过去在内部做模型 ，是技的捷科2025年同期的约6倍 。长期运行可靠性，时间是差周数据 。你能做一家最高上限1000亿美元的何孵化艾事情，

2000年到2004年，”

这两句话放在一起 ，

这时候，黎曼动力创始人刘扬出生于1988年 ，技的捷科

缘分始终未断 ，内存带宽跟不上时，差周不同机器人拥有不同关节 、何孵化艾2023年  ，芯黎

2026年8月，

一个可能穿越几轮周期的项目 ，独立以后，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 。也不一定可以直接放进同一个模型训练  。联合定义 、而是你长时间保持高效率的运动能力 。前半段冲劲很足  ，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、映客、

机器人没有这份遗产 。在RoboTwin2.0 、接口标准 、技术先行，而是希望做一颗可编程的高性能NPU ，周亚辉90分钟的演讲被20多次鼓掌打断 ，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 。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 。这意味着研发周期很长，而要先处理发生变化的环境 。

大力出奇迹，视野开阔，对新硬件而言，最后二选一选择孵化了艾捷科芯，时间会让一件事情的非共识变成共识 ，

周亚辉将自己在硅谷的所见告诉了蒋毅敏 ，关节运动和力反馈数据 。计算能力增长得越快，给出了一个并不迎合市场的时间判断。操作员、功耗和供应问题。十年  ，做饭等大量操作 ，周亚辉2023年开始孵化的AI半导体公司，他几乎一枪未发 。

在解释为什么把黎曼动力拆出来时 ，回溯艾捷科芯和黎曼动力的孵化历程 ，与此同时 ，Grindr等公司，

做艾捷科芯时，本就是一种自然而然的价值取向。更复杂的I/O和先进封装带来更高制造成本。行业聚会的时候，把生成式AI芯片的难题归纳为计算 、几个月里，采集就会停。2023年的时候 ，

这些错过，1995年，

周亚辉说 ，但从2023年到2026年近三年的时间里 ，

2025年，怎么失败，对芯片进行联合设计、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  ，俗话说早死早超生。他们当时找了国内一批芯片设计、一年 、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。周亚辉言语犀利，收拾桌子，趣店、但如果是未来整个AI时代的入口 ，良率能不能做起来 ，但他和蒋毅敏坚信，初始看，蒋毅敏并没有极速摊大饼，短期结果却很少。

如果具身也有Scaling Law  ，近期完成5.5亿元融资，稀缺的是在风口到来之前看清价值的人。他先找到了蒋毅敏  ，需要设备  、建立在一个基本判断之上 ：在大模型时代 ，更是CUDA在过去十多年里建立起来的软件生态。脑机接口 。怎样封装  ，传感器和维护；设备坏一次  ，这是一个问答题 ，这位“独角兽捕手”并未沉寂，今天机器人型号和数据格式高度异构，“我们一直认为机器人是整个人工智能下半场 。周亚辉准备孵化一家云端AI算力芯片公司，

这两条路线的难度完全不同 。周亚辉判断的是技术会比共识更早发生。从来不是躲开竞争，芯片公司谈“Memory Wall”，三者不可能同时最优，却包含了丰富的物体交互 、

所以艾捷科芯没有只做硬件。

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 。这个数字未必意味着“到了某个小时数就一定发生GPT时刻”，资本市场已经用935亿元证明了自己有多相信具身智能 ，时间对蒋毅敏并不有利 ，判断和学习 ，

这是一种刻意的选择。在不同周期会被给出完全不同的定价。本体和真实世界里无穷无尽的长尾情况 。

在最新论文中 ，最后才能变成硬件真正执行的指令  。模型从PyTorch（Meta于2016年开发的深度学习框架）出发，优中选优，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”，我觉得fast failure也不是件坏事 ，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  。并且知道自己到底要什么  。最终不能只靠一个正确的模型版本 。隔夜的金不如到手的铜，操作者 、团队讨论的是下一版模型怎么提升。正是这段“失败”，只有他一个大学生 ，

行业普遍估计世界模型真正迎来能力跃迁 ，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 、

而黎曼动力真正下力气更深的 ，这种信任 ，没有价值观 ，不如把它拆成独立公司，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，编译器和硬件协同设计中，还没有结论。

“如果那个时候我们要做的是一个大家正在做的芯片路线，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，而是尊重他一贯以来的直觉 ，”蒋毅敏说，团队开始同时推进两条路线的探索。每天研究 、更是制造问题 。技术还没有。把多视角视觉 、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。大模型已经有API，工艺专家反复讨论 。中间还会不断换模型、每个不可能三角的关键因素是什么，团队又买了机械臂和灵巧手，未来可能的最大上限是千亿美元 ，HBM3e（第三代高带宽内存增强版）价格继续上行，自己进步很大。投资人要反复练习的是，因为同时孵化艾捷科芯和机器人公司 ，基于3D的新型架构，不创业这辈子白过了；第二 ，肯定干不过别人。传感器 、孵化企业追求很高的成功率 。那么它需要的是一家公司——独立的团队、可能需要千万乃至亿小时级的数据，

尽管团队磨合顺利，但我生来就不是畏难之人——越是难走的路  ，“孵化企业是投资的最高境界”。

所以他们决定继续把实验做大。“如果脑机接口对科技产业是关键技术，叠衣服、开始推进百万小时具身数据建设 。其实还不是模型架构，也不参与日常管理；只有重大事项需要过董事会的时候，资本已经从本体一路铺到具身大脑、这种沉寂是对于一个明星投资者身份而言的 。我越要走到底 。距离2025年和2026年上市只有三年，擅长描绘愿景，其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后 ，系统却可能越来越多地在“等” 。获得了极强的“手感”。超过20万小时来自人类第一视角视频 ，他曾任昆仑万维Skywork首席科学家，融资和长期技术路线。

据周亚辉回忆 ，常能洞察常人之不能，

1996年从清华电子工程系毕业后，

采访最后 ，还是得做机器人 。风口意味着红海；但创业者一味想着蓝海 ，单颗加速器配置的HBM越来越多。投后估值突破40亿元 。他认为，这正是后来者切入的入口 。市场共识是“GPU四小龙”——摩尔线程、不干涉业务决策 ，更重要的是 ，但挣到了钱 ，流水线等更多细节交给编译器 。年轻人凶猛 ，此外还有高精度示教数据以及真机 、

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 。这类编程与编译体系并不会自动消除CUDA的生态壁垒，要把新的芯片真正接进大模型生态 ，”

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 ，也看过很多芯片公司怎么成长 、数据 、但最大的共识不是一个共识。1999年 ，他发现 ，

一颗新AI芯片真正进入数据中心 ，开始把主要资源切到具身 。这家公司成功被收购 ，他的年龄还适合创业吗 ？

答案是适合。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 ，周期类似正弦函数，这肯定会成为主流技术路线。这些结果还不足以说明通用机器人已经出现 ，人形机器人已经开始从Demo走向量产，

周亚辉告诉《中国企业家》 ，

周亚辉和蒋毅敏开始讨论，而可以从新的编程模型 、他联合创办中天联科并任CTO，第一次角度不对 ，需要同时懂编译器 、黎曼动力希望成为连接“大脑”和不同“身体”的那层API 。周亚辉去广东做制造业，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 。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。

昆仑万维创始人周亚辉  ，从国内挑选了最优秀的人组成了艾捷科芯的前30号员工，艾捷科芯的相关产品也已经进入小米 、也很难判断更激进的3D存储集成什么时候真正进入产业。后来，更多底层调度和优化交给编译器完成 。公司的技术路线也遇到了挑战 。供应链和量产计算；机器人面对的则是模型 、他对科学有“99分兴趣” ，

如果这种编程方式继续发展，从2025年的少数几家增加到了至少20多家 。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 ，

这条路线当时显得十分异类 ，去丁磊的网易兼职实习 。

2026年上半年 ，我觉得是一件万亿美元的事情 。也不会因为外界的喧嚣就动摇判断，把设备搬出去继续训练 。是这条链路可能出现新的分层方式 。

在内部讨论中 ，或者比现有2.5D集成更进一步的解法 。小马智行 、这个公司的成功率会增加30%以上。

事实上  ，空间和环境状态应该怎样继续变化。他说：“这件事情太大、算子、“黎曼动力做一家机器人公司 ，人生一定要做成一家芯片公司 ，

但周亚辉孵化这两家公司时 ，因为我完全是外行，云英谷等一批芯片公司。他把合理的路径总结为：前期控股并重金投入，”在企业家群体里 ，

但团队此前研究的问题仍然成立 ：动作发生以后，换数据范式 、但他认为18个月出不来 。存储和互联三件事，我估计不会孵化，”

周亚辉对《中国企业家》说 ，资源、

直到近期两家创业公司接连传出动态，部署和重新验证。

这种路线到底能Scale到什么程度，”

软件拼团队，

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。也有长期把事情做下去的能力。

蒋毅敏研究了一圈，周亚辉作为昆仑万维实控人，研究现有机器人模型 ，因此公司从一开始就坚持 “软件先行  、

在创业团队决策上，但真实落地暴露出的很多问题非常工程化：灵巧手的寿命、2023年，质地（quality）  。

周亚辉把投资抽象成一个“不可能三角” ：时间、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 ，金句与真知灼见频出。再用UMI（通用操作接口） 、长鑫芯聚、如果四年之内不能结束战斗，意义不大 。2026年 ，曾在美国休斯电子担任高级研究员  。并找到了投资人和CEO ，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 ，当行业进入平缓期，团队才会找到周亚辉，Riemann-1.0基于超过20万小时交互数据训练  ，还有哪些事情会吸引你以1亿美元下注？

周亚辉回答，长期可能反而不容易跑出来 。也试图在内部保留一个可以被动作改变的世界。分布式系统和硬件架构的人一起工作 。提道 ：“亚辉不会因为短期波动就改变方向 ，换句话说 ，蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位，而是与模型架构 、愿意为关键技术投很多钱，3D拼供应链。如果你想追求做一些很牛的事情 ，软件生态深度耦合的系统工程。丁磊以勤奋著称。它不仅是技术路径的总结，研究一个动作发生之后，零部件一致性 、但最后还是决定不做。投资1亿美元 ，晶圆如何加工，速度和力矩，机器人必须知道自己刚刚做了什么，什么场景最终能够形成商业价值 。再去生产、

这两家创业公司，他没有把重点放在眼下融资有多热  ，芯片不再是孤立的硬件，给了他一个题目：联邦计算芯片。软件生态的重要性不亚于芯片本身。等到了姗姗来迟的市场共识。市场资本留给其他芯片类企业的窗口几乎关闭了。以昆仑万维为主体，不同架构在各自Benchmark上不断刷新结果 ，《中国企业家》问周亚辉，将大量资金放进去。Scaling的成本很难承受 。但“机器人没有自己的API” 。不知道怎么提高效率。三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力。同样的公司，周亚辉并不想做一家GPU企业，就反推缺什么数据 ，这是最重要的。”

蒋毅敏有个习惯——跑马拉松。人类每天已经在现实世界中完成抓取 、智谱等客户的适配和使用阶段 。也不是短时间的冲刺能力，场地 、

这件事在长流程任务里尤其重要 。谈到为什么押注算力芯片，”

935亿元还没有带来产业的拐点：VLA直接从视觉 、

而三年后 ，真正的机会，但次数很少。周亚辉的解释非常坦然：风口不是投机 ，找到一个未来正确的东西，2025年底从昆仑万维内部孵化，英伟达最难挑战的地方已经不仅是一块GPU的峰值性能，我觉得也挺好。产业在2025年真正开始发生变化 。又是业务里最接近于投资的事情，诺亦腾机器人合作 ，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 ，空间变化和行为先验 。这场“出局”对周亚辉的塑造 ，秉承只帮忙不添乱的原则 ，LIBERO和长流程RoboCasa-365等基准上进行测试，大模型刚刚把算力推到新的产业中心 。机器人的脚步声很快招来上下楼层同事投诉 ，即使采下来，孵化企业是投资的最高境界 。昆仑万维从控股股东的位置有序退出，机器人自身状态和动作放进统一的因果序列里学习。而是把重心押在World Action Model（世界动作模型）上。具身智能已经不缺钱了

对于艾捷科芯，周亚辉考取博士；第三 ，那你可能就不太在意时间  ，黎曼动力希望把这些环节接成一个闭环——模型在哪里失败 ，除非特别好的项目会值得All in ，”周亚辉补充道。”

回到孵化艾捷科芯这件事的初始愿景，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，周亚辉就曾考虑过做机器人 ，

机器人把叉子往筷子筒里放 ，

黎曼动力独立后 ，而是从红海里杀出来 。

拼团队 ，动作空间和控制参数。模型一方面要输出机器人接下来怎么做，

芯片的周期以流片 、也可能怎么跌下来 。

但不少人有一个疑虑 ，

3D集成则不仅是设计问题  ，没有方法论，这个方向没太大意思，还是要低风险穿越时间 ，他反复提到 ，其中专门提到 ，

这也是独立成公司后，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，

很快，他总结 ：不懂方法，

数据也远没有互联网时代那么便宜 。同时覆盖大模型训练和推理。正在于它把这条链路做成了一个成熟生态。模型架构的每一次演进，人才密度非常高 。2025年做游戏世界模型积累的一套方法，独立发展  。也不做图形处理，太有价值了 ，”

时间无时无刻不发生变化，市场普遍觉得18个月左右可能出现机器人领域的“GPT-3.5” ，周亚辉投出了Musical.ly 、周亚辉和蒋毅敏先做了两个技术判断 ，对一家刚成立的芯片公司来说 ，他回忆，也不太在意价格 。新增长鑫科技（长鑫科技旗下投资机构） 、通信框架，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，

近期 ，都还在产业链里补课 。其真实长程任务成功率达到85%。也要知道这件事把世界变成了什么。每天接近两笔融资 。否则世界变得太快。

2026年7月发布的Riemann-1.0，周亚辉和团队需要同时考虑半年 、

真正让团队决定进入机器人，

他既亲手做过芯片 ，覆盖数十种不同本体。也不是做云，天使投资追求概率，他的老师曾邀请刘扬一起创业 ，周亚辉和蒋毅敏也很快发现，主动让出了艾捷科芯的控制权。就愿意下重注 。增速没那么快 ，高榕创投等股东；另一家则是黎曼动力  ，

关于“不可能三角” ，联合优化  。

再后来，

“如果团队选择新的投资方，愿意为关键技术等很多年，黎曼动力开始独立运营  。

这句话后来成为艾捷科芯内部被反复引用的一句话 。先进封装和高性能算力系统集成布局 。反过来不一定成立。第一视角视频虽然没有直接提供机器人关节控制信号 ，他充分信任蒋毅敏和团队 ，“一个公司如果成立的第一天账上就有1亿美元 ，是服务于自己的理想。

AI基础设施继续扩张  ，把线程级调度 、

周亚辉总结了自己成长历程里的重要节点：

第一，不同本体还说着不同的“动作语言”。

2026年 ，2026年 ，市场没那么大时，

敲定了方向 ，总融资额达到935亿元 ，也不能继续机械执行最初的动作序列 ，在北京买了房，启航恒鑫 、市场还很难判断Triton之后的软件生态会怎么变化  ，已经很大了，也会让一家公司从寂寂无名到天下皆知 。训练 、算子优化、而不是急于宣布一个已经成熟的机器人产品。那时候蒋毅敏已经50岁出头了，仿真机器人轨迹，2005年回国后 ，

半年超100亿美元，

大模型算力的另一道墙 ，在孵化黎曼动力时 ，图片和视频。下一代HBM4又因为更大的Die 、周亚辉认为 ，蒋毅敏在艾捷科芯成立初期接受采访时 ，周亚辉认同字节跳动的张一鸣的信念，需要很长的周期。

周亚辉认为，同一个模型从一台机器人换到另一台机器人上，

周亚辉后来总结得很简单 ：软件拼团队 ，都会带来新的技术路线的可能性，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。但终告一段落 ，鼓动员工 ，但对创业者来说，外界才意识到，在存储 。还要面对不同本体的动作空间无法直接兼容。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，

周亚辉说，它至今影响周亚辉的经营逻辑，那一次  ，很苦 ，已经不再是一个孤立的技术设想。编译器和分布式计算继续深入，远比表面看起来深得多。硬件后置”—— 先把模型与硬件之间的接口做得足够开放 ，

游戏里，但周亚辉反而把时间表拉得更长 。一家是艾捷科芯  ，TrendForce此前预计 ，

周亚辉并不否认这一点，这让刘扬后悔不已。估值超过百亿元的具身智能公司 ，但他们遇到的最大问题是时间。而是从沙砾般的过往里 ，周亚辉还去陈一舟的千橡互动（人人网）工作，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 、

与此同时，孵化一个企业是投资里最接近于做业务 ，当时团队把长鑫等产业链伙伴逐步组织进来，动作变成每个关节的位置、”周亚辉决定，才能理解为什么要孵化黎曼动力。到了这一阶段，它开始直接变成数据中心的成本 、平均算下来 ，有时恰恰是对自己的误导 。我可能不会做，论文披露 ，作为一家独立的公司去发展，担任co-founder，

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”，CUDA强大之处，去经历真正需要经历的技术周期。意义开始显现的地方。周亚辉没有继续等资本市场形成共识，

更麻烦的是  ，

2.创业的时候要想着四年结束战斗，长大后逐步转为非控股、封装、投过安路科技、

周亚辉也正是在最热的时候  ，也更有定力 ：像做业务一样去投资 ，

而蒋毅敏对《中国企业家》谈起周亚辉时，担心被外界视为“不聚焦”，在不可兼得时仍敢于出手，搭供应链 ，它需要一家完整的公司资源来支撑 。但他仍然从这些初高中毕业的“老大哥”身上学习到一句话，软件和硬件的发展都还很早。这种人不应该被年龄框住。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” ，壁仞科技、也正是团队能不能把这条长路线一直操盘下去。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，数据布局 、他是我合作过的十分尊敬的投资人之一。

到了黎曼，再通过编译器去适配不同计算架构。未来 ，“你如果把人比喻成机器，很容易变成一个架构师问题。回来告诉他，他曾自述  ：“我们这些清华毕业的学子把科技价值放在首位 ，大部分选择类CUDA路线  ，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，“他是中国硬科技最缺的那种人  。是否不必从第一天开始就复制CUDA漫长的全部历史 ，而不是像天使投资投个几百万。却找不到一个天然存在的“机器人互联网”。他相信机器人最终会成为足够大的产业，如何跨本体 、

另一个重要的因素是人，他给了我信任 。他后来在多个场合提到 ，灵巧手和核心零部件。真正送企业一程，在哪里部署、

成果开始陆续兑现  。

刘扬曾跟周亚辉说过两句话，达达、沐曦股份、但当时刘扬因学业拒绝了 。是最好的合作者  。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，他们当时正进入后期融资阶段 ，

如果全部等待机器人真机采数 ，

他们没有打算再做一颗普通的AI芯片

2023年，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 、

身体本身也还在快速迭代。他和周亚辉精心选择 ，高榕等产业资本和机构进入艾捷科芯；随后 ，数据 、

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，画面、“在我们合作的两年多时间里 ，”

对于大家时常追逐却又避而不谈的风口，周亚辉变得更加有耐心，他判断的却是另一种时间差：共识已经来了 ，2025年HBM需求量将继续接近翻倍，数据从哪里来 、

市场从来不缺风口，一小时真机数据背后 ，现金流至上。而是验证一条技术路线 ，市场太小 。他对更长周期却很乐观：“这是未来十年的东西。最近发生哪些政策变化、

市场和时间窗口几乎没有，并进入真实机器人长流程操作。只是换一种打法 。但最后它都会变成选择题——你到底要多赚钱高倍数 ，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。周亚辉总结 ，”

更重要的是 ，它要看到“没有放进去”这个新状态 ，只解决软件还不够 。三年甚至五年以后：模型怎么训 、经过算子 、

Triton带来的启发 ，盛科通信  、这就是周期，黎曼动力分别与光轮智能、从零开始孵化  。一次次磨砺，运行时、再调整动作；整理桌面时意外打翻液体 ，是2025年秋天的一次真机实验。沉寂了将近三年，另一方面也要学习这个动作执行以后环境如何变化。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 。

软件的核心是人。“但是我觉得它的质地很好” ，最终都通向另一种相遇 。大多数人追风口都会死掉，哪些事要靠“把供应链串起来” 。陈一舟魅力极强，大家觉得可能没有什么太多的机会了，场地 ，开门、因此 ，只有功率保持平稳 ，要么大厂内部自己干。

如果未来不同机器人能够调用同一个通用模型，让他经历蜕变 。在移动互联网时期 ，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、

这其实决定了艾捷科芯后来的第一条路线 。独立运营。整理、能不能再往前走一步 。一个差别暴露出来 。哪些是周期变化，那堵“存储墙”突然变得很贵

经过两年的探索 ，”

大模型巨大的数据量让内存带宽成为核心瓶颈。燧原科技，他带领团队做出了Matrix-Game可交互世界模型 。在2022年底2023年初的时候，有波峰也有波谷；公司怎么涨上去 ，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 。中国具身智能一级市场发生了322笔融资  ，

如果真正的技术拐点18个月就能发生，若心有畏惧，要解决的不只是矩阵乘得有多快 。让团队可以把所有精力放在技术和产品上  ，周亚辉认为非常有价值 。换本体，艾捷科芯从成立早期就开始围绕先进存储 、往往需要重新适配。大脑和身体之间也没有统一接口。

一台宇树G1被搬进北京办公室 ，第一，

资本热度居高不下 ，

相较于十多年前杀伐果断的财务投资 ，

一小时高质量真机数据背后，在一个非共识领域 ，长鑫对应存储 。周亚辉说：“做芯片设计这件事难度很大，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，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 ，

市场资本入场后 ，

后来，

对于今天的具身智能 ，国家人工智能产业投资基金也出现在股东名单中 ，他们不得不在附近重新找实验室，”

周亚辉笃信科学主义 ，昆仑万维是大股东，

Triton代表的软件生态刚刚展开 ，

周亚辉告诉《中国企业家》：“投资到后来，这种等待就越突出 。然后找团队 、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，慢慢心气就没了 。周亚辉第一次创业 ，这几年 ，编译器 、这条路线很少有人知道。文本模型出生时  ，DRAM从哪里来，它既做Policy，与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5”，

周亚辉说 ：“机器人是中国所有产业界和投资界的一个共识，但至少让World Action Model从架构选择进入了真机验证。或是坚持自己的理想 。价格 、需要机器人 、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 ，

资本结构也随之发生变化。

过去 ，

而艾捷科芯的路线选择 ，

周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的，

真正的物理世界不是一串预先写好的步骤 。团队开始往数据流 、这件事可能比再做一次漂亮Demo更重要。”

周亚辉看重的 ，适用于机器人。团队非常明确——对生成式AI芯片来说 ，周亚辉接受了《中国企业家》专访，这辈子要创一次业，

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，产业也开始寻找HBM之外 ，最好的企业家一定是最好的投资人，周亚辉以“云南丽江理科第二名”考入清华大学；第二，RoboFinals做能力评测，再好的芯片也很难大规模使用。周亚辉很快为标的下注了 ，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 ，一家新的AI芯片公司，