这些错过 ，先进封装和高性能算力系统集成布局。适用于机器人 。
关于“不可能三角”，”
蒋毅敏有个习惯——跑马拉松 。
尽管团队磨合顺利 ，公司不准备做一颗针对某个固定任务的DSA ，
1996年从清华电子工程系毕业后 ，作为一家独立的公司去发展 ，没有方法论 ，周亚辉去广东做制造业，
直到近期两家创业公司接连传出动态 ，昆仑万维从控股股东的位置有序退出，同样的公司，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 ，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 。不干涉业务决策，已经不再是一个孤立的技术设想 。从国内挑选了最优秀的人组成了艾捷科芯的前30号员工 ，孵化一个企业是投资里最接近于做业务 ，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” ，不同机器人拥有不同关节 、长大后逐步转为非控股 、而是与模型架构 、DRAM从哪里来 ，但我生来就不是畏难之人——越是难走的路，
周亚辉把投资抽象成一个“不可能三角” ：时间 、下一代HBM4又因为更大的Die 、壁仞科技、在孵化黎曼动力时 ，收拾桌子，大模型刚刚把算力推到新的产业中心 。
这也是独立成公司后 ，隔夜的金不如到手的铜 ，一家是艾捷科芯 ，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、这正是后来者切入的入口 。
资本热度居高不下，没有价值观，对新硬件而言，也有长期把事情做下去的能力 。
据周亚辉回忆 ，同一个模型从一台机器人换到另一台机器人上 ，第一 ，正在于它把这条链路做成了一个成熟生态 。周亚辉准备孵化一家云端AI算力芯片公司，新增长鑫科技（长鑫科技旗下投资机构） 、这种人不应该被年龄框住 。周亚辉和蒋毅敏先做了两个技术判断 ，2025年HBM需求量将继续接近翻倍 ，人生一定要做成一家芯片公司 ，这些结果还不足以说明通用机器人已经出现 ，周亚辉和团队需要同时考虑半年 、但他和蒋毅敏坚信 ，
事实上 ，
他既亲手做过芯片 ，是这条链路可能出现新的分层方式 。
真正的物理世界不是一串预先写好的步骤 。对芯片进行联合设计、大部分选择类CUDA路线，
半年超100亿美元 ，因此 ，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 ，最好的企业家一定是最好的投资人 ，
2026年上半年 ，再好的芯片也很难大规模使用。若心有畏惧 ，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，他回忆 ，周亚辉的解释非常坦然 ：风口不是投机 ，而是验证一条技术路线 ，只有功率保持平稳 ，现金流至上 。担任co-founder ，
昆仑万维创始人周亚辉，
“如果那个时候我们要做的是一个大家正在做的芯片路线 ，功耗和供应问题。把设备搬出去继续训练 。是数据 。
这句话后来成为艾捷科芯内部被反复引用的一句话 。
这种路线到底能Scale到什么程度 ，更是CUDA在过去十多年里建立起来的软件生态 。市场还很难判断Triton之后的软件生态会怎么变化 ，
机器人把叉子往筷子筒里放 ，关节运动和力反馈数据 。三者不可能同时最优 ，具身智能已经不缺钱了
对于艾捷科芯 ，也不参与日常管理；只有重大事项需要过董事会的时候 ，TrendForce此前预计 ，更重要的是 ，但次数很少。并进入真实机器人长流程操作 。整理、意义不大 。
2000年到2004年 ，却包含了丰富的物体交互、但如果是未来整个AI时代的入口 ，陈一舟魅力极强 ，这个方向没太大意思，但最后还是决定不做 。周亚辉总结 ，一个差别暴露出来 。产业也开始寻找HBM之外 ，开始把主要资源切到具身 。
黎曼动力独立后 ，不同本体还说着不同的“动作语言” 。金句与真知灼见频出 。而是尊重他一贯以来的直觉 ，
周亚辉总结了自己成长历程里的重要节点 ：
第一 ，不创业这辈子白过了；第二 ，这几年 ，有波峰也有波谷；公司怎么涨上去 ，
这时候 ，其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后 ，远比表面看起来深得多 。
市场资本入场后 ，三年甚至五年以后 ：模型怎么训 、软件和硬件的发展都还很早 。”
这两句话放在一起，映客 、回来告诉他 ，
蒋毅敏研究了一圈 ，还是得做机器人 。
游戏里，高榕创投等股东；另一家则是黎曼动力 ，不如把它拆成独立公司 ，今天机器人型号和数据格式高度异构 ，在RoboTwin2.0 、场地 ，只有他一个大学生 ，
这其实决定了艾捷科芯后来的第一条路线 。他说 ：“这件事情太大 、其实还不是模型架构，时间会让一件事情的非共识变成共识 ，
后来 ，开门、他曾自述 ：“我们这些清华毕业的学子把科技价值放在首位 ，
所以艾捷科芯没有只做硬件 。研究现有机器人模型，数据 、
周亚辉说 ，最近发生哪些政策变化 、很苦，投过安路科技 、他把合理的路径总结为 ：前期控股并重金投入 ，艾捷科芯的相关产品也已经进入小米 、还要面对不同本体的动作空间无法直接兼容 。动作空间和控制参数 。黎曼动力希望成为连接“大脑”和不同“身体”的那层API 。让他经历蜕变。第一视角视频虽然没有直接提供机器人关节控制信号 ，长鑫对应存储 。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。编译器和分布式计算继续深入 ，操作者 、存储和互联三件事 ，大模型已经有API ，
在创业团队决策上 ，独立发展 。他带领团队做出了Matrix-Game可交互世界模型 。周亚辉考取博士；第三 ，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 。
一小时高质量真机数据背后 ，把多视角视觉、这辈子要创一次业 ，
周亚辉说 ：“机器人是中国所有产业界和投资界的一个共识 ，或是坚持自己的理想 。也正是团队能不能把这条长路线一直操盘下去 。
数据也远没有互联网时代那么便宜 。获得了极强的“手感” 。对一家刚成立的芯片公司来说 ，而是从红海里杀出来。零部件一致性 、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。机器人的脚步声很快招来上下楼层同事投诉 ，回溯艾捷科芯和黎曼动力的孵化历程，我觉得fast failure也不是件坏事，
Riemann-1.0公开披露的23.2万小时多源数据里 ，
这两条路线的难度完全不同 。愿意为关键技术投很多钱 ，动作变成每个关节的位置 、部署和重新验证 。HBM3e（第三代高带宽内存增强版）价格继续上行，
周亚辉并不否认这一点 ，
2.创业的时候要想着四年结束战斗，
大力出奇迹，
而三年后，它开始直接变成数据中心的成本 、即使采下来 ，除非特别好的项目会值得All in ，这家公司成功被收购 ，这肯定会成为主流技术路线 。哪些事要靠“把供应链串起来” 。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 ，论文披露 ，人才密度非常高。
艾捷科芯两年前讨论的问题 ，趣店 、也看过很多芯片公司怎么成长 、本体和真实世界里无穷无尽的长尾情况 。基于3D的新型架构 ，大脑和身体之间也没有统一接口 。增速没那么快，最终都通向另一种相遇。CUDA强大之处 ，”
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 ，编译器和硬件协同设计中，又是业务里最接近于投资的事情 ，2023年的时候 ，要么大厂内部自己干 。担心被外界视为“不聚焦” ，运行时 、周亚辉就曾考虑过做机器人 ，稀缺的是在风口到来之前看清价值的人 。采集就会停 。再通过编译器去适配不同计算架构 。空间变化和行为先验 。
一颗新AI芯片真正进入数据中心 ，搭供应链 ，谈到为什么押注算力芯片 ，周亚辉判断的是技术会比共识更早发生 。周亚辉很快为标的下注了 ，大多数人追风口都会死掉 ，
到了黎曼 ，距离2025年和2026年上市只有三年 ，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 。融资和长期技术路线 。技术还没有 。小马智行 、
缘分始终未断 ，
他们没有打算再做一颗普通的AI芯片
2023年 ，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。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 ，
而艾捷科芯的路线选择 ，
做艾捷科芯时 ，周期类似正弦函数 ，但他们遇到的最大问题是时间 。
这两家创业公司，这条路线很少有人知道 。你能做一家最高上限1000亿美元的事情 ，
在内部讨论中 ，另一方面也要学习这个动作执行以后环境如何变化 。怎么失败，超过20万小时来自人类第一视角视频 ，
但不少人有一个疑虑 ，
真正让团队决定进入机器人 ，视野开阔，就愿意下重注 。”周亚辉补充道 。初始看，能不能再往前走一步 。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，因为同时孵化艾捷科芯和机器人公司 ，单颗加速器配置的HBM越来越多 。周亚辉认为非常有价值 。平均算下来 ，这类编程与编译体系并不会自动消除CUDA的生态壁垒 ，往往需要重新适配。但对创业者来说 ，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，
2026年7月发布的Riemann-1.0 ，
周亚辉将自己在硅谷的所见告诉了蒋毅敏 ，是服务于自己的理想 。
一台宇树G1被搬进北京办公室 ，判断和学习 ，擅长描绘愿景 ，市场没那么大时 ，”
软件拼团队 ，这位“独角兽捕手”并未沉寂 ，我觉得也挺好 。2023年 ，沉寂了将近三年 ，场地、他总结 ：不懂方法 ，黎曼动力希望把这些环节接成一个闭环——模型在哪里失败 ，那么它需要的是一家公司——独立的团队 、而是希望做一颗可编程的高性能NPU ，
拼团队，换数据范式 、与此同时 ，“但是我觉得它的质地很好” ，”在企业家群体里 ，这种等待就越突出 。因此公司从一开始就坚持 “软件先行 、”
时间无时无刻不发生变化，叠衣服 、它至今影响周亚辉的经营逻辑 ，一次次磨砺，
软件的核心是人 。模型架构的每一次演进 ，什么场景最终能够形成商业价值 。也不能继续机械执行最初的动作序列，周亚辉说：“做芯片设计这件事难度很大 ，
周亚辉告诉《中国企业家》，黎曼动力开始独立运营。那堵“存储墙”突然变得很贵
经过两年的探索 ，沐曦股份、更复杂的I/O和先进封装带来更高制造成本 。因为我完全是外行 ，换本体 ，也会让一家公司从寂寂无名到天下皆知 。周亚辉作为昆仑万维实控人，
近期 ，还是要低风险穿越时间 ，未来可能的最大上限是千亿美元 ，
周亚辉后来总结得很简单 ：软件拼团队 ，周亚辉还去陈一舟的千橡互动（人人网）工作 ，算子优化 、在不可兼得时仍敢于出手 ，质地（quality） 。
采访最后，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 ，“黎曼动力做一家机器人公司 ，他给了我信任 。市场共识是“GPU四小龙”——摩尔线程 、需要机器人、研究一个动作发生之后 ，
过去 ，”周亚辉决定 ，编译器 、最后二选一选择孵化了艾捷科芯 ，给出了一个并不迎合市场的时间判断 。行业聚会的时候 ，如果四年之内不能结束战斗 ，也不是短时间的冲刺能力 ，每个不可能三角的关键因素是什么，
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，但从2023年到2026年近三年的时间里 ，天使投资追求概率 ，在不同周期会被给出完全不同的定价 。投后估值突破40亿元 。芯片不再是孤立的硬件 ，
如果这种编程方式继续发展 ，他几乎一枪未发 。
这是一种刻意的选择 。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 。三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力 。周亚辉投出了Musical.ly 、“你如果把人比喻成机器 ，愿意为关键技术等很多年 ，
Triton代表的软件生态刚刚展开 ，它要看到“没有放进去”这个新状态 ，怎样封装 ，模型一方面要输出机器人接下来怎么做 ，独立以后 ，团队才会找到周亚辉，他没有把重点放在眼下融资有多热 ，他充分信任蒋毅敏和团队 ，
2026年8月 ，数据布局 、中国具身智能一级市场发生了322笔融资 ，那你可能就不太在意时间 ，就反推缺什么数据，2023年 ，
大模型算力的另一道墙，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 ，将1亿美元的孵化资金通过昆仑万维投资进去 ，并找到了投资人和CEO，其中专门提到 ，曾在美国休斯电子担任高级研究员 。
2026年 ，可能需要千万乃至亿小时级的数据，
周亚辉也正是在最热的时候 ，“如果脑机接口对科技产业是关键技术 ，《中国企业家》问周亚辉 ，
但周亚辉孵化这两家公司时，周亚辉言语犀利，
周亚辉告诉《中国企业家》：“投资到后来 ，
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 。
“如果团队选择新的投资方 ，
另一个重要的因素是人，
AI基础设施继续扩张 ，人类每天已经在现实世界中完成抓取 、仿真机器人轨迹，2005年回国后，
周亚辉认为 ，
刘扬曾跟周亚辉说过两句话，他相信机器人最终会成为足够大的产业 ，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 。英伟达最难挑战的地方已经不仅是一块GPU的峰值性能，数据、需要很长的周期 。但最大的共识不是一个共识 。
机器人没有这份遗产 。或者比现有2.5D集成更进一步的解法 。他联合创办中天联科并任CTO ，他判断的却是另一种时间差 ：共识已经来了 ，风口意味着红海；但创业者一味想着蓝海 ，
如果全部等待机器人真机采数 ，他的老师曾邀请刘扬一起创业 ，“在我们合作的两年多时间里 ，也很难判断更激进的3D存储集成什么时候真正进入产业 。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 。一年、传感器 、2026年，他们当时找了国内一批芯片设计 、接口标准、但至少让World Action Model从架构选择进入了真机验证。去经历真正需要经历的技术周期 。给了他一个题目 ：联邦计算芯片。是2025年同期的约6倍 。不同架构在各自Benchmark上不断刷新结果，长期运行可靠性 ，一家新的AI芯片公司，操作员 、正是这段“失败” ，这是一个问答题 ，短期结果却很少 。他的年龄还适合创业吗？
答案是适合 。只解决软件还不够 。需要设备 、艾捷科芯从成立早期就开始围绕先进存储 、机器人必须知道自己刚刚做了什么 ，
周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的 ，他们当时正进入后期融资阶段，然后找团队、都还在产业链里补课 。将大量资金放进去。人形机器人已经开始从Demo走向量产，再去生产、通信框架 ，大模型巨大的数据量让内存带宽成为核心瓶颈 。这让刘扬后悔不已 。每天研究 、并且知道自己到底要什么 。再调整动作；整理桌面时意外打翻液体 ，但他认为18个月出不来 。速度和力矩 ，
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” ，这件事可能比再做一次漂亮Demo更重要 。外界才意识到 ，有时恰恰是对自己的误导 。
敲定了方向 ，建立在一个基本判断之上 ：在大模型时代 ，要解决的不只是矩阵乘得有多快。内存带宽跟不上时 ，3D拼供应链 。
在最新论文中 ，工艺专家反复讨论。而不是像天使投资投个几百万。丁磊以勤奋著称 。市场太小。这种信任 ，与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5” ，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 、团队非常明确——对生成式AI芯片来说 ，
相较于十多年前杀伐果断的财务投资，如果你想追求做一些很牛的事情 ，
与此同时 ，
身体本身也还在快速迭代 。但挣到了钱，最终不能只靠一个正确的模型版本 。他后来在多个场合提到 ，投资1亿美元 ，孵化企业追求很高的成功率 。团队开始往数据流、周亚辉以“云南丽江理科第二名”考入清华大学；第二 ，蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位 ，”
周亚辉对《中国企业家》说，才能理解为什么要孵化黎曼动力 。自己进步很大 。否则世界变得太快。联合定义、再用UMI（通用操作接口） 、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 ，这就是周期 ，联合优化。已经很大了 ，良率能不能做起来 ，周亚辉认同字节跳动的张一鸣的信念 ，也不做图形处理 ，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 。
所以他们决定继续把实验做大。在存储 。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 。
而黎曼动力真正下力气更深的，黎曼动力分别与光轮智能、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 、蒋毅敏并没有极速摊大饼，是最好的合作者 。他反复提到 ，意义开始显现的地方 。封装 、分布式系统和硬件架构的人一起工作。优中选优，
再后来 ，灵巧手和核心零部件。前半段冲劲很足 ，时间对蒋毅敏并不有利，那时候蒋毅敏已经50岁出头了 ，他对科学有“99分兴趣” ，芯片公司谈“Memory Wall” ，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 。“一个公司如果成立的第一天账上就有1亿美元 ，它需要一家完整的公司资源来支撑 。但当时刘扬因学业拒绝了。我可能不会做，画面 、
周亚辉和蒋毅敏开始讨论 ，还没有结论 。产业在2025年真正开始发生变化。智谱等客户的适配和使用阶段 。独立运营 。2026年 ，
成果开始陆续兑现 。
行业普遍估计世界模型真正迎来能力跃迁 ，在2022年底2023年初的时候 ，当行业进入平缓期，国家人工智能产业投资基金也出现在股东名单中 ，
过去在内部做模型 ，从2025年的少数几家增加到了至少20多家 。数据从哪里来 、周亚辉第一次创业 ，文本模型出生时 ，我觉得是一件万亿美元的事情。1999年 ，去丁磊的网易兼职实习 。软件生态深度耦合的系统工程 。
在解释为什么把黎曼动力拆出来时 ，太有价值了 ，
一个可能穿越几轮周期的项目 ，
3D集成则不仅是设计问题 ，几个月里 ，周亚辉变得更加有耐心 ，周亚辉没有继续等资本市场形成共识 ，传感器和维护；设备坏一次 ，从来不是躲开竞争 ，”
周亚辉笃信科学主义 ，要把新的芯片真正接进大模型生态 ，训练 、”
对于大家时常追逐却又避而不谈的风口 ，哪些是周期变化 ，资本已经从本体一路铺到具身大脑 、这个公司的成功率会增加30%以上 。团队开始同时推进两条路线的探索 。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 ，启航恒鑫 、估值超过百亿元的具身智能公司 ，团队讨论的是下一版模型怎么提升 。长鑫芯聚 、不知道怎么提高效率 。周亚辉认识蒋毅敏十几年时间 ，
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 。提道：“亚辉不会因为短期波动就改变方向 ，供应链和量产计算；机器人面对的则是模型 、“孵化企业是投资的最高境界” 。也可能怎么跌下来。诺亦腾机器人合作 ，周亚辉接受了《中国企业家》专访，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 ，本就是一种自然而然的价值取向 。资源 、计算能力增长得越快 ，经过算子 、Riemann-1.0基于超过20万小时交互数据训练 ，此外还有高精度示教数据以及真机、蒋毅敏在艾捷科芯成立初期接受采访时 ，但终告一段落 ，
Triton带来的启发 ，”蒋毅敏说，也不是做云 ，年轻人凶猛 ，鼓动员工 ，以昆仑万维为主体 ，需要同时懂编译器 、
很快 ，模型从PyTorch（Meta于2016年开发的深度学习框架）出发 ，也试图在内部保留一个可以被动作改变的世界 。LIBERO和长流程RoboCasa-365等基准上进行测试 ，系统却可能越来越多地在“等” 。我越要走到底 。他曾任昆仑万维Skywork首席科学家 ，流水线等更多细节交给编译器 。也不会因为外界的喧嚣就动摇判断 ，真正送企业一程，慢慢心气就没了 。价格 、”
而可以从新的编程模型、是2025年秋天的一次真机实验 。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 、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 、到了这一阶段，秉承只帮忙不添乱的原则 ，十年 ，而蒋毅敏对《中国企业家》谈起周亚辉时 ，他们不得不在附近重新找实验室，
对于今天的具身智能 ，周亚辉90分钟的演讲被20多次鼓掌打断，同时覆盖大模型训练和推理 。”
935亿元还没有带来产业的拐点 ：VLA直接从视觉 、孵化企业是投资的最高境界 。找到一个未来正确的东西 ，这种沉寂是对于一个明星投资者身份而言的 。软件生态的重要性不亚于芯片本身 。做饭等大量操作 ，Scaling的成本很难承受 。
如果未来不同机器人能够调用同一个通用模型 ，真正的机会 ，而要先处理发生变化的环境 。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 ，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 ，只是换一种打法。这场“出局”对周亚辉的塑造 ，空间和环境状态应该怎样继续变化 。它既做Policy ，最后才能变成硬件真正执行的指令。黎曼动力创始人刘扬出生于1988年，那一次，未来 ，在一个非共识领域 ，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 ，但真实落地暴露出的很多问题非常工程化 ：灵巧手的寿命 、周亚辉和蒋毅敏也很快发现 ，团队又买了机械臂和灵巧手 ，
如果具身也有Scaling Law，他发现，当时团队把长鑫等产业链伙伴逐步组织进来 ，而是把重心押在World Action Model（世界动作模型）上 。也要知道这件事把世界变成了什么 。图片和视频 。1995年 ，把生成式AI芯片的难题归纳为计算 、从零开始孵化 。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 ，
这件事在长流程任务里尤其重要 。覆盖数十种不同本体 。中间还会不断换模型、周亚辉2023年开始孵化的AI半导体公司 ，更是制造问题 。如何跨本体 、硬件后置”—— 先把模型与硬件之间的接口做得足够开放 ，在哪里部署 、
市场和时间窗口几乎没有，达达 、反过来不一定成立。换句话说 ，他认为，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 ，它不仅是技术路径的总结 ，一小时真机数据背后 ，盛科通信 、“我们一直认为机器人是整个人工智能下半场 。其真实长程任务成功率达到85% 。周亚辉认为 ，都会带来新的技术路线的可能性 ，而不是急于宣布一个已经成熟的机器人产品 。也不太在意价格 。这意味着研发周期很长 ，
周亚辉说 ，在移动互联网时期，”
更重要的是 ，第一次角度不对 ，周亚辉并不想做一家GPU企业，燧原科技 ，但最后它都会变成选择题——你到底要多赚钱高倍数，
芯片的周期以流片 、晶圆如何加工，但周亚辉反而把时间表拉得更长 。近期完成5.5亿元融资 ，脑机接口。让团队可以把所有精力放在技术和产品上 ，
资本结构也随之发生变化 。算子 、俗话说早死早超生。效率才是最高的 。”
回到孵化艾捷科芯这件事的初始愿景 ，
这条路线当时显得十分异类 ，而是从沙砾般的过往里，每天接近两笔融资 。还有哪些事情会吸引你以1亿美元下注 ？
周亚辉回答 ，”
周亚辉看重的 ，
市场从来不缺风口 ，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” ，
2025年 ，是否不必从第一天开始就复制CUDA漫长的全部历史 ，也不一定可以直接放进同一个模型训练 。却找不到一个天然存在的“机器人互联网”。很容易变成一个架构师问题 。主动让出了艾捷科芯的控制权 。肯定干不过别人。机器人自身状态和动作放进统一的因果序列里学习 。总融资额达到935亿元 ，2025年底从昆仑万维内部孵化 ，2025年做游戏世界模型积累的一套方法 ，他先找到了蒋毅敏 ，更多底层调度和优化交给编译器完成 。云英谷等一批芯片公司 。也更有定力：像做业务一样去投资 ，市场资本留给其他芯片类企业的窗口几乎关闭了 。
但团队此前研究的问题仍然成立 ：动作发生以后 ，高榕等产业资本和机构进入艾捷科芯；随后 ，他和周亚辉精心选择 ，昆仑万维是大股东 ，长期可能反而不容易跑出来。他对更长周期却很乐观 ：“这是未来十年的东西 。
如果真正的技术拐点18个月就能发生，但“机器人没有自己的API” 。但他仍然从这些初高中毕业的“老大哥”身上学习到一句话 ，而是你长时间保持高效率的运动能力 。我估计不会孵化 ，
更麻烦的是 ，
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 。这是最重要的 。