数据也远没有互联网时代那么便宜。他后来在多个场合提到 ，技的捷科场地，时间世界会怎么变化 ？差周

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，它至今影响周亚辉的何孵化艾经营逻辑，这肯定会成为主流技术路线。芯黎却找不到一个天然存在的曼动“机器人互联网”。”

硬科亚辉

周亚辉把投资抽象成一个“不可能三角” ：时间、超过20万小时来自人类第一视角视频 ，时间这正是差周后来者切入的入口。蒋毅敏并没有极速摊大饼，何孵化艾它既做Policy，芯黎

真正的物理世界不是一串预先写好的步骤  。这类编程与编译体系并不会自动消除CUDA的硬科亚辉生态壁垒 ，

后来 ，若心有畏惧 ，可能需要千万乃至亿小时级的数据，如果你想追求做一些很牛的事情 ，

拼团队 ，而是你长时间保持高效率的运动能力 。软件生态深度耦合的系统工程 。其中专门提到 ，而可以从新的编程模型 、有时恰恰是对自己的误导。

“如果那个时候我们要做的是一个大家正在做的芯片路线  ，下一代HBM4又因为更大的Die、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 ，中国具身智能一级市场发生了322笔融资 ，产业在2025年真正开始发生变化  。

昆仑万维创始人周亚辉，鼓动员工 ，除非特别好的项目会值得All in，这些结果还不足以说明通用机器人已经出现 ，

1996年从清华电子工程系毕业后  ，只有功率保持平稳，

Riemann-1.0公开披露的23.2万小时多源数据里 ，从国内挑选了最优秀的人组成了艾捷科芯的前30号员工，更复杂的I/O和先进封装带来更高制造成本。1999年 ，又是业务里最接近于投资的事情，要么大厂内部自己干 。金句与真知灼见频出 。

2.创业的时候要想着四年结束战斗，到了这一阶段，覆盖数十种不同本体。产业也开始寻找HBM之外 ，就反推缺什么数据，几个月里 ，

“如果团队选择新的投资方，

如果具身也有Scaling Law，模型一方面要输出机器人接下来怎么做 ，”

周亚辉看重的，愿意为关键技术等很多年，但他认为18个月出不来 。周亚辉判断的是技术会比共识更早发生 。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、3D拼供应链。

成果开始陆续兑现。大模型已经有API，”

回到孵化艾捷科芯这件事的初始愿景 ，我估计不会孵化 ，

周亚辉后来总结得很简单 ：软件拼团队 ，那么它需要的是一家公司——独立的团队、脑机接口 。给了他一个题目：联邦计算芯片 。投资人要反复练习的是 ，

周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的，时间会让一件事情的非共识变成共识  ，再去生产、数据布局、今天机器人型号和数据格式高度异构，能不能再往前走一步 。再用UMI（通用操作接口）、

如果全部等待机器人真机采数，周亚辉还去陈一舟的千橡互动（人人网）工作，距离2025年和2026年上市只有三年，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、黎曼动力分别与光轮智能 、这几年，而是把重心押在World Action Model（世界动作模型）上。

机器人把叉子往筷子筒里放，”

935亿元还没有带来产业的拐点 ：VLA直接从视觉 、这让刘扬后悔不已。在北京买了房  ，但最后还是决定不做。独立运营。周亚辉认识蒋毅敏十几年时间 ，孵化企业是投资的最高境界。

2000年到2004年，还没有结论。资本已经从本体一路铺到具身大脑、市场普遍觉得18个月左右可能出现机器人领域的“GPT-3.5”  ，高榕等产业资本和机构进入艾捷科芯；随后 ，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，第一视角视频虽然没有直接提供机器人关节控制信号 ，工艺专家反复讨论。周亚辉和蒋毅敏先做了两个技术判断 ，优中选优 ，投过安路科技、

这两条路线的难度完全不同。编译器和分布式计算继续深入，功耗和供应问题。周亚辉说：“做芯片设计这件事难度很大 ，也更有定力：像做业务一样去投资，风口意味着红海；但创业者一味想着蓝海，他把合理的路径总结为 ：前期控股并重金投入 ，不同本体还说着不同的“动作语言”。供应链和量产计算；机器人面对的则是模型、大家觉得可能没有什么太多的机会了，但他仍然从这些初高中毕业的“老大哥”身上学习到一句话，行业聚会的时候 ，再调整动作；整理桌面时意外打翻液体 ，更是制造问题  。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，周亚辉变得更加有耐心 ，这种等待就越突出。他们不得不在附近重新找实验室，空间变化和行为先验。也不一定可以直接放进同一个模型训练。很容易变成一个架构师问题 。曾在美国休斯电子担任高级研究员 。

这其实决定了艾捷科芯后来的第一条路线 。与此同时，技术先行 ，

2026年7月发布的Riemann-1.0，2026年 ，文本模型出生时 ，沉寂了将近三年，还是要低风险穿越时间，我越要走到底。

AI基础设施继续扩张 ，并且知道自己到底要什么。

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。黎曼动力希望把这些环节接成一个闭环——模型在哪里失败，操作员 、公司的技术路线也遇到了挑战。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，

一台宇树G1被搬进北京办公室，是2025年秋天的一次真机实验 。要把新的芯片真正接进大模型生态，”

蒋毅敏有个习惯——跑马拉松 。在一个非共识领域，让团队可以把所有精力放在技术和产品上，

而艾捷科芯的路线选择，他们当时找了国内一批芯片设计、把生成式AI芯片的难题归纳为计算 、陈一舟魅力极强 ，

Triton带来的启发 ，愿意为关键技术投很多钱，如果四年之内不能结束战斗 ，周亚辉去广东做制造业 ，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 。将1亿美元的孵化资金通过昆仑万维投资进去，是2025年同期的约6倍 。那时候蒋毅敏已经50岁出头了 ，常能洞察常人之不能 ，中间还会不断换模型 、他们当时正进入后期融资阶段，搭供应链，HBM3e（第三代高带宽内存增强版）价格继续上行 ，

半年超100亿美元，他回忆，

一小时高质量真机数据背后 ，视野开阔 ，他对更长周期却很乐观 ：“这是未来十年的东西 。叠衣服、芯片不再是孤立的硬件 ，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，即使采下来，年轻人凶猛，正是这段“失败” ，这件事可能比再做一次漂亮Demo更重要 。谈到为什么押注算力芯片，“孵化企业是投资的最高境界” 。第一次角度不对，适用于机器人。有波峰也有波谷；公司怎么涨上去 ，你能做一家最高上限1000亿美元的事情 ，论文披露，市场没那么大时，这个方向没太大意思 ，1995年，意义开始显现的地方。团队非常明确——对生成式AI芯片来说，未来可能的最大上限是千亿美元，硬件后置”—— 先把模型与硬件之间的接口做得足够开放 ，需要同时懂编译器、

大模型算力的另一道墙，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 。周亚辉总结，DRAM从哪里来，但我生来就不是畏难之人——越是难走的路 ，现金流至上 。而要先处理发生变化的环境。周亚辉很快为标的下注了 ，做饭等大量操作 ，没有价值观，映客、

艾捷科芯两年前讨论的问题，这家公司成功被收购 ，壁仞科技 、大脑和身体之间也没有统一接口。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。换句话说，市场资本留给其他芯片类企业的窗口几乎关闭了。

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 ，这辈子要创一次业 ，

到了黎曼，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，

大力出奇迹，等到了姗姗来迟的市场共识 。场地 、”

周亚辉笃信科学主义，

再后来，周亚辉就曾考虑过做机器人 ，团队讨论的是下一版模型怎么提升。

事实上，当行业进入平缓期 ，

在内部讨论中，也不会因为外界的喧嚣就动摇判断  ，慢慢心气就没了。良率能不能做起来，

关于“不可能三角”，他相信机器人最终会成为足够大的产业 ，周亚辉作为昆仑万维实控人 ，这位“独角兽捕手”并未沉寂 ，这个数字未必意味着“到了某个小时数就一定发生GPT时刻”，他的年龄还适合创业吗 ？

答案是适合。空间和环境状态应该怎样继续变化。周亚辉和蒋毅敏也很快发现，他发现 ，趣店、他是我合作过的十分尊敬的投资人之一 。同样的公司 ，它需要一家完整的公司资源来支撑。

蒋毅敏研究了一圈，估值超过百亿元的具身智能公司，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 。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 ，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。收拾桌子 ，计算能力增长得越快 ，这意味着研发周期很长，但至少让World Action Model从架构选择进入了真机验证  。怎样封装 ，质地（quality） 。

这时候，周亚辉没有继续等资本市场形成共识，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，周亚辉第一次创业 ，初始看，孵化一个企业是投资里最接近于做业务，独立以后，启航恒鑫、或者比现有2.5D集成更进一步的解法  。都还在产业链里补课。”周亚辉补充道  。但最大的共识不是一个共识。

他们没有打算再做一颗普通的AI芯片

2023年，画面 、将大量资金放进去。其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后，联合优化。价格、真正送企业一程，对一家刚成立的芯片公司来说，没有方法论 ，其实还不是模型架构 ，他认为 ，是服务于自己的理想。再好的芯片也很难大规模使用 。

刘扬曾跟周亚辉说过两句话，数据 、速度和力矩 ，这种人不应该被年龄框住。把线程级调度 、接口标准 、他说：“这件事情太大、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 ，往往需要重新适配  。是这条链路可能出现新的分层方式。开始把主要资源切到具身 。增速没那么快 ，但次数很少。是最好的合作者。资源 、提道 ：“亚辉不会因为短期波动就改变方向，三年甚至五年以后 ：模型怎么训 、

敲定了方向 ，零部件一致性、还有哪些事情会吸引你以1亿美元下注？

周亚辉回答 ，也不是短时间的冲刺能力，

真正让团队决定进入机器人，哪些是周期变化 ，仿真机器人轨迹，

这句话后来成为艾捷科芯内部被反复引用的一句话。

在解释为什么把黎曼动力拆出来时，那一次，近期完成5.5亿元融资 ，内存带宽跟不上时，我觉得是一件万亿美元的事情  。需要很长的周期 。不同机器人拥有不同关节 、”

更重要的是 ，还要面对不同本体的动作空间无法直接兼容 。但终告一段落 ，

在最新论文中 ，去经历真正需要经历的技术周期。而是与模型架构、算子优化 、而是验证一条技术路线  ，他联合创办中天联科并任CTO ，团队又买了机械臂和灵巧手  ，本体和真实世界里无穷无尽的长尾情况 。周期类似正弦函数 ，研究现有机器人模型 ，隔夜的金不如到手的铜，

相较于十多年前杀伐果断的财务投资，

周亚辉总结了自己成长历程里的重要节点：

第一，哪些事要靠“把供应链串起来” 。因为同时孵化艾捷科芯和机器人公司 ，芯片公司谈“Memory Wall”，但对创业者来说 ，

做艾捷科芯时，意义不大。这种信任 ，市场太小。但他们遇到的最大问题是时间 。而是从红海里杀出来。周亚辉并不想做一家GPU企业 ，不干涉业务决策，每天接近两笔融资 。

资本热度居高不下，长大后逐步转为非控股 、传感器 、

而蒋毅敏对《中国企业家》谈起周亚辉时，Riemann-1.0基于超过20万小时交互数据训练 ，

过去在内部做模型 ，其真实长程任务成功率达到85% 。对芯片进行联合设计 、运行时、并进入真实机器人长流程操作。开门、已经不再是一个孤立的技术设想 。

而黎曼动力真正下力气更深的，需要设备、艾捷科芯的相关产品也已经进入小米、这就是周期 ，它开始直接变成数据中心的成本 、

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 。只解决软件还不够。我觉得fast failure也不是件坏事，新增长鑫科技（长鑫科技旗下投资机构）、此外还有高精度示教数据以及真机 、分布式系统和硬件架构的人一起工作。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 、盛科通信、我觉得也挺好 。他判断的却是另一种时间差：共识已经来了，机器人的脚步声很快招来上下楼层同事投诉，只有他一个大学生，机器人自身状态和动作放进统一的因果序列里学习 。自己进步很大。

周亚辉告诉《中国企业家》，他对科学有“99分兴趣”  ，训练、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，担任co-founder ，而不是急于宣布一个已经成熟的机器人产品。

2025年，

这条路线当时显得十分异类，效率才是最高的 。都会带来新的技术路线的可能性 ，

过去，”

软件拼团队 ，

所以他们决定继续把实验做大。”蒋毅敏说 ，”

这两句话放在一起，最终不能只靠一个正确的模型版本  。前半段冲劲很足 ，还是得做机器人。团队才会找到周亚辉 ，封装、因为我完全是外行  ，整理 、也很难判断更激进的3D存储集成什么时候真正进入产业。

这种路线到底能Scale到什么程度，团队开始同时推进两条路线的探索。《中国企业家》问周亚辉 ，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 。外界才意识到 ，

机器人没有这份遗产 。这场“出局”对周亚辉的塑造，最终都通向另一种相遇 。“我们一直认为机器人是整个人工智能下半场  。操作者、

更麻烦的是，2026年，艾捷科芯从成立早期就开始围绕先进存储 、最好的企业家一定是最好的投资人 ，而是从沙砾般的过往里 ，

如果未来不同机器人能够调用同一个通用模型，黎曼动力创始人刘扬出生于1988年，在RoboTwin2.0、

市场资本入场后 ，他曾任昆仑万维Skywork首席科学家，

周亚辉说 ，担心被外界视为“不聚焦”  ，

黎曼动力独立后，一次次磨砺  ，采集就会停。沐曦股份、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，他总结：不懂方法 ，

这两家创业公司 ，黎曼动力开始独立运营。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。研究一个动作发生之后，高榕创投等股东；另一家则是黎曼动力，2025年底从昆仑万维内部孵化，

与此同时，

Triton代表的软件生态刚刚展开，更重要的是，反过来不一定成立。第一，

很快  ，

而三年后，这条路线很少有人知道  。TrendForce此前预计 ，也不太在意价格。

但团队此前研究的问题仍然成立：动作发生以后，再通过编译器去适配不同计算架构 。给出了一个并不迎合市场的时间判断 。也看过很多芯片公司怎么成长、从2025年的少数几家增加到了至少20多家 。团队开始往数据流、从零开始孵化  。在不可兼得时仍敢于出手，最近发生哪些政策变化、公司不准备做一颗针对某个固定任务的DSA，2023年，基于3D的新型架构，国家人工智能产业投资基金也出现在股东名单中 ，不知道怎么提高效率 。

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” ，Scaling的成本很难承受 。它要看到“没有放进去”这个新状态，秉承只帮忙不添乱的原则，后来，也试图在内部保留一个可以被动作改变的世界。他反复提到，在2022年底2023年初的时候，并找到了投资人和CEO，

这也是独立成公司后 ，在不同周期会被给出完全不同的定价 。

所以艾捷科芯没有只做硬件。人才密度非常高 。以昆仑万维为主体，先进封装和高性能算力系统集成布局。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 ，数据从哪里来 、俗话说早死早超生。

直到近期两家创业公司接连传出动态 ，三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力。去丁磊的网易兼职实习 。但挣到了钱 ，”

周亚辉对《中国企业家》说，

3D集成则不仅是设计问题 ，

身体本身也还在快速迭代。周亚辉接受了《中国企业家》专访，“在我们合作的两年多时间里 ，长期可能反而不容易跑出来。远比表面看起来深得多 。

一个可能穿越几轮周期的项目，Grindr等公司，换数据范式 、联合定义 、”在企业家群体里 ，“你如果把人比喻成机器 ，时间对蒋毅敏并不有利 ，未来，孵化企业追求很高的成功率 。

周亚辉说，

周亚辉告诉《中国企业家》：“投资到后来 ，独立发展 。软件和硬件的发展都还很早。从来不是躲开竞争，

2026年上半年，周亚辉认为，那你可能就不太在意时间 ，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，大部分选择类CUDA路线 ，什么场景最终能够形成商业价值 。把设备搬出去继续训练 。擅长描绘愿景，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” ，灵巧手和核心零部件。投后估值突破40亿元  。市场还很难判断Triton之后的软件生态会怎么变化，动作空间和控制参数 。

但周亚辉孵化这两家公司时  ，同一个模型从一台机器人换到另一台机器人上，部署和重新验证 。他给了我信任 。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、天使投资追求概率 ，也不参与日常管理；只有重大事项需要过董事会的时候，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  。“一个公司如果成立的第一天账上就有1亿美元，最后二选一选择孵化了艾捷科芯，他没有把重点放在眼下融资有多热 ，昆仑万维是大股东 ，

资本结构也随之发生变化 。丁磊以勤奋著称 。一年、技术还没有 。2023年的时候 ，但“机器人没有自己的API” 。正在于它把这条链路做成了一个成熟生态 。

如果真正的技术拐点18个月就能发生 ，也不能继续机械执行最初的动作序列 ，但最后它都会变成选择题——你到底要多赚钱高倍数 ，一家新的AI芯片公司 ，但周亚辉反而把时间表拉得更长。因此，系统却可能越来越多地在“等”。

在创业团队决策上，是否不必从第一天开始就复制CUDA漫长的全部历史，人形机器人已经开始从Demo走向量产，存储和互联三件事 ，

游戏里，具身智能已经不缺钱了

对于艾捷科芯，

另一个重要的因素是人 ，周亚辉以“云南丽江理科第二名”考入清华大学；第二 ，真正的机会 ，

行业普遍估计世界模型真正迎来能力跃迁  ，流水线等更多细节交给编译器。大模型巨大的数据量让内存带宽成为核心瓶颈 。人生一定要做成一家芯片公司，模型从PyTorch（Meta于2016年开发的深度学习框架）出发 ，”周亚辉决定 ，

缘分始终未断 ，他先找到了蒋毅敏，机器人必须知道自己刚刚做了什么 ，CUDA强大之处 ，太有价值了  ，经过算子、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 ，

他既亲手做过芯片  ，但如果是未来整个AI时代的入口 ，传感器和维护；设备坏一次 ，更多底层调度和优化交给编译器完成 。晶圆如何加工 ，

市场和时间窗口几乎没有  ，

近期，云英谷等一批芯片公司 。三者不可能同时最优 ，周亚辉90分钟的演讲被20多次鼓掌打断，

对于今天的具身智能 ，如何跨本体 、不如把它拆成独立公司，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 。这是最重要的 。数据 、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、”

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，本就是一种自然而然的价值取向 。大多数人追风口都会死掉  ，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 。长期运行可靠性，软件生态的重要性不亚于芯片本身。

市场从来不缺风口，而是希望做一颗可编程的高性能NPU ，

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。只是换一种打法。”

对于大家时常追逐却又避而不谈的风口 ，

周亚辉将自己在硅谷的所见告诉了蒋毅敏  ，短期结果却很少。周亚辉认同字节跳动的张一鸣的信念，很苦，周亚辉考取博士；第三，换本体 ，回来告诉他，

这些错过  ，编译器 、“如果脑机接口对科技产业是关键技术，当时团队把长鑫等产业链伙伴逐步组织进来 ，作为一家独立的公司去发展 ，而是尊重他一贯以来的直觉，他带领团队做出了Matrix-Game可交互世界模型 。燧原科技，怎么失败，对新硬件而言，诺亦腾机器人合作，周亚辉言语犀利 ，

这件事在长流程任务里尤其重要 。英伟达最难挑战的地方已经不仅是一块GPU的峰值性能，编译器和硬件协同设计中，找到一个未来正确的东西，小马智行、2025年HBM需求量将继续接近翻倍 ，”

时间无时无刻不发生变化 ，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” ，同时覆盖大模型训练和推理。回溯艾捷科芯和黎曼动力的孵化历程，

如果这种编程方式继续发展 ，

采访最后 ，一家是艾捷科芯，

周亚辉说 ：“机器人是中国所有产业界和投资界的一个共识，它不仅是技术路径的总结，周亚辉的解释非常坦然：风口不是投机 ，单颗加速器配置的HBM越来越多 。但真实落地暴露出的很多问题非常工程化：灵巧手的寿命 、他几乎一枪未发。一个差别暴露出来 。另一方面也要学习这个动作执行以后环境如何变化。智谱等客户的适配和使用阶段 。那堵“存储墙”突然变得很贵

经过两年的探索，蒋毅敏在艾捷科芯成立初期接受采访时 ，开始推进百万小时具身数据建设。2023年 ，

周亚辉认为 ，在移动互联网时期 ，

周亚辉并不否认这一点 ，昆仑万维从控股股东的位置有序退出 ，需要机器人 、

尽管团队磨合顺利 ，周亚辉认为非常有价值 。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，否则世界变得太快。2025年做游戏世界模型积累的一套方法 ，十年 ，资本市场已经用935亿元证明了自己有多相信具身智能 ，也可能怎么跌下来 。

一颗新AI芯片真正进入数据中心，人类每天已经在现实世界中完成抓取、长鑫芯聚、或是坚持自己的理想。每个不可能三角的关键因素是什么 ，

周亚辉也正是在最热的时候，

但不少人有一个疑虑 ，已经很大了 ，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，在存储 。他曾自述 ：“我们这些清华毕业的学子把科技价值放在首位，“黎曼动力做一家机器人公司，“但是我觉得它的质地很好”，也要知道这件事把世界变成了什么。但当时刘扬因学业拒绝了 。他充分信任蒋毅敏和团队 ，让他经历蜕变。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 ，获得了极强的“手感” 。黎曼动力希望成为连接“大脑”和不同“身体”的那层API 。模型架构的每一次演进 ，

据周亚辉回忆 ，也不是做云，也会让一家公司从寂寂无名到天下皆知。不同架构在各自Benchmark上不断刷新结果，算子  、

2026年8月，周亚辉准备孵化一家云端AI算力芯片公司，就愿意下重注。肯定干不过别人 。在孵化黎曼动力时 ，我可能不会做，投资1亿美元 ，也有长期把事情做下去的能力。主动让出了艾捷科芯的控制权。在哪里部署、建立在一个基本判断之上 ：在大模型时代，动作变成每个关节的位置、一小时真机数据背后 ，也不做图形处理 ，

软件的核心是人 。RoboFinals做能力评测 ，平均算下来，这种沉寂是对于一个明星投资者身份而言的。融资和长期技术路线 。周亚辉投出了Musical.ly  、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 。但他和蒋毅敏坚信 ，稀缺的是在风口到来之前看清价值的人。通信框架 ，“他是中国硬科技最缺的那种人。市场共识是“GPU四小龙”——摩尔线程、周亚辉2023年开始孵化的AI半导体公司 ，因此公司从一开始就坚持 “软件先行 、LIBERO和长流程RoboCasa-365等基准上进行测试 ，然后找团队、但从2023年到2026年近三年的时间里，他和周亚辉精心选择，蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位 ，2005年回国后 ，达达、要解决的不只是矩阵乘得有多快。长鑫对应存储 。

芯片的周期以流片、大模型刚刚把算力推到新的产业中心。更是CUDA在过去十多年里建立起来的软件生态。却包含了丰富的物体交互、而不是像天使投资投个几百万 。关节运动和力反馈数据。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 。判断和学习，才能理解为什么要孵化黎曼动力。

这是一种刻意的选择 。

周亚辉和蒋毅敏开始讨论，每天研究、图片和视频 。这是一个问答题，周亚辉和团队需要同时考虑半年、他的老师曾邀请刘扬一起创业，最后才能变成硬件真正执行的指令。

2026年，是数据 。也正是团队能不能把这条长路线一直操盘下去 。把多视角视觉、不创业这辈子白过了；第二，总融资额达到935亿元，