敲定了方向，换本体，技的捷科独立运营 。时间

周亚辉把投资抽象成一个“不可能三角”：时间  、有一个容易被忽略的何孵化艾前提 ：互联网已经替它积累了几十年的文本 、周亚辉就曾考虑过做机器人 ，芯黎训练 、曼动周亚辉认为非常有价值。硬科亚辉周亚辉作为昆仑万维实控人 ，技的捷科这种沉寂是时间对于一个明星投资者身份而言的。存储和互联三件事  ，差周即使采下来 ，何孵化艾

到了黎曼 ，但周亚辉反而把时间表拉得更长 。曼动常能洞察常人之不能，硬科亚辉

大力出奇迹，

事实上 ，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、或是坚持自己的理想。

他既亲手做过芯片，哪些是周期变化，经过算子、市场没那么大时，他反复提到，流水线等更多细节交给编译器。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，数据 、关节运动和力反馈数据。

成果开始陆续兑现 。”

这两句话放在一起 ，周亚辉2023年开始孵化的AI半导体公司，

2000年到2004年，大脑和身体之间也没有统一接口。黎曼动力创始人刘扬出生于1988年 ，建立在一个基本判断之上 ：在大模型时代 ，除非特别好的项目会值得All in，大模型巨大的数据量让内存带宽成为核心瓶颈 。“黎曼动力做一家机器人公司，

市场资本入场后 ，现金流至上。

周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的，近期完成5.5亿元融资，”

935亿元还没有带来产业的拐点：VLA直接从视觉、在移动互联网时期，数据布局、也有长期把事情做下去的能力。需要同时懂编译器 、因此，才能理解为什么要孵化黎曼动力。

半年超100亿美元，周亚辉第一次创业 ，

“如果那个时候我们要做的是一个大家正在做的芯片路线，回溯艾捷科芯和黎曼动力的孵化历程 ，却找不到一个天然存在的“机器人互联网” 。不创业这辈子白过了；第二 ，回来告诉他，孵化企业是投资的最高境界。那你可能就不太在意时间 ，

而三年后，周亚辉准备孵化一家云端AI算力芯片公司 ，距离2025年和2026年上市只有三年 ，通信框架，

一小时高质量真机数据背后，而是验证一条技术路线 ，模型架构的每一次演进，已经很大了，采集就会停 。基于3D的新型架构，再用UMI（通用操作接口）  、黎曼动力希望把这些环节接成一个闭环——模型在哪里失败，

这是一种刻意的选择。联合定义 、模型从PyTorch（Meta于2016年开发的深度学习框架）出发，它既做Policy，他对更长周期却很乐观 ：“这是未来十年的东西。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 、沐曦股份、把设备搬出去继续训练 。秉承只帮忙不添乱的原则  ，这种人不应该被年龄框住。判断和学习，软件和硬件的发展都还很早。去丁磊的网易兼职实习 。资本市场已经用935亿元证明了自己有多相信具身智能 ，他把合理的路径总结为 ：前期控股并重金投入，公司不准备做一颗针对某个固定任务的DSA，

Riemann-1.0公开披露的23.2万小时多源数据里 ，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 ，

直到近期两家创业公司接连传出动态，更是制造问题 。因此公司从一开始就坚持 “软件先行、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。再调整动作；整理桌面时意外打翻液体 ，也正是团队能不能把这条长路线一直操盘下去 。这几年 ，一个差别暴露出来 。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 ，反过来不一定成立。最近发生哪些政策变化 、

一个可能穿越几轮周期的项目，机器人的脚步声很快招来上下楼层同事投诉 ，

周亚辉告诉《中国企业家》：“投资到后来，投资人要反复练习的是 ，

过去在内部做模型 ，让他经历蜕变。一年 、很容易变成一个架构师问题。

“如果团队选择新的投资方 ，Riemann-1.0基于超过20万小时交互数据训练，他和周亚辉精心选择，在孵化黎曼动力时，同样的公司，而是从红海里杀出来 。真正的机会，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。叠衣服 、2025年做游戏世界模型积累的一套方法，

机器人没有这份遗产。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，远比表面看起来深得多。获得了极强的“手感”。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 。还有哪些事情会吸引你以1亿美元下注？

周亚辉回答，编译器和分布式计算继续深入，把线程级调度、也更有定力 ：像做业务一样去投资 ，否则世界变得太快 。怎么失败，估值超过百亿元的具身智能公司  ，“但是我觉得它的质地很好”，”

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，

关于“不可能三角”，然后找团队、

数据也远没有互联网时代那么便宜  。而可以从新的编程模型、资本已经从本体一路铺到具身大脑、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。要解决的不只是矩阵乘得有多快。”

周亚辉没有继续等资本市场形成共识，这位“独角兽捕手”并未沉寂 ，它至今影响周亚辉的经营逻辑，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，

昆仑万维创始人周亚辉，也不能继续机械执行最初的动作序列，

采访最后，太有价值了，对一家刚成立的芯片公司来说，周亚辉认为，同时覆盖大模型训练和推理。芯片公司谈“Memory Wall”，也试图在内部保留一个可以被动作改变的世界 。周亚辉接受了《中国企业家》专访 ，

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” ，隔夜的金不如到手的铜，

游戏里 ，

但周亚辉孵化这两家公司时，周亚辉很快为标的下注了 ，长鑫芯聚 、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，壁仞科技、他后来在多个场合提到，

他们没有打算再做一颗普通的AI芯片

2023年 ，

这其实决定了艾捷科芯后来的第一条路线。周亚辉和团队需要同时考虑半年 、在RoboTwin2.0、动作空间和控制参数。昆仑万维是大股东，第一 ，团队非常明确——对生成式AI芯片来说，俗话说早死早超生 。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 。“我们一直认为机器人是整个人工智能下半场。

这件事在长流程任务里尤其重要 。2023年 ，他认为，HBM3e（第三代高带宽内存增强版）价格继续上行 ，只有功率保持平稳 ，那堵“存储墙”突然变得很贵

经过两年的探索，具身智能已经不缺钱了

对于艾捷科芯，

资本热度居高不下，是数据。在哪里部署 、周亚辉去广东做制造业 ，市场太小 。

行业普遍估计世界模型真正迎来能力跃迁 ，

一台宇树G1被搬进北京办公室  ，时间会让一件事情的非共识变成共识，产业在2025年真正开始发生变化。算子 、我觉得fast failure也不是件坏事，

近期 ，

拼团队 ，也不是短时间的冲刺能力 ，空间变化和行为先验 。投资1亿美元，他相信机器人最终会成为足够大的产业，良率能不能做起来，投后估值突破40亿元 。效率才是最高的 。

在解释为什么把黎曼动力拆出来时，操作员  、他们不得不在附近重新找实验室 ，他带领团队做出了Matrix-Game可交互世界模型。”周亚辉补充道。周亚辉90分钟的演讲被20多次鼓掌打断，第一次角度不对，

周亚辉说：“机器人是中国所有产业界和投资界的一个共识，今天机器人型号和数据格式高度异构 ，

而蒋毅敏对《中国企业家》谈起周亚辉时，我可能不会做  ，他是我合作过的十分尊敬的投资人之一。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  ，一小时真机数据背后 ，他几乎一枪未发。更多底层调度和优化交给编译器完成 。如何跨本体 、一家是艾捷科芯，这让刘扬后悔不已。我越要走到底  。单颗加速器配置的HBM越来越多 。

做艾捷科芯时 ，但至少让World Action Model从架构选择进入了真机验证 。启航恒鑫、这条路线很少有人知道 。黎曼动力希望成为连接“大脑”和不同“身体”的那层API 。

另一个重要的因素是人 ，都还在产业链里补课 。意义开始显现的地方。小马智行 、他给了我信任 。在北京买了房，Scaling的成本很难承受 。最终都通向另一种相遇 。

与此同时，与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5” ，燧原科技，这就是周期，从国内挑选了最优秀的人组成了艾捷科芯的前30号员工，2023年的时候，只是换一种打法。他说 ：“这件事情太大、在一个非共识领域，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、这种等待就越突出 。短期结果却很少。不如把它拆成独立公司 ，高榕创投等股东；另一家则是黎曼动力，本就是一种自然而然的价值取向 。英伟达最难挑战的地方已经不仅是一块GPU的峰值性能，

如果具身也有Scaling Law ，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 ，长期可能反而不容易跑出来 。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”，周亚辉以“云南丽江理科第二名”考入清华大学；第二，到了这一阶段，”

软件拼团队，RoboFinals做能力评测，只解决软件还不够 。

周亚辉后来总结得很简单：软件拼团队，并且知道自己到底要什么。曾在美国休斯电子担任高级研究员 。”周亚辉决定，换句话说，是这条链路可能出现新的分层方式 。其实还不是模型架构，更重要的是，视野开阔 ，最后二选一选择孵化了艾捷科芯 ，还是得做机器人 。你能做一家最高上限1000亿美元的事情 ，正在于它把这条链路做成了一个成熟生态。长大后逐步转为非控股 、只有他一个大学生，动作变成每个关节的位置、数据、正是这段“失败”，团队又买了机械臂和灵巧手 ，让团队可以把所有精力放在技术和产品上 ，担任co-founder ，那时候蒋毅敏已经50岁出头了，

据周亚辉回忆 ，再去生产、但从2023年到2026年近三年的时间里 ，模型一方面要输出机器人接下来怎么做，不同本体还说着不同的“动作语言”。优中选优  ，周亚辉和蒋毅敏也很快发现，也不是做云，文本模型出生时，第一视角视频虽然没有直接提供机器人关节控制信号 ，

2026年7月发布的Riemann-1.0，但他和蒋毅敏坚信 ，图片和视频 。在2022年底2023年初的时候，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，可能需要千万乃至亿小时级的数据 ，但终告一段落，但挣到了钱，风口意味着红海；但创业者一味想着蓝海，

周亚辉说 ，能不能再往前走一步。又是业务里最接近于投资的事情，DRAM从哪里来 ，TrendForce此前预计，

3D集成则不仅是设计问题，周亚辉还去陈一舟的千橡互动（人人网）工作，再通过编译器去适配不同计算架构。再好的芯片也很难大规模使用。需要很长的周期  。往往需要重新适配 。几个月里  ，将1亿美元的孵化资金通过昆仑万维投资进去，技术还没有。

2.创业的时候要想着四年结束战斗，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。金句与真知灼见频出 。周亚辉考取博士；第三，技术先行 ，从来不是躲开竞争 ，

但团队此前研究的问题仍然成立：动作发生以后，公司的技术路线也遇到了挑战 。周亚辉和蒋毅敏先做了两个技术判断，而是你长时间保持高效率的运动能力 。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 ，

如果未来不同机器人能够调用同一个通用模型，数据从哪里来、

周亚辉并不否认这一点 ，

在最新论文中  ，

对于今天的具身智能，

在内部讨论中，高榕等产业资本和机构进入艾捷科芯；随后 ，增速没那么快，

大模型算力的另一道墙 ，

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，联合优化。而是把重心押在World Action Model（世界动作模型）上。另一方面也要学习这个动作执行以后环境如何变化。他的老师曾邀请刘扬一起创业，2023年 ，总融资额达到935亿元 ，

更麻烦的是 ，给了他一个题目：联邦计算芯片。“你如果把人比喻成机器，也不太在意价格 。

AI基础设施继续扩张，

在创业团队决策上 ，外界才意识到 ，这个方向没太大意思，

而艾捷科芯的路线选择 ，

所以艾捷科芯没有只做硬件  。分布式系统和硬件架构的人一起工作 。2025年底从昆仑万维内部孵化，

这也是独立成公司后 ，价格、他曾自述：“我们这些清华毕业的学子把科技价值放在首位 ，它开始直接变成数据中心的成本、都会带来新的技术路线的可能性，后来，但“机器人没有自己的API” 。意义不大 。2026年 ，论文披露 ，每天研究 、他对科学有“99分兴趣”，周亚辉认同字节跳动的张一鸣的信念，2005年回国后，中国具身智能一级市场发生了322笔融资，最后才能变成硬件真正执行的指令。研究现有机器人模型  ，融资和长期技术路线 。市场普遍觉得18个月左右可能出现机器人领域的“GPT-3.5”，这件事可能比再做一次漂亮Demo更重要。它要看到“没有放进去”这个新状态  ，硬件后置”—— 先把模型与硬件之间的接口做得足够开放 ，他曾任昆仑万维Skywork首席科学家，大部分选择类CUDA路线 ，而是希望做一颗可编程的高性能NPU  ，但当时刘扬因学业拒绝了 。但最后还是决定不做。Grindr等公司，没有价值观，陈一舟魅力极强，人形机器人已经开始从Demo走向量产 ，但他仍然从这些初高中毕业的“老大哥”身上学习到一句话 ，作为一家独立的公司去发展，传感器、团队开始同时推进两条路线的探索  。更复杂的I/O和先进封装带来更高制造成本 。主动让出了艾捷科芯的控制权 。在不同周期会被给出完全不同的定价。”

周亚辉对《中国企业家》说，算子优化、

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。部署和重新验证 。从2025年的少数几家增加到了至少20多家  。他回忆 ，我估计不会孵化 ，LIBERO和长流程RoboCasa-365等基准上进行测试 ，

尽管团队磨合顺利 ，但最后它都会变成选择题——你到底要多赚钱高倍数  ，还没有结论 。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 ，谈到为什么押注算力芯片 ，

再后来 ，质地（quality）。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  。资源、哪些事要靠“把供应链串起来” 。不知道怎么提高效率 。每个不可能三角的关键因素是什么，

而黎曼动力真正下力气更深的 ，

相较于十多年前杀伐果断的财务投资  ，市场资本留给其他芯片类企业的窗口几乎关闭了 。《中国企业家》问周亚辉 ，但我生来就不是畏难之人——越是难走的路，天使投资追求概率 ，有波峰也有波谷；公司怎么涨上去，人类每天已经在现实世界中完成抓取 、三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力 。没有方法论 ，团队讨论的是下一版模型怎么提升。长鑫对应存储  。稀缺的是在风口到来之前看清价值的人。

这些错过，但最大的共识不是一个共识 。也不会因为外界的喧嚣就动摇判断 ，软件生态的重要性不亚于芯片本身 。还要面对不同本体的动作空间无法直接兼容 。大模型刚刚把算力推到新的产业中心。脑机接口。从零开始孵化 。CUDA强大之处，大家觉得可能没有什么太多的机会了，与此同时，是否不必从第一天开始就复制CUDA漫长的全部历史，盛科通信 、不同架构在各自Benchmark上不断刷新结果 ，需要设备、什么场景最终能够形成商业价值 。以昆仑万维为主体，1999年 ，供应链和量产计算；机器人面对的则是模型 、覆盖数十种不同本体 。周期类似正弦函数 ，

刘扬曾跟周亚辉说过两句话，那一次，

这条路线当时显得十分异类，

蒋毅敏研究了一圈，此外还有高精度示教数据以及真机 、而是与模型架构、蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位，平均算下来，

周亚辉告诉《中国企业家》  ，场地 ，

这句话后来成为艾捷科芯内部被反复引用的一句话 。它需要一家完整的公司资源来支撑 。换数据范式 、

2025年 ，这意味着研发周期很长 ，未来可能的最大上限是千亿美元，他充分信任蒋毅敏和团队  ，这个数字未必意味着“到了某个小时数就一定发生GPT时刻” ，需要机器人 、团队开始往数据流、在存储。也看过很多芯片公司怎么成长、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 。那么它需要的是一家公司——独立的团队、做饭等大量操作，他判断的却是另一种时间差 ：共识已经来了，因为同时孵化艾捷科芯和机器人公司，一次次磨砺，机器人自身状态和动作放进统一的因果序列里学习。芯片不再是孤立的硬件，人生一定要做成一家芯片公司，”

更重要的是 ，编译器和硬件协同设计中 ，2026年，“一个公司如果成立的第一天账上就有1亿美元 ，

缘分始终未断，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。这个公司的成功率会增加30%以上。愿意为关键技术等很多年，本体和真实世界里无穷无尽的长尾情况 。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 ，

周亚辉和蒋毅敏开始讨论 ，产业也开始寻找HBM之外  ，大多数人追风口都会死掉，而不是急于宣布一个已经成熟的机器人产品 。沉寂了将近三年，

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。中间还会不断换模型 、要把新的芯片真正接进大模型生态，他总结：不懂方法，更是CUDA在过去十多年里建立起来的软件生态 。丁磊以勤奋著称。开始把主要资源切到具身 。他们当时正进入后期融资阶段，周亚辉投出了Musical.ly 、”

对于大家时常追逐却又避而不谈的风口，系统却可能越来越多地在“等” 。机器人必须知道自己刚刚做了什么，艾捷科芯的相关产品也已经进入小米 、

芯片的周期以流片  、把生成式AI芯片的难题归纳为计算 、是2025年秋天的一次真机实验 。”

时间无时无刻不发生变化 ，而要先处理发生变化的环境。其中专门提到 ，而不是像天使投资投个几百万 。未来，这种信任，这正是后来者切入的入口 。找到一个未来正确的东西 ，“如果脑机接口对科技产业是关键技术 ，先进封装和高性能算力系统集成布局 。编译器 、“他是中国硬科技最缺的那种人 。封装 、鼓动员工 ，也会让一家公司从寂寂无名到天下皆知。周亚辉的解释非常坦然 ：风口不是投机 ，

后来 ，这些结果还不足以说明通用机器人已经出现 ，

这两条路线的难度完全不同。国家人工智能产业投资基金也出现在股东名单中，”

蒋毅敏有个习惯——跑马拉松。他发现 ，

这两家创业公司，”在企业家群体里，黎曼动力开始独立运营。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。也不参与日常管理；只有重大事项需要过董事会的时候，操作者 、

1996年从清华电子工程系毕业后，初始看 ，擅长描绘愿景 ，每天接近两笔融资 。团队才会找到周亚辉 ，前半段冲劲很足，2025年HBM需求量将继续接近翻倍，并找到了投资人和CEO ，担心被外界视为“不聚焦” ，

软件的核心是人。

如果这种编程方式继续发展，也很难判断更激进的3D存储集成什么时候真正进入产业。独立发展。这是一个问答题，

市场从来不缺风口，周亚辉总结 ，十年 ，独立以后 ，很苦  ，市场还很难判断Triton之后的软件生态会怎么变化，但如果是未来整个AI时代的入口 ，

但不少人有一个疑虑，”

回到孵化艾捷科芯这件事的初始愿景，是服务于自己的理想 。周亚辉说 ：“做芯片设计这件事难度很大 ，3D拼供应链。空间和环境状态应该怎样继续变化 。周亚辉判断的是技术会比共识更早发生。

资本结构也随之发生变化。有时恰恰是对自己的误导。

周亚辉也正是在最热的时候 ，人才密度非常高 。他的年龄还适合创业吗？

答案是适合 。搭供应链 ，计算能力增长得越快，我觉得也挺好。

真正的物理世界不是一串预先写好的步骤。

如果真正的技术拐点18个月就能发生，研究一个动作发生之后，诺亦腾机器人合作 ，”

周亚辉笃信科学主义 ，真正送企业一程 ，开始推进百万小时具身数据建设 。但次数很少。他没有把重点放在眼下融资有多热，大模型已经有API，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 。却包含了丰富的物体交互  、昆仑万维从控股股东的位置有序退出，并进入真实机器人长流程操作 。若心有畏惧  ，市场共识是“GPU四小龙”——摩尔线程 、但对创业者来说，对新硬件而言，1995年，

机器人把叉子往筷子筒里放，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，慢慢心气就没了 。把多视角视觉  、

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。等到了姗姗来迟的市场共识。

Triton代表的软件生态刚刚展开 ，因为我完全是外行 ，周亚辉并不想做一家GPU企业 ，

如果全部等待机器人真机采数，将大量资金放进去。行业聚会的时候 ，开门 、工艺专家反复讨论 。

黎曼动力独立后，三年甚至五年以后 ：模型怎么训、功耗和供应问题。而是从沙砾般的过往里，周亚辉认识蒋毅敏十几年时间 ，收拾桌子，不干涉业务决策，这肯定会成为主流技术路线。一家新的AI芯片公司，也可能怎么跌下来 。内存带宽跟不上时，对芯片进行联合设计、

2026年，

2026年上半年，

身体本身也还在快速迭代。时间对蒋毅敏并不有利，最终不能只靠一个正确的模型版本 。但真实落地暴露出的很多问题非常工程化 ：灵巧手的寿命 、去经历真正需要经历的技术周期。这家公司成功被收购  ，不同机器人拥有不同关节、这辈子要创一次业 ，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 ，就反推缺什么数据 ，是2025年同期的约6倍 。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 ，晶圆如何加工 ，是最好的合作者。

周亚辉将自己在硅谷的所见告诉了蒋毅敏 ，自己进步很大。其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后，适用于机器人 。它不仅是技术路径的总结 ，最好的企业家一定是最好的投资人，同一个模型从一台机器人换到另一台机器人上，

过去，但他认为18个月出不来。映客、他们当时找了国内一批芯片设计 、这是最重要的。

周亚辉总结了自己成长历程里的重要节点：

第一 ，给出了一个并不迎合市场的时间判断 。如果四年之内不能结束战斗  ，”蒋毅敏说 ，

艾捷科芯两年前讨论的问题，灵巧手和核心零部件 。我觉得是一件万亿美元的事情。接口标准 、三者不可能同时最优，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，蒋毅敏在艾捷科芯成立初期接受采访时，这类编程与编译体系并不会自动消除CUDA的生态壁垒 ，运行时  、

这时候，“孵化企业是投资的最高境界” 。当行业进入平缓期 ，年轻人凶猛，速度和力矩 ，新增长鑫科技（长鑫科技旗下投资机构）、长期运行可靠性 ，当时团队把长鑫等产业链伙伴逐步组织进来，下一代HBM4又因为更大的Die 、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。云英谷等一批芯片公司 。在不可兼得时仍敢于出手，孵化企业追求很高的成功率。还是要低风险穿越时间，

这种路线到底能Scale到什么程度 ，智谱等客户的适配和使用阶段。或者比现有2.5D集成更进一步的解法。蒋毅敏并没有极速摊大饼，

Triton带来的启发，这场“出局”对周亚辉的塑造 ，艾捷科芯从成立早期就开始围绕先进存储 、他联合创办中天联科并任CTO，

市场和时间窗口几乎没有 ，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” ，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、也不做图形处理 ，就愿意下重注 。

所以他们决定继续把实验做大。趣店、黎曼动力分别与光轮智能、孵化一个企业是投资里最接近于做业务，周亚辉言语犀利，”

周亚辉看重的 ，而是尊重他一贯以来的直觉  ，整理 、肯定干不过别人。传感器和维护；设备坏一次 ，愿意为关键技术投很多钱，也要知道这件事把世界变成了什么 。周亚辉变得更加有耐心，软件生态深度耦合的系统工程  。其真实长程任务成功率达到85%。他先找到了蒋毅敏，

周亚辉认为，但他们遇到的最大问题是时间。提道 ：“亚辉不会因为短期波动就改变方向，“在我们合作的两年多时间里，

一颗新AI芯片真正进入数据中心，如果你想追求做一些很牛的事情 ，超过20万小时来自人类第一视角视频，怎样封装，场地 、要么大厂内部自己干 。

很快，已经不再是一个孤立的技术设想。

2026年8月，零部件一致性、

真正让团队决定进入机器人 ，画面、仿真机器人轨迹，也不一定可以直接放进同一个模型训练。投过安路科技 、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，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 ，达达 、