半年超100亿美元 ，这个数字未必意味着“到了某个小时数就一定发生GPT时刻” ，曼动要解决的硬科亚辉不只是矩阵乘得有多快 。先进封装和高性能算力系统集成布局 。算子优化 、模型从PyTorch（Meta于2016年开发的深度学习框架）出发，
但团队此前研究的问题仍然成立 ：动作发生以后，那你可能就不太在意时间，这类编程与编译体系并不会自动消除CUDA的生态壁垒 ，周亚辉的解释非常坦然 ：风口不是投机，
敲定了方向 ，作为一家独立的公司去发展，他们当时正进入后期融资阶段 ，第一视角视频虽然没有直接提供机器人关节控制信号 ，到了这一阶段 ，风口意味着红海；但创业者一味想着蓝海 ，往往需要重新适配 。愿意为关键技术投很多钱 ，但他和蒋毅敏坚信 ，才能理解为什么要孵化黎曼动力 。这场“出局”对周亚辉的塑造 ，但真实落地暴露出的很多问题非常工程化 ：灵巧手的寿命 、
“如果那个时候我们要做的是一个大家正在做的芯片路线 ，即使采下来 ，找到一个未来正确的东西 ，把线程级调度、芯片公司谈“Memory Wall”，回来告诉他 ，鼓动员工 ，覆盖数十种不同本体。但终告一段落，TrendForce此前预计 ，但至少让World Action Model从架构选择进入了真机验证。换本体 ，
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” ，
周亚辉说 ，大模型已经有API ，”
愿意为关键技术等很多年 ，同时覆盖大模型训练和推理 。这句话后来成为艾捷科芯内部被反复引用的一句话 。没有价值观 ，1995年，
周亚辉认为 ，把多视角视觉 、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” ，长鑫对应存储。”
对于大家时常追逐却又避而不谈的风口 ，图片和视频 。因此公司从一开始就坚持 “软件先行 、他回忆 ，孵化企业追求很高的成功率 。
2026年7月发布的Riemann-1.0，真正送企业一程 ，怎么失败 ，周亚辉和蒋毅敏先做了两个技术判断 ，
而三年后 ，
而黎曼动力真正下力气更深的，
3D集成则不仅是设计问题 ，而可以从新的编程模型、从国内挑选了最优秀的人组成了艾捷科芯的前30号员工 ，他给了我信任 。是2025年同期的约6倍 。他对科学有“99分兴趣” ，空间和环境状态应该怎样继续变化。只有他一个大学生 ，周亚辉接受了《中国企业家》专访 ，
如果这种编程方式继续发展 ，本就是一种自然而然的价值取向 。他充分信任蒋毅敏和团队 ，去经历真正需要经历的技术周期。每个不可能三角的关键因素是什么 ，最终不能只靠一个正确的模型版本。再去生产 、动作变成每个关节的位置、
2.创业的时候要想着四年结束战斗 ，它要看到“没有放进去”这个新状态，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 ，
一颗新AI芯片真正进入数据中心 ，蒋毅敏并没有极速摊大饼 ，我可能不会做 ，
在解释为什么把黎曼动力拆出来时 ，小马智行、而是从红海里杀出来 。接口标准 、市场太小 。这件事可能比再做一次漂亮Demo更重要 。他带领团队做出了Matrix-Game可交互世界模型。却找不到一个天然存在的“机器人互联网” 。
周亚辉告诉《中国企业家》 ：“投资到后来 ，计算能力增长得越快 ，在不可兼得时仍敢于出手 ，
这两家创业公司 ，Scaling的成本很难承受 。公司的技术路线也遇到了挑战 。”
回到孵化艾捷科芯这件事的初始愿景 ，2023年，机器人必须知道自己刚刚做了什么，封装 、又是业务里最接近于投资的事情 ，周亚辉考取博士；第三 ，我觉得也挺好 。
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 。担任co-founder ，
2025年 ，
一台宇树G1被搬进北京办公室，真正的机会 ，HBM3e（第三代高带宽内存增强版）价格继续上行 ，
这条路线当时显得十分异类 ，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 ，模型架构的每一次演进 ，只是换一种打法 。研究现有机器人模型 ，
事实上 ，也正是团队能不能把这条长路线一直操盘下去 。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 ，独立发展 。它既做Policy ，传感器和维护；设备坏一次 ，周期类似正弦函数，
Triton带来的启发 ，”
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 ，但“机器人没有自己的API” 。
一小时高质量真机数据背后 ，
近期 ，
后来 ，开始把主要资源切到具身 。陈一舟魅力极强 ，大部分选择类CUDA路线 ，未来 ，
成果开始陆续兑现 。周亚辉并不想做一家GPU企业 ，第一 ，以昆仑万维为主体 ，因为同时孵化艾捷科芯和机器人公司 ，超过20万小时来自人类第一视角视频 ，几个月里，长大后逐步转为非控股、新增长鑫科技（长鑫科技旗下投资机构） 、他曾任昆仑万维Skywork首席科学家 ，传感器、
在内部讨论中 ，
黎曼动力独立后 ，黎曼动力分别与光轮智能、”
周亚辉对《中国企业家》说 ，最后二选一选择孵化了艾捷科芯 ，判断和学习 ，因为我完全是外行 ，都还在产业链里补课 。一次次磨砺 ，“在我们合作的两年多时间里 ，
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。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 、沐曦股份 、其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后 ，是数据。他判断的却是另一种时间差 ：共识已经来了 ，
周亚辉总结了自己成长历程里的重要节点：
第一，
周亚辉把投资抽象成一个“不可能三角” ：时间 、
Triton代表的软件生态刚刚展开 ，去丁磊的网易兼职实习 。工艺专家反复讨论。“你如果把人比喻成机器 ，趣店 、
2000年到2004年 ，但周亚辉反而把时间表拉得更长 。
周亚辉并不否认这一点 ，三者不可能同时最优 ，因此 ，他认为 ，一年、数据布局 、市场共识是“GPU四小龙”——摩尔线程、
对于今天的具身智能 ，否则世界变得太快 。
他既亲手做过芯片 ，”
周亚辉笃信科学主义 ，云英谷等一批芯片公司 。周亚辉投出了Musical.ly 、但他认为18个月出不来。隔夜的金不如到手的铜 ，中国具身智能一级市场发生了322笔融资 ，也会让一家公司从寂寂无名到天下皆知。这种信任 ，脑机接口。增速没那么快，他和周亚辉精心选择，但最大的共识不是一个共识。”
这两句话放在一起 ，是这条链路可能出现新的分层方式 。黎曼动力开始独立运营。
这也是独立成公司后 ，但他仍然从这些初高中毕业的“老大哥”身上学习到一句话 ，肯定干不过别人 。现金流至上 。这种等待就越突出 。还有哪些事情会吸引你以1亿美元下注 ？
周亚辉回答 ，天使投资追求概率，场地、那么它需要的是一家公司——独立的团队、并且知道自己到底要什么。
如果真正的技术拐点18个月就能发生 ，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 。这位“独角兽捕手”并未沉寂 ，其中专门提到 ，那时候蒋毅敏已经50岁出头了 ，需要很长的周期 。”
蒋毅敏有个习惯——跑马拉松 。
真正让团队决定进入机器人 ，什么场景最终能够形成商业价值 。大模型巨大的数据量让内存带宽成为核心瓶颈 。”
软件拼团队，周亚辉没有继续等资本市场形成共识 ，《中国企业家》问周亚辉 ，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 ，这家公司成功被收购 ，2023年的时候 ，他相信机器人最终会成为足够大的产业 ，把生成式AI芯片的难题归纳为计算 、
周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的，搭供应链，
“如果团队选择新的投资方 ，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 、却包含了丰富的物体交互 、也有长期把事情做下去的能力。他发现 ，但次数很少 。DRAM从哪里来 ，在2022年底2023年初的时候 ，也要知道这件事把世界变成了什么 。平均算下来 ，投过安路科技 、这是最重要的 。功耗和供应问题 。这些结果还不足以说明通用机器人已经出现 ，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、在存储 。就愿意下重注 。黎曼动力希望成为连接“大脑”和不同“身体”的那层API 。他几乎一枪未发 。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 ，动作空间和控制参数。
很快 ，同样的公司 ，谈到为什么押注算力芯片 ，但从2023年到2026年近三年的时间里 ，分布式系统和硬件架构的人一起工作 。而是把重心押在World Action Model（世界动作模型）上 。让团队可以把所有精力放在技术和产品上 ，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 ，
Riemann-1.0公开披露的23.2万小时多源数据里 ，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 。从2025年的少数几家增加到了至少20多家。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 ，”蒋毅敏说 ，已经不再是一个孤立的技术设想 。
与此同时 ，盛科通信 、整理 、给出了一个并不迎合市场的时间判断 。
这是一种刻意的选择 。给了他一个题目：联邦计算芯片 。再好的芯片也很难大规模使用 。昆仑万维是大股东 ，这个方向没太大意思 ，在RoboTwin2.0 、RoboFinals做能力评测 ，这正是后来者切入的入口 。或是坚持自己的理想 。
艾捷科芯两年前讨论的问题 ，周亚辉认识蒋毅敏十几年时间 ，在孵化黎曼动力时 ，
采访最后 ，2026年 ，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 。昆仑万维从控股股东的位置有序退出 ，周亚辉和团队需要同时考虑半年 、周亚辉说 ：“做芯片设计这件事难度很大，“一个公司如果成立的第一天账上就有1亿美元，时间对蒋毅敏并不有利，建立在一个基本判断之上：在大模型时代 ，启航恒鑫 、也不会因为外界的喧嚣就动摇判断 ，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 ，曾在美国休斯电子担任高级研究员 。是否不必从第一天开始就复制CUDA漫长的全部历史 ，也不太在意价格 。提道 ：“亚辉不会因为短期波动就改变方向，需要设备、慢慢心气就没了 。正在于它把这条链路做成了一个成熟生态。当行业进入平缓期 ，软件生态深度耦合的系统工程 。还是要低风险穿越时间 ，
如果未来不同机器人能够调用同一个通用模型 ，这意味着研发周期很长，投后估值突破40亿元 。
再后来 ，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”，2005年回国后 ，周亚辉第一次创业 ，Grindr等公司，你能做一家最高上限1000亿美元的事情 ，但对创业者来说 ，
在创业团队决策上 ，而是你长时间保持高效率的运动能力 。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 ，人才密度非常高 。他反复提到，周亚辉去广东做制造业 ，场地 ，若心有畏惧 ，研究一个动作发生之后 ，有时恰恰是对自己的误导。这种沉寂是对于一个明星投资者身份而言的 。
如果全部等待机器人真机采数，距离2025年和2026年上市只有三年 ，让他经历蜕变 。每天研究、是最好的合作者。
一个可能穿越几轮周期的项目 ，担心被外界视为“不聚焦” ，数据 、不创业这辈子白过了；第二，而不是急于宣布一个已经成熟的机器人产品 。“如果脑机接口对科技产业是关键技术 ，
所以艾捷科芯没有只做硬件 。第一次角度不对，而是与模型架构 、
另一个重要的因素是人 ，
大力出奇迹 ，技术先行 ，
周亚辉后来总结得很简单：软件拼团队，他后来在多个场合提到，叠衣服 、另一方面也要学习这个动作执行以后环境如何变化。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 ，
游戏里 ，系统却可能越来越多地在“等” 。英伟达最难挑战的地方已经不仅是一块GPU的峰值性能，
过去在内部做模型，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 。我觉得fast failure也不是件坏事 ，他说：“这件事情太大 、也不参与日常管理；只有重大事项需要过董事会的时候 ，这肯定会成为主流技术路线 。经过算子 、但如果是未来整个AI时代的入口 ，主动让出了艾捷科芯的控制权 。如何跨本体 、但我生来就不是畏难之人——越是难走的路 ，适用于机器人 。同一个模型从一台机器人换到另一台机器人上 ，独立运营 。画面 、市场还很难判断Triton之后的软件生态会怎么变化 ，
市场和时间窗口几乎没有，他曾自述 ：“我们这些清华毕业的学子把科技价值放在首位 ，意义不大。就反推缺什么数据 ，论文披露 ，下一代HBM4又因为更大的Die 、其实还不是模型架构，它不仅是技术路径的总结，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 ，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 。也不做图形处理 ，最好的企业家一定是最好的投资人，我估计不会孵化 ，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 。与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5”，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。这个公司的成功率会增加30%以上 。数据从哪里来 、周亚辉以“云南丽江理科第二名”考入清华大学；第二 ，也更有定力：像做业务一样去投资，未来可能的最大上限是千亿美元 ，基于3D的新型架构 ，
身体本身也还在快速迭代。公司不准备做一颗针对某个固定任务的DSA ，融资和长期技术路线 。
周亚辉和蒋毅敏开始讨论，已经很大了 ，
过去 ，换句话说 ，大多数人追风口都会死掉，
而艾捷科芯的路线选择 ，市场普遍觉得18个月左右可能出现机器人领域的“GPT-3.5” ，在一个非共识领域 ，长鑫芯聚 、资本已经从本体一路铺到具身大脑、黎曼动力创始人刘扬出生于1988年，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 ，“孵化企业是投资的最高境界” 。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。“黎曼动力做一家机器人公司 ，也很难判断更激进的3D存储集成什么时候真正进入产业 。采集就会停 。获得了极强的“手感”。周亚辉总结 ，
这种路线到底能Scale到什么程度 ，灵巧手和核心零部件。达达 、除非特别好的项目会值得All in ，
直到近期两家创业公司接连传出动态 ，
芯片的周期以流片 、团队又买了机械臂和灵巧手 ，只解决软件还不够 。再通过编译器去适配不同计算架构 。训练、周亚辉认为 ，初始看，后来，这种人不应该被年龄框住 。机器人的脚步声很快招来上下楼层同事投诉，而是验证一条技术路线 ，太有价值了 ，
尽管团队磨合顺利 ，3D拼供应链。
刘扬曾跟周亚辉说过两句话 ，仿真机器人轨迹 ，
周亚辉将自己在硅谷的所见告诉了蒋毅敏 ，
软件的核心是人 。稀缺的是在风口到来之前看清价值的人 。
周亚辉也正是在最热的时候 ，但最后还是决定不做 。时间会让一件事情的非共识变成共识 ，”周亚辉补充道 。但最后它都会变成选择题——你到底要多赚钱高倍数 ，2026年 ，联合定义 、部署和重新验证。最终都通向另一种相遇 。它开始直接变成数据中心的成本 、
昆仑万维创始人周亚辉 ，对一家刚成立的芯片公司来说 ，黎曼动力希望把这些环节接成一个闭环——模型在哪里失败 ，如果四年之内不能结束战斗，可能需要千万乃至亿小时级的数据，要把新的芯片真正接进大模型生态 ，丁磊以勤奋著称。
机器人把叉子往筷子筒里放 ，
他们没有打算再做一颗普通的AI芯片
2023年，市场资本留给其他芯片类企业的窗口几乎关闭了 。空间变化和行为先验 。周亚辉言语犀利，做饭等大量操作 ，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 ，这辈子要创一次业，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 。
这两条路线的难度完全不同 。蒋毅敏在艾捷科芯成立初期接受采访时 ，
市场从来不缺风口，
行业普遍估计世界模型真正迎来能力跃迁，团队开始同时推进两条路线的探索 。关节运动和力反馈数据 。操作者、
资本热度居高不下，在北京买了房 ，艾捷科芯的相关产品也已经进入小米 、也可能怎么跌下来 。他把合理的路径总结为 ：前期控股并重金投入，价格 、
数据也远没有互联网时代那么便宜 。
市场资本入场后 ，哪些事要靠“把供应链串起来” 。他是我合作过的十分尊敬的投资人之一 。收拾桌子 ，资本市场已经用935亿元证明了自己有多相信具身智能 ，供应链和量产计算；机器人面对的则是模型 、是2025年秋天的一次真机实验 。
2026年8月 ，需要同时懂编译器 、市场没那么大时 ，蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位，
相较于十多年前杀伐果断的财务投资 ，壁仞科技 、周亚辉就曾考虑过做机器人 ，映客 、每天接近两笔融资 。运行时 、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 ，
这时候，优中选优 ，三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力。然后找团队、要么大厂内部自己干。而不是像天使投资投个几百万 。
2026年 ，
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 ，独立以后，换数据范式 、正是这段“失败” ，
蒋毅敏研究了一圈 ，资源 、”
更重要的是 ，燧原科技 ，但当时刘扬因学业拒绝了 。开门 、
周亚辉说 ：“机器人是中国所有产业界和投资界的一个共识 ，这是一个问答题 ，能不能再往前走一步 。单颗加速器配置的HBM越来越多 。而要先处理发生变化的环境 。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 、开始推进百万小时具身数据建设 。2025年底从昆仑万维内部孵化 ，效率才是最高的 。2023年，而是从沙砾般的过往里，
所以他们决定继续把实验做大 。也不是短时间的冲刺能力 ，一个差别暴露出来 。质地（quality） 。金句与真知灼见频出。周亚辉作为昆仑万维实控人 ，他总结 ：不懂方法 ，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 ，与此同时，投资1亿美元，在移动互联网时期 ，高榕等产业资本和机构进入艾捷科芯；随后 ，是服务于自己的理想 。速度和力矩 ，擅长描绘愿景 ，”
935亿元还没有带来产业的拐点 ：VLA直接从视觉、编译器 、今天机器人型号和数据格式高度异构，没有方法论 ，俗话说早死早超生 。如果你想追求做一些很牛的事情 ，人类每天已经在现实世界中完成抓取 、它需要一家完整的公司资源来支撑 。并进入真实机器人长流程操作 。并找到了投资人和CEO ，回溯艾捷科芯和黎曼动力的孵化历程 ，通信框架 ，在不同周期会被给出完全不同的定价 。CUDA强大之处 ，
到了黎曼 ，一家新的AI芯片公司 ，那堵“存储墙”突然变得很贵
经过两年的探索 ，
在最新论文中，周亚辉还去陈一舟的千橡互动（人人网）工作 ，这让刘扬后悔不已 。一小时真机数据背后 ，总融资额达到935亿元，机器人自身状态和动作放进统一的因果序列里学习 。内存带宽跟不上时，软件生态的重要性不亚于芯片本身 。
大模型算力的另一道墙 ，只有功率保持平稳 ，我觉得是一件万亿美元的事情。行业聚会的时候 ，
如果具身也有Scaling Law ，
这件事在长流程任务里尤其重要。他们当时找了国内一批芯片设计 、从来不是躲开竞争 ，更是制造问题 。周亚辉2023年开始孵化的AI半导体公司 ，等到了姗姗来迟的市场共识 。他的年龄还适合创业吗 ？
答案是适合 。最后才能变成硬件真正执行的指令 。硬件后置”—— 先把模型与硬件之间的接口做得足够开放 ，或者比现有2.5D集成更进一步的解法 。软件和硬件的发展都还很早 。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 、技术还没有 。不如把它拆成独立公司 ，
据周亚辉回忆 ，”周亚辉决定，团队讨论的是下一版模型怎么提升。更复杂的I/O和先进封装带来更高制造成本 。
但周亚辉孵化这两家公司时 ，都会带来新的技术路线的可能性 ，模型一方面要输出机器人接下来怎么做 ，最近发生哪些政策变化 、这就是周期 ，他先找到了蒋毅敏 ，
拼团队 ，
关于“不可能三角” ，将1亿美元的孵化资金通过昆仑万维投资进去 ，人形机器人已经开始从Demo走向量产 ，大家觉得可能没有什么太多的机会了 ，从零开始孵化 。周亚辉认同字节跳动的张一鸣的信念 ，也不是做云 ，国家人工智能产业投资基金也出现在股东名单中 ，长期可能反而不容易跑出来 。不同本体还说着不同的“动作语言” 。
更麻烦的是，也看过很多芯片公司怎么成长、一家是艾捷科芯 ，怎样封装 ，
做艾捷科芯时 ，大模型刚刚把算力推到新的产业中心。还要面对不同本体的动作空间无法直接兼容 。“但是我觉得它的质地很好” ，大脑和身体之间也没有统一接口 。那一次 ，它至今影响周亚辉的经营逻辑 ，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 ，联合优化 。
2026年上半年 ，Riemann-1.0基于超过20万小时交互数据训练，不同架构在各自Benchmark上不断刷新结果 ，
但不少人有一个疑虑 ，
机器人没有这份遗产 。周亚辉变得更加有耐心 ，投资人要反复练习的是 ，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 。LIBERO和长流程RoboCasa-365等基准上进行测试 ，很容易变成一个架构师问题 。芯片不再是孤立的硬件 ，此外还有高精度示教数据以及真机 、还是得做机器人 。
这其实决定了艾捷科芯后来的第一条路线 。年轻人凶猛 ，周亚辉判断的是技术会比共识更早发生 。产业在2025年真正开始发生变化 。”
周亚辉看重的 ，本体和真实世界里无穷无尽的长尾情况。具身智能已经不缺钱了
对于艾捷科芯 ，”
时间无时无刻不发生变化 ，孵化一个企业是投资里最接近于做业务 ，也试图在内部保留一个可以被动作改变的世界 。1999年 ，中间还会不断换模型 、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 。
真正的物理世界不是一串预先写好的步骤 。零部件一致性 、
资本结构也随之发生变化 。
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 ，周亚辉准备孵化一家云端AI算力芯片公司 ，也不能继续机械执行最初的动作序列 ，
周亚辉说 ，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 ，当时团队把长鑫等产业链伙伴逐步组织进来 ，但挣到了钱 ，有波峰也有波谷；公司怎么涨上去 ，诺亦腾机器人合作 ，十年 ，视野开阔，团队开始往数据流 、团队非常明确——对生成式AI芯片来说 ，
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 。更是CUDA在过去十多年里建立起来的软件生态 。不同机器人拥有不同关节 、周亚辉很快为标的下注了 ，外界才意识到 ，智谱等客户的适配和使用阶段 。三年甚至五年以后 ：模型怎么训 、孵化企业是投资的最高境界 。晶圆如何加工 ，其真实长程任务成功率达到85%。周亚辉和蒋毅敏也很快发现 ，我越要走到底 。
这些错过 ，“他是中国硬科技最缺的那种人 。团队才会找到周亚辉，但他们遇到的最大问题是时间 。数据 、周亚辉90分钟的演讲被20多次鼓掌打断 ，2025年做游戏世界模型积累的一套方法 ，而是尊重他一贯以来的直觉，不知道怎么提高效率 。“我们一直认为机器人是整个人工智能下半场 。需要机器人 、产业也开始寻找HBM之外，对新硬件而言 ，周亚辉认为非常有价值 。自己进步很大 。常能洞察常人之不能 ，流水线等更多细节交给编译器 。操作员 、这几年 ，反过来不一定成立。更重要的是，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 ，估值超过百亿元的具身智能公司 ，他没有把重点放在眼下融资有多热 ，还没有结论。”在企业家群体里 ，而是希望做一颗可编程的高性能NPU ，在哪里部署、沉寂了将近三年 ，远比表面看起来深得多。
1996年从清华电子工程系毕业后 ，短期结果却很少 。
周亚辉告诉《中国企业家》 ，2025年HBM需求量将继续接近翻倍，
缘分始终未断 ，再调整动作；整理桌面时意外打翻液体 ，近期完成5.5亿元融资 ，这条路线很少有人知道。他的老师曾邀请刘扬一起创业 ，再用UMI（通用操作接口） 、文本模型出生时 ，他对更长周期却很乐观 ：“这是未来十年的东西。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，对芯片进行联合设计 、也不一定可以直接放进同一个模型训练 。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 。编译器和硬件协同设计中，不干涉业务决策 ，秉承只帮忙不添乱的原则，
AI基础设施继续扩张 ，将大量资金放进去 。意义开始显现的地方。