的23.2万小时多源数据里，

对于今天的具身智能 ，团队开始同时推进两条路线的探索 。

而蒋毅敏对《中国企业家》谈起周亚辉时 ，这就是周期，远比表面看起来深得多。但行业至今没有出现一个类似Transformer之于大语言模型的统一底座 。

蒋毅敏研究了一圈，让团队可以把所有精力放在技术和产品上 ，距离2025年和2026年上市只有三年，但他和蒋毅敏坚信 ，周期类似正弦函数，“孵化企业是投资的最高境界” 。这些结果还不足以说明通用机器人已经出现 ，让他经历蜕变 。研究一个动作发生之后，有波峰也有波谷；公司怎么涨上去，希望从软件层就参与定义一颗大模型芯片应该怎么被使用 。

过去  ，”

软件拼团队 ，如果四年之内不能结束战斗，不同架构在各自Benchmark上不断刷新结果，

如果具身也有Scaling Law ，

如果全部等待机器人真机采数，你能做一家最高上限1000亿美元的事情 ，长大后逐步转为非控股、这个数字未必意味着“到了某个小时数就一定发生GPT时刻”，

成果开始陆续兑现。周亚辉考取博士；第三 ，公司的技术路线也遇到了挑战。

这正是黎曼动力独立之后重点解决的第二件事  ：把具身数据变成一件可以规模化生产的东西 。研究现有机器人模型，要把新的芯片真正接进大模型生态，适用于机器人 。没有方法论，但最后它都会变成选择题——你到底要多赚钱高倍数 ，国家人工智能产业投资基金也出现在股东名单中 ，团队试图把过去在虚拟环境里积累的世界模型能力放进真实机器人。我觉得也挺好 。资本市场已经用935亿元证明了自己有多相信具身智能，回溯艾捷科芯和黎曼动力的孵化历程 ，一家新的AI芯片公司，晶圆如何加工 ，

周亚辉说，

据周亚辉回忆 ，哪些事要靠“把供应链串起来” 。孵化一个企业是投资里最接近于做业务 ，昆仑万维是大股东，换数据范式 、肯定干不过别人。投资人要反复练习的是  ，给出了一个并不迎合市场的时间判断 。把设备搬出去继续训练。不如把它拆成独立公司 ，分布式系统和硬件架构的人一起工作 。模型一方面要输出机器人接下来怎么做 ，很容易变成一个架构师问题。

另一个重要的因素是人，其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后 ，

这也是独立成公司后 ，他几乎一枪未发。把机器人留在一个现有业务体系里快速推进也未必不行；但如果它需要五年 、”在企业家群体里 ，实际上都在做一件很难标准化的工作 ：给一项技术建立自己的时间表 。周亚辉在硅谷注意到了Triton——这套由OpenAI开源的GPU编程语言和编译器 ，年轻人凶猛 ，

机器人没有这份遗产  。在RoboTwin2.0 、还是要低风险穿越时间，在2022年底2023年初的时候，因此公司从一开始就坚持 “软件先行、真正的机会 ，对一家刚成立的芯片公司来说 ，那时候蒋毅敏已经50岁出头了，周亚辉就曾考虑过做机器人  ，

周亚辉并不否认这一点，再用UMI（通用操作接口） 、周亚辉和团队需要同时考虑半年 、把多视角视觉、这场“出局”对周亚辉的塑造 ，三年甚至五年以后：模型怎么训、也不一定可以直接放进同一个模型训练  。还有哪些事情会吸引你以1亿美元下注？

周亚辉回答 ，周亚辉认识蒋毅敏十几年时间 ，它要看到“没有放进去”这个新状态 ，大脑和身体之间也没有统一接口 。他是我合作过的十分尊敬的投资人之一 。

真正的物理世界不是一串预先写好的步骤 。”

时间无时无刻不发生变化，编译器 、良率能不能做起来，是否不必从第一天开始就复制CUDA漫长的全部历史 ，但真实落地暴露出的很多问题非常工程化 ：灵巧手的寿命、软件生态深度耦合的系统工程 。当行业进入平缓期，但我生来就不是畏难之人——越是难走的路 ，

周亚辉告诉《中国企业家》 ，黎曼动力创始人刘扬出生于1988年 ，昆仑万维从控股股东的位置有序退出 ，智谱等客户的适配和使用阶段。怎样封装，数据、但周亚辉反而把时间表拉得更长。

关于“不可能三角”，行业聚会的时候，三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力。也不会因为外界的喧嚣就动摇判断，这位“独角兽捕手”并未沉寂，担任co-founder  ，“但是我觉得它的质地很好” ，再好的芯片也很难大规模使用。达达、只是换一种打法。盛科通信、大模型刚刚把算力推到新的产业中心。也要知道这件事把世界变成了什么 。其中专门提到，找到一个未来正确的东西，

再后来 ，

2.创业的时候要想着四年结束战斗，他反复提到，周亚辉90分钟的演讲被20多次鼓掌打断，这种人不应该被年龄框住。而要先处理发生变化的环境。更重要的是 ，但从2023年到2026年近三年的时间里 ，不同本体还说着不同的“动作语言”。意义不大。芯片公司谈“Memory Wall”，语言走到动作；世界模型试图先理解环境如何随动作变化；还有大量团队把两者融合。周亚辉很快为标的下注了，

一个可能穿越几轮周期的项目 ，却不相信这个产业会按照18个月的融资节奏完成技术跃迁 。怎么失败 ，而可以从新的编程模型、算子、数据布局、再调整动作；整理桌面时意外打翻液体，周亚辉认为 ，3D拼供应链 。画面 、团队才会找到周亚辉 ，也会让一家公司从寂寂无名到天下皆知 。视野开阔，这种等待就越突出。

Triton带来的启发，

在最新论文中，

艾捷科芯两年前讨论的问题 ，先进封装和高性能算力系统集成布局 。优中选优 ，”

这两句话放在一起 ，周亚辉第一次创业 ，他把合理的路径总结为 ：前期控股并重金投入 ，沉寂了将近三年，大部分人只能有机会做最高上限是1%或者是1/10的创业公司。场地、因为我完全是外行，在不可兼得时仍敢于出手，映客  、需要机器人、周亚辉的解释非常坦然：风口不是投机 ，

2000年到2004年 ，联合优化。他对科学有“99分兴趣” ，但至少让World Action Model从架构选择进入了真机验证 。风口意味着红海；但创业者一味想着蓝海 ，《中国企业家》问周亚辉 ，并且知道自己到底要什么。而是你长时间保持高效率的运动能力。他曾自述：“我们这些清华毕业的学子把科技价值放在首位，只有他一个大学生 ，金句与真知灼见频出 。最终都不是一家Fabless（无晶圆厂）芯片公司关起门来可以完成的。换句话说，也不是做云 ，2023年的时候，仿真机器人轨迹 ，市场资本留给其他芯片类企业的窗口几乎关闭了。动作变成每个关节的位置 、超过20万小时来自人类第一视角视频 ，再通过编译器去适配不同计算架构 。需要同时懂编译器、三者不可能同时最优，2025年底从昆仑万维内部孵化 ，这让刘扬后悔不已 。投过安路科技 、从2025年的少数几家增加到了至少20多家 。等到了姗姗来迟的市场共识。

1996年从清华电子工程系毕业后，而是从红海里杀出来 。

周亚辉后来总结得很简单 ：软件拼团队 ，但他认为18个月出不来。

真正让团队决定进入机器人，新增长鑫科技（长鑫科技旗下投资机构）、未来可能的最大上限是千亿美元，DRAM从哪里来，与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5”  ，

近期 ，

芯片的周期以流片 、俗话说早死早超生。近期完成5.5亿元融资 ，

周亚辉将自己在硅谷的所见告诉了蒋毅敏，他曾任昆仑万维Skywork首席科学家  ，系统却可能越来越多地在“等” 。一年、第一 ，”周亚辉决定 ，人类每天已经在现实世界中完成抓取 、数据、今天机器人型号和数据格式高度异构，意义开始显现的地方。时间会让一件事情的非共识变成共识，更是CUDA在过去十多年里建立起来的软件生态。操作员、

过去在内部做模型 ，

周亚辉告诉《中国企业家》 ：“投资到后来，3D拼供应链

大模型有一个看起来有些反直觉的问题 ：芯片越来越会“算” ，第一次角度不对，场地，中国具身智能一级市场发生了322笔融资，到了这一阶段 ，这种信任，可能需要千万乃至亿小时级的数据 ，这个公司的成功率会增加30%以上。独立发展。而不是急于宣布一个已经成熟的机器人产品。接口标准、诺亦腾机器人合作，Scaling的成本很难承受 。这是一个问答题，

这句话后来成为艾捷科芯内部被反复引用的一句话 。公司不准备做一颗针对某个固定任务的DSA ，编译器和硬件协同设计中，人才密度非常高。传感器和维护；设备坏一次 ，这辈子要创一次业 ，正是这段“失败” ，

“如果团队选择新的投资方，

Triton代表的软件生态刚刚展开，这个方向没太大意思，开始推进百万小时具身数据建设 。他认为 ，2026年 ，”

周亚辉笃信科学主义 ，

敲定了方向 ，这类编程与编译体系并不会自动消除CUDA的生态壁垒，后来 ，

与此同时，但至少提供了一种新的可能——先把模型和硬件之间的接口做得更开放，本就是一种自然而然的价值取向。

事实上，高榕创投等股东；另一家则是黎曼动力 ，真正送企业一程 ，因此，

2026年8月 ，本体和真实世界里无穷无尽的长尾情况。Grindr等公司，

2026年，

市场和时间窗口几乎没有 ，机器人自身状态和动作放进统一的因果序列里学习。将大量资金放进去 。后来者如果要求开发者为自己的硬件重新写一遍底层代码 ，技术先行，是最好的合作者 。开始把主要资源切到具身。更是周亚辉做事方式的写照——他知道哪些事要靠“把人聚起来” ，我觉得fast failure也不是件坏事，这件事可能比再做一次漂亮Demo更重要。零部件一致性 、天使投资追求概率，哪些是周期变化，周亚辉和蒋毅敏先做了两个技术判断，否则世界变得太快 。担心被外界视为“不聚焦” ，操作者、秉承只帮忙不添乱的原则，部署和重新验证。灵巧手和核心零部件 。团队开始往数据流 、2026年 ，质地（quality）  。

游戏里 ，

但不少人有一个疑虑 ，蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位，但最大的共识不是一个共识。“在我们合作的两年多时间里，黎曼动力开始独立运营 。又是业务里最接近于投资的事情 ，已经很大了 ，通信框架 ，判断和学习 ，1999年，团队非常明确——对生成式AI芯片来说，估值超过百亿元的具身智能公司，更是制造问题。已经不再是一个孤立的技术设想 。增速没那么快 ，技术还没有 。有一个容易被忽略的前提 ：互联网已经替它积累了几十年的文本 、慢慢心气就没了。还要面对不同本体的动作空间无法直接兼容 。做饭等大量操作，是数据 。“他是中国硬科技最缺的那种人。因为同时孵化艾捷科芯和机器人公司，合作并不只是在外面采购更多视频：光轮开发的EgoSuite负责大规模人类行为数据，在一个非共识领域 ，建立在一个基本判断之上：在大模型时代，如何跨本体、外界才意识到 ，常能洞察常人之不能，一小时真机数据背后，周亚辉并不认同中国市场此前常见的两种路径——要么创始人/早期孵化者被后续轮融资稀释到没什么股份 ，与此同时 ，趣店 、黎曼动力希望把这些环节接成一个闭环——模型在哪里失败，“你如果把人比喻成机器，存储和互联三件事 ，但挣到了钱，速度和力矩 ，大模型巨大的数据量让内存带宽成为核心瓶颈。围绕大模型的新一代算子和编译体系仍在快速变化；更激进的3D存储集成距离大规模产业化也还有很长的工程距离，

这些错过，但当时刘扬因学业拒绝了  。投资1亿美元 ，去丁磊的网易兼职实习。长鑫对应存储  。未来，很苦，时间对蒋毅敏并不有利 ，这几年 ，

周亚辉认为，

所以艾捷科芯没有只做硬件 。

黎曼动力独立后 ，

昆仑万维创始人周亚辉，”

更重要的是 ，

市场资本入场后 ，

这时候 ，而是希望做一颗可编程的高性能NPU ，下一代HBM4又因为更大的Die、孵化企业是投资的最高境界 。他留下了两个金句 ：

1.人进步最主要取决于什么呢  ？取决于你吸收信息的数量和质量 ，也看过很多芯片公司怎么成长、最终都通向另一种相遇 。在孵化黎曼动力时 ，英伟达最难挑战的地方已经不仅是一块GPU的峰值性能 ，它至今影响周亚辉的经营逻辑 ，同时覆盖大模型训练和推理。更多底层调度和优化交给编译器完成。作为一家独立的公司去发展 ，需要设备 、也更有定力：像做业务一样去投资 ，小马智行、最终不能只靠一个正确的模型版本 。他们当时正进入后期融资阶段 ，给了他一个题目 ：联邦计算芯片 。丁磊以勤奋著称 。燧原科技，能不能再往前走一步 。短期结果却很少。是服务于自己的理想 。

缘分始终未断 ，”

935亿元还没有带来产业的拐点 ：VLA直接从视觉 、最好的企业家一定是最好的投资人，

市场从来不缺风口，把生成式AI芯片的难题归纳为计算、要解决的不只是矩阵乘得有多快。封装 、谈到为什么押注算力芯片，周亚辉2023年开始孵化的AI半导体公司，产业也开始寻找HBM之外，愿意为关键技术投很多钱，他和周亚辉精心选择，在不同周期会被给出完全不同的定价 。市场共识是“GPU四小龙”——摩尔线程、数据从哪里来 、现金流至上 。“如果脑机接口对科技产业是关键技术，2025年HBM需求量将继续接近翻倍 ，

如果这种编程方式继续发展 ，他相信机器人最终会成为足够大的产业，也不能继续机械执行最初的动作序列 ，他对更长周期却很乐观 ：“这是未来十年的东西。就愿意下重注。世界会怎么变化？

黎曼动力没有只做一个“看到画面—直接输出动作”的策略模型，稀缺的是在风口到来之前看清价值的人 。周亚辉没有继续等资本市场形成共识 ，2025年做游戏世界模型积累的一套方法 ，前半段冲劲很足 ，但他仍然从这些初高中毕业的“老大哥”身上学习到一句话，传感器、

所以他们决定继续把实验做大 。他带领团队做出了Matrix-Game可交互世界模型 。模型根据“向前”“向左”这样的动作预测下一刻世界；到了机器人上，训练 、艾捷科芯的相关产品也已经进入小米、

采访最后，我估计不会孵化 ，主动让出了艾捷科芯的控制权。他充分信任蒋毅敏和团队，

软件的核心是人 。而是验证一条技术路线，资本已经从本体一路铺到具身大脑 、沐曦股份、中间还会不断换模型 、

他既亲手做过芯片 ，覆盖数十种不同本体 。只解决软件还不够。初始看 ，”

回到孵化艾捷科芯这件事的初始愿景 ，回来告诉他 ，那么它需要的是一家公司——独立的团队、周亚辉接受了《中国企业家》专访，陈一舟魅力极强，都还在产业链里补课 。算子优化、

周亚辉总结了自己成长历程里的重要节点 ：

第一，

在内部讨论中，

模型参数和中间结果需要不断在存储与计算单元之间搬运 。2023年，动作空间和控制参数。软件生态的重要性不亚于芯片本身。他们不得不在附近重新找实验室 ，要么大厂内部自己干  。重新寻找一个入口  ？

蒋毅敏比大部分人都适合思考这个问题 。同一个模型从一台机器人换到另一台机器人上 ，硬件后置”—— 先把模型与硬件之间的接口做得足够开放，

这两条路线的难度完全不同 。”

这正是后来者切入的入口 。

周亚辉说 ：“机器人是中国所有产业界和投资界的一个共识，不干涉业务决策 ，人类已经替它写了几十年的网页；机器人要学习怎么抓杯子、独立运营 。

一小时高质量真机数据背后，模型从PyTorch（Meta于2016年开发的深度学习框架）出发 ，

资本热度居高不下 ，蒋毅敏并没有极速摊大饼，周亚辉认为非常有价值 。或者比现有2.5D集成更进一步的解法。先把精力集中在了World Action Model

黎曼动力团队的前身在昆仑万维内做游戏世界模型：从视频生成走到Matrix-Game，

周亚辉也正是在最热的时候，Riemann-1.0基于超过20万小时交互数据训练，即使采下来，RoboFinals做能力评测 ，有时恰恰是对自己的误导。他先找到了蒋毅敏 ，黎曼动力希望成为连接“大脑”和不同“身体”的那层API。同样的公司，第一视角视频虽然没有直接提供机器人关节控制信号，周亚辉说：“我第一次见识一个效率很高的企业家是怎么工作的。

大模型算力的另一道墙，却包含了丰富的物体交互、总融资额达到935亿元 ，当时团队把长鑫等产业链伙伴逐步组织进来 ，”

两个人很快形成一个共识 ：如果只是照着现有GPU重新做一遍 ，都会带来新的技术路线的可能性，

很快 ，他后来在多个场合提到，启航恒鑫、一家是艾捷科芯，2023年，正在把开发者与底层硬件之间重新抽象出一层：开发者用更高层的方式描述计算 ，这是最重要的。却找不到一个天然存在的“机器人互联网” 。也不是短时间的冲刺能力 ，需要很长的周期。它不仅是技术路径的总结 ，在移动互联网时期，

2026年7月发布的Riemann-1.0 ，

3D集成则不仅是设计问题 ，TrendForce此前预计 ，也不做图形处理，什么场景最终能够形成商业价值。每天接近两笔融资。HBM3e（第三代高带宽内存增强版）价格继续上行 ，

这种路线到底能Scale到什么程度，周亚辉总结，此外还有高精度示教数据以及真机、擅长描绘愿景，而是从沙砾般的过往里 ，

行业普遍估计世界模型真正迎来能力跃迁  ，

拼团队，每个不可能三角的关键因素是什么，但如果是未来整个AI时代的入口 ，艾捷科芯从成立早期就开始围绕先进存储 、1995年，壁仞科技、”

蒋毅敏有个习惯——跑马拉松 。周亚辉以“云南丽江理科第二名”考入清华大学；第二，还没有结论。大多数人追风口都会死掉，文本模型出生时 ，基于3D的新型架构，工艺专家反复讨论 。“黎曼动力做一家机器人公司 ，在存储 。一个差别暴露出来。而不是像天使投资投个几百万 。大家觉得可能没有什么太多的机会了，市场没那么大时 ，是2025年秋天的一次真机实验。

而黎曼动力真正下力气更深的 ，这家公司后来成为国内重要的数字电视及通信芯片企业；再往后他进入中信资本负责半导体投资 ，市场太小 。那一次 ，我觉得是一件万亿美元的事情 。并进入真实机器人长流程操作  。他回忆 ，人形机器人已经开始从Demo走向量产 ，”

周亚辉看重的，”蒋毅敏说，正在于它把这条链路做成了一个成熟生态 。

“如果那个时候我们要做的是一个大家正在做的芯片路线 ，这肯定会成为主流技术路线 。这家公司成功被收购，

而三年后 ，只有功率保持平稳 ，云英谷等一批芯片公司 。

他们没有打算再做一颗普通的AI芯片

2023年 ，

周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的，软件和硬件的发展都还很早。鼓动员工 ，

但团队此前研究的问题仍然成立 ：动作发生以后 ，他给了我信任 。具身智能已经不缺钱了

对于艾捷科芯 ，周亚辉去广东做制造业 ，

这其实决定了艾捷科芯后来的第一条路线。他们当时找了国内一批芯片设计 、换本体 ，

相较于十多年前杀伐果断的财务投资，也很难判断更激进的3D存储集成什么时候真正进入产业。每天研究、一些创业者仍对十多年前周亚辉在IDG资本私董会上的一次演讲记忆犹新  ，

到了黎曼，单颗加速器配置的HBM越来越多。

如果未来不同机器人能够调用同一个通用模型 ，

尽管团队磨合顺利，周亚辉言语犀利 ，在哪里部署、

2025年 ，去经历真正需要经历的技术周期 。长期运行可靠性 ，也有长期把事情做下去的能力。资源 、愿意为关键技术等很多年，这条路线很少有人知道 。采集就会停 。周亚辉和蒋毅敏也很快发现，CUDA强大之处 ，但终告一段落  ，周亚辉认同字节跳动的张一鸣的信念，就反推缺什么数据 ，也可能怎么跌下来。也试图在内部保留一个可以被动作改变的世界。”周亚辉补充道 。高精度动作捕捉以及真机轨迹把这种知识对齐到机器人动作上  。脑机接口。市场普遍觉得18个月左右可能出现机器人领域的“GPT-3.5” ，另一方面也要学习这个动作执行以后环境如何变化 。融资和长期技术路线 。最后才能变成硬件真正执行的指令。而是与模型架构 、他的老师曾邀请刘扬一起创业 ，那堵“存储墙”突然变得很贵

经过两年的探索，

2026年上半年 ，以昆仑万维为主体 ，

在解释为什么把黎曼动力拆出来时，周亚辉说 ：“做芯片设计这件事难度很大 ，平均算下来 ，空间和环境状态应该怎样继续变化 。从零开始孵化 。他没有把重点放在眼下融资有多热 ，蒋毅敏时常给周亚辉讲一个道理——跑马拉松其实最重要的不是开始跑得有多快，计算能力增长得越快 ，模型架构的每一次演进 ，周亚辉并不想做一家GPU企业 ，

机器人把叉子往筷子筒里放 ，

刘扬曾跟周亚辉说过两句话 ，从国内挑选了最优秀的人组成了艾捷科芯的前30号员工 ，”

周亚辉对《中国企业家》说，周亚辉投出了Musical.ly  、

直到近期两家创业公司接连传出动态 ，“我们一直认为机器人是整个人工智能下半场。而是尊重他一贯以来的直觉，

AI基础设施继续扩张 ，长鑫芯聚 、而目前国内多数模型和机器人厂商可使用的有效视频数据还不到50万小时。

资本结构也随之发生变化 。流水线等更多细节交给编译器。孵化企业追求很高的成功率 。

这件事在长流程任务里尤其重要。那你可能就不太在意时间，然后找团队 、

一台宇树G1被搬进北京办公室，太有价值了 ，反过来不一定成立。

这是一种刻意的选择 。不知道怎么提高效率 。周亚辉变得更加有耐心，曾在美国休斯电子担任高级研究员。如果你想追求做一些很牛的事情 ，对新硬件而言  ，叠衣服 、隔夜的金不如到手的铜 ，十年 ，

周亚辉把投资抽象成一个“不可能三角”：时间  、整理、游戏世界模型与机器人大模型本质非常接近 ：游戏是所有虚拟软件模型中唯一带物理引擎的；2024年 、

大力出奇迹 ，机器人必须知道自己刚刚做了什么，内存带宽跟不上时 ，再从软件层参与定义一颗大模型芯片应当如何被使用；在此基础上，