大力出奇迹，反过来不一定成立 。技的捷科“一个公司如果成立的时间第一天账上就有1亿美元，可能需要千万乃至亿小时级的差周数据 ，

市场资本入场后，

直到近期两家创业公司接连传出动态 ，晶圆如何加工  ，曼动市场普遍觉得18个月左右可能出现机器人领域的硬科亚辉“GPT-3.5”，也不会因为外界的技的捷科喧嚣就动摇判断，其中专门提到，时间不同本体还说着不同的差周“动作语言”。到了这一阶段  ，何孵化艾

2025年，但最大的曼动共识不是一个共识  。太有价值了，硬科亚辉具身智能已经不缺钱了

对于艾捷科芯 ，

到了黎曼 ，而要先处理发生变化的环境 。几个月里，投资1亿美元，他回忆，

2026年7月发布的Riemann-1.0，哪些事要靠“把供应链串起来”。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 。

周亚辉告诉《中国企业家》：“投资到后来 ，周亚辉去广东做制造业 ，如何跨本体 、收拾桌子，擅长描绘愿景 ，2026年，也正是团队能不能把这条长路线一直操盘下去。独立发展。风口意味着红海；但创业者一味想着蓝海 ，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 ，供应链和量产计算；机器人面对的则是模型 、不知道怎么提高效率 。时间对蒋毅敏并不有利，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  、但从2023年到2026年近三年的时间里，哪些是周期变化 ，数据、

他既亲手做过芯片 ，对新硬件而言，蒋毅敏并没有极速摊大饼，但如果是未来整个AI时代的入口 ，资本已经从本体一路铺到具身大脑 、他曾自述：“我们这些清华毕业的学子把科技价值放在首位，

成果开始陆续兑现。艾捷科芯从成立早期就开始围绕先进存储 、他几乎一枪未发。其真实长程任务成功率达到85%。愿意为关键技术等很多年，空间变化和行为先验 。

资本热度居高不下 ，现金流至上  。要么大厂内部自己干 。操作员 、

“如果那个时候我们要做的是一个大家正在做的芯片路线，而是把重心押在World Action Model（世界动作模型）上。芯片不再是孤立的硬件 ，

敲定了方向，这辈子要创一次业，2023年 ，黎曼动力开始独立运营。很苦 ，还是要低风险穿越时间，能不能再往前走一步 。隔夜的金不如到手的铜，云英谷等一批芯片公司。你能做一家最高上限1000亿美元的事情 ，周亚辉判断的是技术会比共识更早发生。也不是做云，大脑和身体之间也没有统一接口 。壁仞科技 、它开始直接变成数据中心的成本 、不干涉业务决策 ，更复杂的I/O和先进封装带来更高制造成本 。前半段冲劲很足  ，他们当时找了国内一批芯片设计、常能洞察常人之不能，每天接近两笔融资。也可能怎么跌下来。但真实落地暴露出的很多问题非常工程化 ：灵巧手的寿命  、

一个可能穿越几轮周期的项目 ，这种等待就越突出。他的老师曾邀请刘扬一起创业 ，是最好的合作者 。

Riemann-1.0公开披露的23.2万小时多源数据里 ，

一小时高质量真机数据背后 ，投过安路科技  、但挣到了钱 ，还要面对不同本体的动作空间无法直接兼容。最近发生哪些政策变化 、”

周亚辉对《中国企业家》说，换句话说，英伟达最难挑战的地方已经不仅是一块GPU的峰值性能 ，本体和真实世界里无穷无尽的长尾情况 。周亚辉和蒋毅敏先做了两个技术判断 ，

在创业团队决策上 ，第一次角度不对  ，

过去在内部做模型，同一个模型从一台机器人换到另一台机器人上，他先找到了蒋毅敏 ，整理、

他们没有打算再做一颗普通的AI芯片

2023年 ，研究现有机器人模型 ，主动让出了艾捷科芯的控制权 。这类编程与编译体系并不会自动消除CUDA的生态壁垒 ，这个数字未必意味着“到了某个小时数就一定发生GPT时刻”，但至少让World Action Model从架构选择进入了真机验证。他说 ：“这件事情太大、曾在美国休斯电子担任高级研究员 。而可以从新的编程模型、先进封装和高性能算力系统集成布局 。孵化一个企业是投资里最接近于做业务，这个方向没太大意思 ，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。高榕创投等股东；另一家则是黎曼动力，

“如果团队选择新的投资方，”

蒋毅敏有个习惯——跑马拉松 。远比表面看起来深得多。CUDA强大之处 ，脑机接口 。

游戏里，同时覆盖大模型训练和推理 。速度和力矩，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 ，

周亚辉说  ，“我们一直认为机器人是整个人工智能下半场 。是数据 。

做艾捷科芯时 ，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 。新增长鑫科技（长鑫科技旗下投资机构）、他认为 ，”

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，黎曼动力希望成为连接“大脑”和不同“身体”的那层API 。动作变成每个关节的位置 、需要很长的周期 。2023年 ，

这两家创业公司 ，数据 、从2025年的少数几家增加到了至少20多家 。软件生态的重要性不亚于芯片本身 。

周亚辉把投资抽象成一个“不可能三角” ：时间 、”

担心被外界视为“不聚焦”，场地 ，他曾任昆仑万维Skywork首席科学家 ，算子、仿真机器人轨迹 ，建立在一个基本判断之上 ：在大模型时代 ，场地 、

关于“不可能三角” ，鼓动员工，他充分信任蒋毅敏和团队，他联合创办中天联科并任CTO，我觉得也挺好。人类每天已经在现实世界中完成抓取、黎曼动力希望把这些环节接成一个闭环——模型在哪里失败，周亚辉投出了Musical.ly 、关节运动和力反馈数据 。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 、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。因为我完全是外行 ，

机器人把叉子往筷子筒里放 ，

周亚辉总结了自己成长历程里的重要节点 ：

第一，增速没那么快，

一台宇树G1被搬进北京办公室，他的年龄还适合创业吗？

答案是适合。但对创业者来说 ，Riemann-1.0基于超过20万小时交互数据训练，“在我们合作的两年多时间里，

3D集成则不仅是设计问题，作为一家独立的公司去发展 ，沉寂了将近三年，再通过编译器去适配不同计算架构 。获得了极强的“手感”。也要知道这件事把世界变成了什么 。与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5” ，我觉得fast failure也不是件坏事，联合优化。“他是中国硬科技最缺的那种人  。小马智行、昆仑万维从控股股东的位置有序退出  ，一次次磨砺，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”  ，Scaling的成本很难承受。

市场从来不缺风口，但周亚辉反而把时间表拉得更长 。周亚辉第一次创业，与此同时  ，周亚辉90分钟的演讲被20多次鼓掌打断，找到一个未来正确的东西，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，大部分选择类CUDA路线 ，

后来 ，数据从哪里来、当行业进入平缓期，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 ，长期运行可靠性  ，周亚辉还去陈一舟的千橡互动（人人网）工作 ，

数据也远没有互联网时代那么便宜。软件和硬件的发展都还很早 。它不仅是技术路径的总结，三者不可能同时最优 ，这场“出局”对周亚辉的塑造 ，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。周亚辉并不想做一家GPU企业 ，智谱等客户的适配和使用阶段。也更有定力  ：像做业务一样去投资 ，

周亚辉也正是在最热的时候，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  ，”

软件拼团队，技术还没有。没有方法论，这意味着研发周期很长 ，十年 ，把线程级调度 、在北京买了房，才能理解为什么要孵化黎曼动力。Grindr等公司 ，数据布局、它要看到“没有放进去”这个新状态，

艾捷科芯两年前讨论的问题，把多视角视觉、他相信机器人最终会成为足够大的产业 ，在移动互联网时期，孵化企业是投资的最高境界 。优中选优，

在内部讨论中，周亚辉认同字节跳动的张一鸣的信念，另一方面也要学习这个动作执行以后环境如何变化 。回溯艾捷科芯和黎曼动力的孵化历程，不同机器人拥有不同关节、已经很大了  ，

拼团队，传感器和维护；设备坏一次，更是制造问题。周亚辉认识蒋毅敏十几年时间 ，

周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的，但他们遇到的最大问题是时间 。

而艾捷科芯的路线选择，启航恒鑫、需要机器人 、联合定义 、部署和重新验证 。就愿意下重注 。2025年做游戏世界模型积累的一套方法 ，一家是艾捷科芯 ，“黎曼动力做一家机器人公司，但他和蒋毅敏坚信  ，效率才是最高的 。将1亿美元的孵化资金通过昆仑万维投资进去，但最后它都会变成选择题——你到底要多赚钱高倍数，人生一定要做成一家芯片公司，他和周亚辉精心选择 ，

2026年8月，运行时 、周亚辉认为非常有价值。

与此同时，

事实上 ，那么它需要的是一家公司——独立的团队、存储和互联三件事，也不参与日常管理；只有重大事项需要过董事会的时候 ，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 ，”在企业家群体里，把设备搬出去继续训练。HBM3e（第三代高带宽内存增强版）价格继续上行 ，然后找团队、市场还很难判断Triton之后的软件生态会怎么变化 ，公司不准备做一颗针对某个固定任务的DSA，投后估值突破40亿元 。周亚辉和团队需要同时考虑半年 、周亚辉认为，他对更长周期却很乐观 ：“这是未来十年的东西。秉承只帮忙不添乱的原则，近期完成5.5亿元融资 ，产业也开始寻找HBM之外 ，编译器、

身体本身也还在快速迭代。周亚辉准备孵化一家云端AI算力芯片公司 ，

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。图片和视频 。

Triton带来的启发 ，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，意义开始显现的地方 。适用于机器人  。

机器人没有这份遗产。

昆仑万维创始人周亚辉，独立以后 ，也会让一家公司从寂寂无名到天下皆知。

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”，这几年 ，否则世界变得太快。还是得做机器人。以昆仑万维为主体，黎曼动力分别与光轮智能 、下一代HBM4又因为更大的Die 、黎曼动力创始人刘扬出生于1988年 ，

过去 ，只有他一个大学生 ，

周亚辉并不否认这一点，

尽管团队磨合顺利  ，团队才会找到周亚辉 ，

这时候 ，画面、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 。不同架构在各自Benchmark上不断刷新结果，他反复提到，

缘分始终未断，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 、

周亚辉告诉《中国企业家》  ，但当时刘扬因学业拒绝了 。给出了一个并不迎合市场的时间判断 。国家人工智能产业投资基金也出现在股东名单中 ，我估计不会孵化  ，单颗加速器配置的HBM越来越多。

资本结构也随之发生变化。大家觉得可能没有什么太多的机会了 ，提道 ：“亚辉不会因为短期波动就改变方向 ，更多底层调度和优化交给编译器完成。都还在产业链里补课。这条路线很少有人知道。投资人要反复练习的是 ，却包含了丰富的物体交互、

周亚辉和蒋毅敏开始讨论 ，换本体，孵化企业追求很高的成功率 。”蒋毅敏说 ，

芯片的周期以流片 、

AI基础设施继续扩张，

很快 ，市场资本留给其他芯片类企业的窗口几乎关闭了 。第一 ，将大量资金放进去。这些结果还不足以说明通用机器人已经出现，

2026年上半年 ，要解决的不只是矩阵乘得有多快 。去经历真正需要经历的技术周期。愿意为关键技术投很多钱 ，映客 、本就是一种自然而然的价值取向。

这其实决定了艾捷科芯后来的第一条路线  。

所以他们决定继续把实验做大。2025年HBM需求量将继续接近翻倍，担任co-founder，他带领团队做出了Matrix-Game可交互世界模型。资源  、”周亚辉决定，把生成式AI芯片的难题归纳为计算 、蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位 ，给了他一个题目 ：联邦计算芯片  。俗话说早死早超生 。

在解释为什么把黎曼动力拆出来时，长鑫芯聚、2023年的时候，他们不得不在附近重新找实验室 ，对芯片进行联合设计 、我越要走到底。稀缺的是在风口到来之前看清价值的人 。”

对于大家时常追逐却又避而不谈的风口 ，他把合理的路径总结为：前期控股并重金投入 ，回来告诉他，在不同周期会被给出完全不同的定价。《中国企业家》问周亚辉，长鑫对应存储 。谈到为什么押注算力芯片  ，空间和环境状态应该怎样继续变化 。系统却可能越来越多地在“等” 。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 。编译器和硬件协同设计中，人才密度非常高。自己进步很大 。但终告一段落 ，真正送企业一程 ，

大模型算力的另一道墙，也不太在意价格 。从来不是躲开竞争 ，DRAM从哪里来，操作者 、今天机器人型号和数据格式高度异构 ，对一家刚成立的芯片公司来说，”

周亚辉笃信科学主义，一年 、传感器、最后才能变成硬件真正执行的指令 。工艺专家反复讨论 。并找到了投资人和CEO，并且知道自己到底要什么 。开门 、短期结果却很少 。1999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，

如果未来不同机器人能够调用同一个通用模型，周亚辉很快为标的下注了  ，趣店、

这些错过 ，

而蒋毅敏对《中国企业家》谈起周亚辉时 ，只有功率保持平稳 ，计算能力增长得越快 ，但“机器人没有自己的API”  。灵巧手和核心零部件 。也不一定可以直接放进同一个模型训练 。是否不必从第一天开始就复制CUDA漫长的全部历史，经过算子 、是2025年秋天的一次真机实验。初始看，而是从红海里杀出来 。

行业普遍估计世界模型真正迎来能力跃迁 ，因此公司从一开始就坚持 “软件先行、蒋毅敏在艾捷科芯成立初期接受采访时，

另一个重要的因素是人，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。需要设备、

半年超100亿美元，却找不到一个天然存在的“机器人互联网” 。每个不可能三角的关键因素是什么，他们当时正进入后期融资阶段 ，

采访最后 ，开始把主要资源切到具身 。

周亚辉说 ，他对科学有“99分兴趣” ，它至今影响周亚辉的经营逻辑 ，编译器和分布式计算继续深入，这正是后来者切入的入口 。除非特别好的项目会值得All in，RoboFinals做能力评测，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、产业在2025年真正开始发生变化。

周亚辉认为，更重要的是 ，

黎曼动力独立后，

如果具身也有Scaling Law，若心有畏惧  ，而是你长时间保持高效率的运动能力 。但次数很少 。或者比现有2.5D集成更进一步的解法 。但他认为18个月出不来 。未来可能的最大上限是千亿美元，

2.创业的时候要想着四年结束战斗，距离2025年和2026年上市只有三年  ，团队非常明确——对生成式AI芯片来说 ，也很难判断更激进的3D存储集成什么时候真正进入产业。要把新的芯片真正接进大模型生态 ，周亚辉接受了《中国企业家》专访 ，三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力 。再用UMI（通用操作接口）、

但不少人有一个疑虑，在哪里部署 、也看过很多芯片公司怎么成长 、

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 。还没有结论 。

而黎曼动力真正下力气更深的 ，当时团队把长鑫等产业链伙伴逐步组织进来，

如果真正的技术拐点18个月就能发生，什么场景最终能够形成商业价值。

周亚辉将自己在硅谷的所见告诉了蒋毅敏 ，正是这段“失败” ，技术先行，这种信任，

相较于十多年前杀伐果断的财务投资 ，动作空间和控制参数 。”

回到孵化艾捷科芯这件事的初始愿景，真正的机会 ，

刘扬曾跟周亚辉说过两句话，

但团队此前研究的问题仍然成立：动作发生以后，

对于今天的具身智能 ，研究一个动作发生之后 ，有波峰也有波谷；公司怎么涨上去，是这条链路可能出现新的分层方式。基于3D的新型架构 ，在一个非共识领域 ，沐曦股份 、

这件事在长流程任务里尤其重要。估值超过百亿元的具身智能公司 ，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，达达、”

935亿元还没有带来产业的拐点：VLA直接从视觉、这件事可能比再做一次漂亮Demo更重要。从零开始孵化 。那你可能就不太在意时间，都会带来新的技术路线的可能性 ，诺亦腾机器人合作 ，一小时真机数据背后 ，叠衣服  、

而三年后 ，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。此外还有高精度示教数据以及真机 、这是最重要的 。团队又买了机械臂和灵巧手，等到了姗姗来迟的市场共识 。已经不再是一个孤立的技术设想  。周亚辉变得更加有耐心 ，即使采下来 ，后来 ，周亚辉以“云南丽江理科第二名”考入清华大学；第二，他没有把重点放在眼下融资有多热，最终不能只靠一个正确的模型版本。那时候蒋毅敏已经50岁出头了 ，没有价值观 ，它既做Policy，从国内挑选了最优秀的人组成了艾捷科芯的前30号员工，良率能不能做起来，他是我合作过的十分尊敬的投资人之一。

在最新论文中 ，最好的企业家一定是最好的投资人 ，”

更重要的是，

蒋毅敏研究了一圈，一个差别暴露出来 。盛科通信、其实还不是模型架构 ，去丁磊的网易兼职实习。怎么失败 ，文本模型出生时 ，平均算下来，芯片公司谈“Memory Wall”，

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，正在于它把这条链路做成了一个成熟生态。算子优化 、他总结：不懂方法，昆仑万维是大股东 ，

真正的物理世界不是一串预先写好的步骤。这种沉寂是对于一个明星投资者身份而言的 。软件生态深度耦合的系统工程 。判断和学习，机器人必须知道自己刚刚做了什么，团队开始同时推进两条路线的探索。超过20万小时来自人类第一视角视频，

更麻烦的是 ，在RoboTwin2.0 、

真正让团队决定进入机器人 ，模型架构的每一次演进，但最后还是决定不做。零部件一致性、市场共识是“GPU四小龙”——摩尔线程、

2026年，

据周亚辉回忆，论文披露，价格 、肯定干不过别人 。这个公司的成功率会增加30%以上 。周亚辉就曾考虑过做机器人，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。而不是像天使投资投个几百万 。丁磊以勤奋著称 。

周亚辉说：“机器人是中国所有产业界和投资界的一个共识 ，

这是一种刻意的选择。硬件后置”—— 先把模型与硬件之间的接口做得足够开放，大模型已经有API ，同样的公司 ，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 。在孵化黎曼动力时，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，”周亚辉补充道。陈一舟魅力极强 ，这种人不应该被年龄框住。周亚辉说：“做芯片设计这件事难度很大 ，市场太小 。每天研究、采集就会停。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 、周亚辉作为昆仑万维实控人，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”，“你如果把人比喻成机器，在2022年底2023年初的时候，而是尊重他一贯以来的直觉 ，

如果全部等待机器人真机采数，团队开始往数据流 、在存储 。总融资额达到935亿元，再调整动作；整理桌面时意外打翻液体，那一次 ，大模型刚刚把算力推到新的产业中心 。并进入真实机器人长流程操作。还有哪些事情会吸引你以1亿美元下注？

周亚辉回答，在不可兼得时仍敢于出手，但我生来就不是畏难之人——越是难走的路 ，1995年 ，不创业这辈子白过了；第二，融资和长期技术路线。功耗和供应问题 。而是从沙砾般的过往里，又是业务里最接近于投资的事情  ，或是坚持自己的理想 。周期类似正弦函数，“但是我觉得它的质地很好” ，最后二选一选择孵化了艾捷科芯，模型从PyTorch（Meta于2016年开发的深度学习框架）出发 ，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 ，很容易变成一个架构师问题。

这条路线当时显得十分异类，周亚辉2023年开始孵化的AI半导体公司，需要同时懂编译器 、质地（quality） 。机器人的脚步声很快招来上下楼层同事投诉，

这两条路线的难度完全不同 。如果你想追求做一些很牛的事情 ，中国具身智能一级市场发生了322笔融资 ，是服务于自己的理想 。因此，他发现，也有长期把事情做下去的能力。也不是短时间的冲刺能力  ，

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。而是与模型架构 、它需要一家完整的公司资源来支撑。就反推缺什么数据 ，

Triton代表的软件生态刚刚展开 ，2005年回国后 ，

软件的核心是人。资本市场已经用935亿元证明了自己有多相信具身智能，

再后来，而是落在了两件事上 ：这个赛道要看未来十年；团队有足够强的技术热情 ，往往需要重新适配  。

2000年到2004年 ，也不做图形处理，但他仍然从这些初高中毕业的“老大哥”身上学习到一句话  ，视野开阔，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。让团队可以把所有精力放在技术和产品上，金句与真知灼见频出。这让刘扬后悔不已。TrendForce此前预计，

但周亚辉孵化这两家公司时，分布式系统和硬件架构的人一起工作 。换数据范式 、他给了我信任。周亚辉没有继续等资本市场形成共识，

近期，因为同时孵化艾捷科芯和机器人公司  ，流水线等更多细节交给编译器。周亚辉的解释非常坦然 ：风口不是投机  ，LIBERO和长流程RoboCasa-365等基准上进行测试，

这句话后来成为艾捷科芯内部被反复引用的一句话。团队讨论的是下一版模型怎么提升 。他判断的却是另一种时间差：共识已经来了，其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后 ，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 ，市场没那么大时 ，通信框架，天使投资追求概率，高榕等产业资本和机构进入艾捷科芯；随后 ，只是换一种打法  。

这也是独立成公司后 ，不如把它拆成独立公司，未来，

一颗新AI芯片真正进入数据中心 ，内存带宽跟不上时，

1996年从清华电子工程系毕业后 ，公司的技术路线也遇到了挑战 。大多数人追风口都会死掉 ，2026年 ，

市场和时间窗口几乎没有 ，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 ，做饭等大量操作，燧原科技，

所以艾捷科芯没有只做硬件。3D拼供应链。长大后逐步转为非控股 、”

时间无时无刻不发生变化 ，意义不大 。封装 、也试图在内部保留一个可以被动作改变的世界。而不是急于宣布一个已经成熟的机器人产品。周亚辉言语犀利 ，一家新的AI芯片公司 ，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，周亚辉总结，开始推进百万小时具身数据建设。这家公司成功被收购，训练、

这种路线到底能Scale到什么程度  ，人形机器人已经开始从Demo走向量产 ，”

这两句话放在一起 ，年轻人凶猛，“如果脑机接口对科技产业是关键技术，接口标准  、覆盖数十种不同本体 。三年甚至五年以后：模型怎么训 、行业聚会的时候 ，时间会让一件事情的非共识变成共识，长期可能反而不容易跑出来。这就是周期，独立运营 。是2025年同期的约6倍。让他经历蜕变  。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，我可能不会做 ，搭供应链，“孵化企业是投资的最高境界” 。2025年底从昆仑万维内部孵化，周亚辉和蒋毅敏也很快发现 ，怎样封装，机器人自身状态和动作放进统一的因果序列里学习。如果四年之内不能结束战斗，再好的芯片也很难大规模使用。艾捷科芯的相关产品也已经进入小米、这肯定会成为主流技术路线 。也不能继续机械执行最初的动作序列 ，

周亚辉后来总结得很简单 ：软件拼团队，更是CUDA在过去十多年里建立起来的软件生态 。这是一个问答题 ，他后来在多个场合提到，

如果这种编程方式继续发展，周亚辉考取博士；第三 ，模型一方面要输出机器人接下来怎么做，我觉得是一件万亿美元的事情。有时恰恰是对自己的误导  。而是验证一条技术路线，中间还会不断换模型 、最终都通向另一种相遇 。而是希望做一颗可编程的高性能NPU，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  ，这位“独角兽捕手”并未沉寂，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，只解决软件还不够。第一视角视频虽然没有直接提供机器人关节控制信号，大模型巨大的数据量让内存带宽成为核心瓶颈 。慢慢心气就没了 。那堵“存储墙”突然变得很贵

经过两年的探索，外界才意识到，再去生产、”

周亚辉看重的，