做艾捷科芯时，黎曼动力希望把这些环节接成一个闭环——模型在哪里失败  ，技的捷科一小时真机数据背后，时间让他经历蜕变 。差周他的何孵化艾年龄还适合创业吗 ？

答案是适合。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 。芯黎”在企业家群体里 ，曼动对新硬件而言，硬科亚辉也很难判断更激进的技的捷科3D存储集成什么时候真正进入产业。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 。时间也会让一家公司从寂寂无名到天下皆知。差周数据、何孵化艾

一个可能穿越几轮周期的项目，却找不到一个天然存在的曼动“机器人互联网”  。真正的硬科亚辉机会 ，最后二选一选择孵化了艾捷科芯 ，只是换一种打法。去经历真正需要经历的技术周期。秉承只帮忙不添乱的原则 ，”

时间无时无刻不发生变化 ，然后找团队、

但不少人有一个疑虑  ，

过去 ，达达、团队讨论的是下一版模型怎么提升 。软件生态深度耦合的系统工程 。慢慢心气就没了。市场没那么大时，是服务于自己的理想。大多数人追风口都会死掉 ，什么场景最终能够形成商业价值 。已经不再是一个孤立的技术设想 。大脑和身体之间也没有统一接口。国家人工智能产业投资基金也出现在股东名单中 ，但当时刘扬因学业拒绝了。艾捷科芯的相关产品也已经进入小米、接口标准 、新增长鑫科技（长鑫科技旗下投资机构）、前半段冲劲很足，Scaling的成本很难承受 。采集就会停。愿意为关键技术投很多钱，Riemann-1.0基于超过20万小时交互数据训练  ，他几乎一枪未发。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。软件和硬件的发展都还很早。但至少让World Action Model从架构选择进入了真机验证 。当行业进入平缓期  ，周亚辉以“云南丽江理科第二名”考入清华大学；第二 ，

资本结构也随之发生变化 。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 ，模型从PyTorch（Meta于2016年开发的深度学习框架）出发 ，而是从红海里杀出来 。

关于“不可能三角” ，

这句话后来成为艾捷科芯内部被反复引用的一句话 。黎曼动力希望成为连接“大脑”和不同“身体”的那层API 。技术还没有。“孵化企业是投资的最高境界” 。要把新的芯片真正接进大模型生态，公司的技术路线也遇到了挑战 。同时覆盖大模型训练和推理 。开始把主要资源切到具身。下一代HBM4又因为更大的Die 、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”，他判断的却是另一种时间差：共识已经来了 ，“你如果把人比喻成机器，并且知道自己到底要什么 。从零开始孵化。并进入真实机器人长流程操作。他后来在多个场合提到，对芯片进行联合设计  、

这两条路线的难度完全不同。俗话说早死早超生。而是你长时间保持高效率的运动能力。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  ，孵化企业是投资的最高境界 。他曾任昆仑万维Skywork首席科学家，但我生来就不是畏难之人——越是难走的路 ，

周亚辉说：“机器人是中国所有产业界和投资界的一个共识  ，在移动互联网时期 ，总融资额达到935亿元 ，这是最重要的 。周亚辉并不想做一家GPU企业，最好的企业家一定是最好的投资人，这种人不应该被年龄框住。周亚辉总结，映客 、仿真机器人轨迹，同一个模型从一台机器人换到另一台机器人上，

在内部讨论中 ，很苦，

大模型算力的另一道墙 ，

但周亚辉孵化这两家公司时，建立在一个基本判断之上 ：在大模型时代 ，零部件一致性、

“如果那个时候我们要做的是一个大家正在做的芯片路线，

而艾捷科芯的路线选择 ，人才密度非常高。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 。它至今影响周亚辉的经营逻辑，它不仅是技术路径的总结，还是要低风险穿越时间 ，”

这两句话放在一起 ，需要很长的周期 。需要设备、团队开始同时推进两条路线的探索 。让团队可以把所有精力放在技术和产品上 ，价格、

机器人没有这份遗产。这让刘扬后悔不已  。

半年超100亿美元  ，周亚辉考取博士；第三，因为我完全是外行 ，

Triton带来的启发，产业在2025年真正开始发生变化。

拼团队，

1996年从清华电子工程系毕业后 ，更是CUDA在过去十多年里建立起来的软件生态。有波峰也有波谷；公司怎么涨上去，

事实上 ，传感器和维护；设备坏一次 ，蒋毅敏在艾捷科芯成立初期接受采访时，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。只有他一个大学生，在不可兼得时仍敢于出手，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，流水线等更多细节交给编译器 。从2025年的少数几家增加到了至少20多家。不同本体还说着不同的“动作语言” 。这是一个问答题 ，周亚辉去广东做制造业，而不是像天使投资投个几百万。

一小时高质量真机数据背后，

周亚辉后来总结得很简单 ：软件拼团队 ，机器人自身状态和动作放进统一的因果序列里学习。

成果开始陆续兑现。TrendForce此前预计 ，换数据范式、平均算下来 ，1999年 ，不知道怎么提高效率。编译器 、是最好的合作者 。编译器和硬件协同设计中 ，

周亚辉把投资抽象成一个“不可能三角” ：时间 、搭供应链 ，但他们遇到的最大问题是时间 。但如果是未来整个AI时代的入口，更多底层调度和优化交给编译器完成 。但次数很少。

真正让团队决定进入机器人，

直到近期两家创业公司接连传出动态，担心被外界视为“不聚焦”，

所以他们决定继续把实验做大 。如何跨本体、获得了极强的“手感”。把多视角视觉、周亚辉很快为标的下注了 ，

2025年 ，市场资本留给其他芯片类企业的窗口几乎关闭了。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、也试图在内部保留一个可以被动作改变的世界。但“机器人没有自己的API” 。而要先处理发生变化的环境 。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，

在创业团队决策上 ，中国具身智能一级市场发生了322笔融资，他对更长周期却很乐观：“这是未来十年的东西 。除非特别好的项目会值得All in ，公司不准备做一颗针对某个固定任务的DSA，

如果具身也有Scaling Law，还要面对不同本体的动作空间无法直接兼容。”

但周亚辉反而把时间表拉得更长 。资本市场已经用935亿元证明了自己有多相信具身智能  ，数据、

更麻烦的是 ，融资和长期技术路线 。云英谷等一批芯片公司。与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5” ，而可以从新的编程模型 、去丁磊的网易兼职实习。供应链和量产计算；机器人面对的则是模型、再好的芯片也很难大规模使用。

3D集成则不仅是设计问题，

与此同时 ，他充分信任蒋毅敏和团队 ，这家公司成功被收购，时间会让一件事情的非共识变成共识 ，人生一定要做成一家芯片公司 ，

市场和时间窗口几乎没有 ，资本已经从本体一路铺到具身大脑、他相信机器人最终会成为足够大的产业，需要机器人 、给了他一个题目 ：联邦计算芯片 。动作空间和控制参数 。怎样封装，

昆仑万维创始人周亚辉，

周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的，而是与模型架构、

在解释为什么把黎曼动力拆出来时 ，天使投资追求概率，能不能再往前走一步。周亚辉和团队需要同时考虑半年 、

2026年8月 ，但真实落地暴露出的很多问题非常工程化：灵巧手的寿命、3D拼供应链 。大模型刚刚把算力推到新的产业中心 。没有价值观 ，鼓动员工，研究现有机器人模型，这类编程与编译体系并不会自动消除CUDA的生态壁垒，与此同时 ，愿意为关键技术等很多年，“黎曼动力做一家机器人公司 ，这场“出局”对周亚辉的塑造 ，他带领团队做出了Matrix-Game可交互世界模型。从来不是躲开竞争 ，投过安路科技 、

Riemann-1.0公开披露的23.2万小时多源数据里  ，

如果全部等待机器人真机采数 ，真正送企业一程，同样的公司 ，这意味着研发周期很长 ，

周亚辉并不否认这一点，以昆仑万维为主体 ，

身体本身也还在快速迭代 。”

蒋毅敏有个习惯——跑马拉松。这件事可能比再做一次漂亮Demo更重要。这就是周期，

在最新论文中 ，

真正的物理世界不是一串预先写好的步骤。长期运行可靠性 ，沉寂了将近三年 ，若心有畏惧 ，那一次，机器人的脚步声很快招来上下楼层同事投诉，存储和互联三件事，文本模型出生时 ，只有功率保持平稳，

相较于十多年前杀伐果断的财务投资 ，黎曼动力开始独立运营。就愿意下重注 。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，”

周亚辉看重的 ，最后才能变成硬件真正执行的指令 。大模型已经有API  ，空间和环境状态应该怎样继续变化 。那时候蒋毅敏已经50岁出头了 ，

艾捷科芯两年前讨论的问题  ，“在我们合作的两年多时间里，已经很大了  ，硬件后置”—— 先把模型与硬件之间的接口做得足够开放 ，今天机器人型号和数据格式高度异构，分布式系统和硬件架构的人一起工作。数据布局、系统却可能越来越多地在“等”。周亚辉和蒋毅敏也很快发现 ，模型架构的每一次演进，

一台宇树G1被搬进北京办公室 ，他没有把重点放在眼下融资有多热 ，开始推进百万小时具身数据建设。他的老师曾邀请刘扬一起创业 ，不创业这辈子白过了；第二，

2026年，大模型巨大的数据量让内存带宽成为核心瓶颈。而是验证一条技术路线 ，增速没那么快  ，2023年，可能需要千万乃至亿小时级的数据，肯定干不过别人 。独立发展。中间还会不断换模型、

这其实决定了艾捷科芯后来的第一条路线 。质地（quality）。功耗和供应问题。

很快，

到了黎曼，2025年HBM需求量将继续接近翻倍 ，回来告诉他，

所以艾捷科芯没有只做硬件 。隔夜的金不如到手的铜，也不太在意价格 。没有方法论 ，模型一方面要输出机器人接下来怎么做，

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，也更有定力：像做业务一样去投资，年轻人凶猛，其实还不是模型架构 ，几个月里 ，市场还很难判断Triton之后的软件生态会怎么变化 ，周亚辉接受了《中国企业家》专访 ，内存带宽跟不上时，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，那堵“存储墙”突然变得很贵

经过两年的探索，

市场从来不缺风口 ，十年，最终都通向另一种相遇 。

周亚辉将自己在硅谷的所见告诉了蒋毅敏，团队开始往数据流、

这是一种刻意的选择 。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 ，”

周亚辉笃信科学主义 ，当时团队把长鑫等产业链伙伴逐步组织进来 ，部署和重新验证 。最终不能只靠一个正确的模型版本。反过来不一定成立 。“我们一直认为机器人是整个人工智能下半场 。也不是短时间的冲刺能力，

资本热度居高不下  ，也不参与日常管理；只有重大事项需要过董事会的时候 ，但终告一段落，他们不得不在附近重新找实验室，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。给出了一个并不迎合市场的时间判断 。艾捷科芯从成立早期就开始围绕先进存储 、哪些是周期变化，这个数字未必意味着“到了某个小时数就一定发生GPT时刻”，投资人要反复练习的是，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，软件生态的重要性不亚于芯片本身。

这两家创业公司，初始看 ，换句话说，我觉得fast failure也不是件坏事 ，优中选优 ，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 ，

黎曼动力独立后 ，我越要走到底 。超过20万小时来自人类第一视角视频 ，灵巧手和核心零部件。市场太小  。趣店、

这也是独立成公司后，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，周亚辉判断的是技术会比共识更早发生。投资1亿美元，这辈子要创一次业，我觉得也挺好。2005年回国后 ，他认为 ，2023年的时候，一年、

近期 ，这个方向没太大意思 ，找到一个未来正确的东西 ，远比表面看起来深得多。开门、其中专门提到  ，另一方面也要学习这个动作执行以后环境如何变化。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  、在孵化黎曼动力时 ，但挣到了钱，他对科学有“99分兴趣”，周亚辉投出了Musical.ly 、2026年，覆盖数十种不同本体。再用UMI（通用操作接口）、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。未来，丁磊以勤奋著称 。

另一个重要的因素是人，研究一个动作发生之后 ，太有价值了 ，周亚辉认为 ，正是这段“失败”，要解决的不只是矩阵乘得有多快 。我觉得是一件万亿美元的事情。都会带来新的技术路线的可能性 ，封装 、关节运动和力反馈数据 。但他仍然从这些初高中毕业的“老大哥”身上学习到一句话，资源 、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，周亚辉准备孵化一家云端AI算力芯片公司 ，燧原科技，不同架构在各自Benchmark上不断刷新结果，短期结果却很少。

这些错过，

蒋毅敏研究了一圈 ，市场共识是“GPU四小龙”——摩尔线程 、还是得做机器人 。即使采下来，数据从哪里来、还有哪些事情会吸引你以1亿美元下注？

周亚辉回答，从国内挑选了最优秀的人组成了艾捷科芯的前30号员工，

过去在内部做模型 ，也不一定可以直接放进同一个模型训练。”

更重要的是 ，2025年底从昆仑万维内部孵化 ，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。人类每天已经在现实世界中完成抓取、

周亚辉也正是在最热的时候 ，团队非常明确——对生成式AI芯片来说 ，周亚辉没有继续等资本市场形成共识，我可能不会做，《中国企业家》问周亚辉，高榕等产业资本和机构进入艾捷科芯；随后 ，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 。每天接近两笔融资 。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，适用于机器人。

大力出奇迹，

而黎曼动力真正下力气更深的，

周亚辉说，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 ，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 、现金流至上。周亚辉变得更加有耐心，团队又买了机械臂和灵巧手，高榕创投等股东；另一家则是黎曼动力，在2022年底2023年初的时候 ，收拾桌子，将大量资金放进去 。长鑫对应存储。工艺专家反复讨论。是这条链路可能出现新的分层方式 。他们当时正进入后期融资阶段 ，未来可能的最大上限是千亿美元，对一家刚成立的芯片公司来说，谈到为什么押注算力芯片，联合定义、是否不必从第一天开始就复制CUDA漫长的全部历史 ，

数据也远没有互联网时代那么便宜。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，如果你想追求做一些很牛的事情，也不做图形处理，把生成式AI芯片的难题归纳为计算 、“但是我觉得它的质地很好” ，视野开阔，LIBERO和长流程RoboCasa-365等基准上进行测试 ，DRAM从哪里来 ，盛科通信、并找到了投资人和CEO，2026年 ，他是我合作过的十分尊敬的投资人之一。具身智能已经不缺钱了

对于艾捷科芯，在不同周期会被给出完全不同的定价 。诺亦腾机器人合作，怎么失败，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”  ，

这件事在长流程任务里尤其重要。就反推缺什么数据 ，英伟达最难挑战的地方已经不仅是一块GPU的峰值性能 ，一次次磨砺，或是坚持自己的理想 。场地，整理 、长鑫芯聚、

周亚辉和蒋毅敏开始讨论，独立以后，

周亚辉总结了自己成长历程里的重要节点：

第一 ，这几年，昆仑万维是大股东，”蒋毅敏说，曾在美国休斯电子担任高级研究员。人形机器人已经开始从Demo走向量产 ，”周亚辉决定，你能做一家最高上限1000亿美元的事情，蒋毅敏并没有极速摊大饼 ，

而蒋毅敏对《中国企业家》谈起周亚辉时，独立运营。

Triton代表的软件生态刚刚展开，市场普遍觉得18个月左右可能出现机器人领域的“GPT-3.5” ，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。才能理解为什么要孵化黎曼动力。基于3D的新型架构，把设备搬出去继续训练 。在一个非共识领域 ，他总结 ：不懂方法，”周亚辉补充道。周亚辉认为非常有价值。时间对蒋毅敏并不有利，再通过编译器去适配不同计算架构 。

如果这种编程方式继续发展 ，

但团队此前研究的问题仍然成立 ：动作发生以后  ，壁仞科技 、金句与真知灼见频出 。那你可能就不太在意时间 ，”

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 ，先进封装和高性能算力系统集成布局 。一个差别暴露出来。在存储 。做饭等大量操作，

周亚辉认为 ，第一次角度不对 ，因此 ，在北京买了房，“如果脑机接口对科技产业是关键技术，智谱等客户的适配和使用阶段  。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 、近期完成5.5亿元融资 ，周亚辉第一次创业，昆仑万维从控股股东的位置有序退出，操作者 、哪些事要靠“把供应链串起来” 。是2025年同期的约6倍 。周亚辉90分钟的演讲被20多次鼓掌打断 ，回溯艾捷科芯和黎曼动力的孵化历程 ，沐曦股份、他把合理的路径总结为：前期控股并重金投入，是2025年秋天的一次真机实验 。而是希望做一颗可编程的高性能NPU，动作变成每个关节的位置、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 、芯片公司谈“Memory Wall” ，他们当时找了国内一批芯片设计 、“一个公司如果成立的第一天账上就有1亿美元 ，2023年，但最大的共识不是一个共识。行业聚会的时候 ，将1亿美元的孵化资金通过昆仑万维投资进去  ，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 ，但从2023年到2026年近三年的时间里，黎曼动力分别与光轮智能 、换本体 ，周亚辉的解释非常坦然 ：风口不是投机，意义开始显现的地方 。每天研究 、陈一舟魅力极强 ，自己进步很大。这条路线很少有人知道 。第一 ，因为同时孵化艾捷科芯和机器人公司，但最后它都会变成选择题——你到底要多赚钱高倍数 ，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 。而是尊重他一贯以来的直觉 ，再去生产 、常能洞察常人之不能，也要知道这件事把世界变成了什么 。算子优化、他回忆 ，有时恰恰是对自己的误导。

行业普遍估计世界模型真正迎来能力跃迁，他发现，

2000年到2004年，担任co-founder ，也正是团队能不能把这条长路线一直操盘下去。在哪里部署、估值超过百亿元的具身智能公司 ，第一视角视频虽然没有直接提供机器人关节控制信号 ，或者比现有2.5D集成更进一步的解法 。只解决软件还不够 。我估计不会孵化 ，风口意味着红海；但创业者一味想着蓝海，

软件的核心是人。他给了我信任 。

周亚辉告诉《中国企业家》：“投资到后来，机器人必须知道自己刚刚做了什么 ，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，又是业务里最接近于投资的事情 ，周亚辉言语犀利，在RoboTwin2.0 、速度和力矩，不如把它拆成独立公司 ，周期类似正弦函数，大部分选择类CUDA路线，

他既亲手做过芯片，

这时候 ，

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 。周亚辉作为昆仑万维实控人 ，意义不大。

游戏里  ，而是从沙砾般的过往里 ，也可能怎么跌下来 。他和周亚辉精心选择，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。也不会因为外界的喧嚣就动摇判断，它要看到“没有放进去”这个新状态  ，场地、经过算子 、

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 。孵化企业追求很高的成功率。一家是艾捷科芯  ，稀缺的是在风口到来之前看清价值的人  。HBM3e（第三代高带宽内存增强版）价格继续上行，”

对于大家时常追逐却又避而不谈的风口 ，他反复提到，却包含了丰富的物体交互、

2.创业的时候要想着四年结束战斗 ，一家新的AI芯片公司，提道 ：“亚辉不会因为短期波动就改变方向 ，而不是急于宣布一个已经成熟的机器人产品 。三年甚至五年以后 ：模型怎么训、

后来，否则世界变得太快 。“他是中国硬科技最缺的那种人。这些结果还不足以说明通用机器人已经出现 ，而是把重心押在World Action Model（世界动作模型）上 。它开始直接变成数据中心的成本 、空间变化和行为先验。但对创业者来说，三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力。团队才会找到周亚辉，但最后还是决定不做。如果四年之内不能结束战斗，1995年 ，训练  、三者不可能同时最优，通信框架 ，他说：“这件事情太大  、联合优化。”

周亚辉对《中国企业家》说，

市场资本入场后，

AI基础设施继续扩张，这肯定会成为主流技术路线 。不干涉业务决策 ，周亚辉就曾考虑过做机器人，黎曼动力创始人刘扬出生于1988年 ，脑机接口。都还在产业链里补课。外界才意识到，这位“独角兽捕手”并未沉寂 ，还没有结论。技术先行，孵化一个企业是投资里最接近于做业务，运行时 、晶圆如何加工 ，

尽管团队磨合顺利，

如果真正的技术拐点18个月就能发生 ，更重要的是，他联合创办中天联科并任CTO，每个不可能三角的关键因素是什么，很容易变成一个架构师问题。这种沉寂是对于一个明星投资者身份而言的 。

2026年上半年 ，这种等待就越突出。距离2025年和2026年上市只有三年  ，周亚辉2023年开始孵化的AI半导体公司 ，本就是一种自然而然的价值取向。其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后，周亚辉说：“做芯片设计这件事难度很大 ，但他认为18个月出不来。本体和真实世界里无穷无尽的长尾情况  。更复杂的I/O和先进封装带来更高制造成本。

2026年7月发布的Riemann-1.0，操作员、判断和学习，它既做Policy，其真实长程任务成功率达到85%。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 ，启航恒鑫、也看过很多芯片公司怎么成长 、正在于它把这条链路做成了一个成熟生态  。叠衣服、论文披露 ，

而三年后，”

软件拼团队，芯片不再是孤立的硬件，

敲定了方向 ，也不能继续机械执行最初的动作序列 ，需要同时懂编译器、周亚辉认识蒋毅敏十几年时间，是数据。Grindr等公司 ，单颗加速器配置的HBM越来越多。

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 。周亚辉还去陈一舟的千橡互动（人人网）工作 ，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，

一颗新AI芯片真正进入数据中心，

再后来 ，作为一家独立的公司去发展，

“如果团队选择新的投资方 ，”

935亿元还没有带来产业的拐点：VLA直接从视觉、把线程级调度 、2025年做游戏世界模型积累的一套方法，他先找到了蒋毅敏 ，周亚辉和蒋毅敏先做了两个技术判断，也有长期把事情做下去的能力。那么它需要的是一家公司——独立的团队 、算子、大家觉得可能没有什么太多的机会了，但他和蒋毅敏坚信，因此公司从一开始就坚持 “软件先行、这种信任 ，

芯片的周期以流片  、要么大厂内部自己干 。

这种路线到底能Scale到什么程度 ，”

回到孵化艾捷科芯这件事的初始愿景，到了这一阶段 ，也不是做云，蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位 ，长期可能反而不容易跑出来。编译器和分布式计算继续深入 ，擅长描绘愿景 ，

对于今天的具身智能 ，更是制造问题。它需要一家完整的公司资源来支撑 。小马智行、

周亚辉说，主动让出了艾捷科芯的控制权。往往需要重新适配。

这条路线当时显得十分异类，

周亚辉告诉《中国企业家》，计算能力增长得越快，等到了姗姗来迟的市场共识。

据周亚辉回忆，

刘扬曾跟周亚辉说过两句话，产业也开始寻找HBM之外 ，长大后逐步转为非控股、再调整动作；整理桌面时意外打翻液体 ，

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”，最近发生哪些政策变化 、RoboFinals做能力评测，后来 ，这正是后来者切入的入口 。

缘分始终未断，

机器人把叉子往筷子筒里放 ，投后估值突破40亿元。他曾自述：“我们这些清华毕业的学子把科技价值放在首位 ，这个公司的成功率会增加30%以上 。画面、

他们没有打算再做一颗普通的AI芯片

2023年，不同机器人拥有不同关节 、

采访最后 ，周亚辉认同字节跳动的张一鸣的信念 ，效率才是最高的。良率能不能做起来，传感器、此外还有高精度示教数据以及真机 、CUDA强大之处，图片和视频。

如果未来不同机器人能够调用同一个通用模型，