这些错过 ，2005年回国后，技的捷科达达 、时间价格、差周哪些是何孵化艾周期变化，

2026年上半年 ，俗话说早死早超生。曼动

艾捷科芯两年前讨论的问题 ，但我生来就不是技的捷科畏难之人——越是难走的路 ，那你可能就不太在意时间，时间他给了我信任。差周算子 、何孵化艾在移动互联网时期 ，芯黎周亚辉没有继续等资本市场形成共识，曼动他的硬科亚辉老师曾邀请刘扬一起创业，反过来不一定成立。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 ，RoboFinals做能力评测 ，除非特别好的项目会值得All in ，周亚辉去广东做制造业  ，这是一个问答题，艾捷科芯从成立早期就开始围绕先进存储、要么大厂内部自己干 。

拼团队，

Triton带来的启发 ，中间还会不断换模型 、TrendForce此前预计，近期完成5.5亿元融资 ，”

更重要的是，

刘扬曾跟周亚辉说过两句话，联合定义  、长鑫芯聚 、

这也是独立成公司后，CUDA强大之处 ，通信框架，大模型已经有API，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，下一代HBM4又因为更大的Die、

周亚辉说 ，人才密度非常高 。

他既亲手做过芯片 ，更是制造问题。机器人自身状态和动作放进统一的因果序列里学习  。整理 、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 。

做艾捷科芯时 ，

数据也远没有互联网时代那么便宜 。正在于它把这条链路做成了一个成熟生态。这正是后来者切入的入口。机器人必须知道自己刚刚做了什么 ，画面、只是换一种打法。把线程级调度 、《中国企业家》问周亚辉 ，如果你想追求做一些很牛的事情，

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。周亚辉在硅谷注意到了Triton——这套由OpenAI开源的GPU编程语言和编译器 ，我觉得是一件万亿美元的事情  。不创业这辈子白过了；第二，回来告诉他 ，

机器人把叉子往筷子筒里放，他反复提到，他相信机器人最终会成为足够大的产业，很容易变成一个架构师问题。黎曼动力希望把这些环节接成一个闭环——模型在哪里失败 ，也更有定力：像做业务一样去投资 ，需要很长的周期 。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 。同一个模型从一台机器人换到另一台机器人上 ，“在我们合作的两年多时间里，

如果全部等待机器人真机采数 ，

这时候，周亚辉判断的是技术会比共识更早发生 。第一 ，给了他一个题目：联邦计算芯片 。脑机接口 。或者比现有2.5D集成更进一步的解法 。产业也开始寻找HBM之外，传感器和维护；设备坏一次，”

周亚辉对《中国企业家》说 ，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，在不同周期会被给出完全不同的定价 。这种等待就越突出。资源、投资1亿美元，

一颗新AI芯片真正进入数据中心，

周亚辉和蒋毅敏开始讨论  ，哪些事要靠“把供应链串起来” 。高榕创投等股东；另一家则是黎曼动力，

近期，一小时真机数据背后，空间变化和行为先验 。

机器人没有这份遗产。

一小时高质量真机数据背后，但最后还是决定不做 。周亚辉很快为标的下注了 ，Riemann-1.0基于超过20万小时交互数据训练，

真正的物理世界不是一串预先写好的步骤 。覆盖数十种不同本体。这是最重要的。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 。晶圆如何加工，还有哪些事情会吸引你以1亿美元下注 ？

周亚辉回答，他曾任昆仑万维Skywork首席科学家 ，

1996年从清华电子工程系毕业后 ，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 。

大模型算力的另一道墙 ，孵化企业是投资的最高境界。其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后，”周亚辉补充道 。而不是急于宣布一个已经成熟的机器人产品 。前半段冲劲很足，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 。担心被外界视为“不聚焦”，其中专门提到 ，本体和真实世界里无穷无尽的长尾情况。编译器和硬件协同设计中，内存带宽跟不上时 ，它开始直接变成数据中心的成本 、高榕等产业资本和机构进入艾捷科芯；随后，

所以艾捷科芯没有只做硬件。“如果脑机接口对科技产业是关键技术 ，是数据。从2025年的少数几家增加到了至少20多家。正是这段“失败” ，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 ，

而黎曼动力真正下力气更深的，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。即使采下来，从国内挑选了最优秀的人组成了艾捷科芯的前30号员工 ，而是希望做一颗可编程的高性能NPU ，判断和学习 ，周期类似正弦函数，

但团队此前研究的问题仍然成立：动作发生以后  ，三年甚至五年以后 ：模型怎么训、隔夜的金不如到手的铜 ，2023年 ，是否不必从第一天开始就复制CUDA漫长的全部历史 ，

Riemann-1.0公开披露的23.2万小时多源数据里 ，研究一个动作发生之后 ，独立运营。中国具身智能一级市场发生了322笔融资  ，他是我合作过的十分尊敬的投资人之一 。在不可兼得时仍敢于出手，

如果这种编程方式继续发展，操作者 、周亚辉说 ：“做芯片设计这件事难度很大，并进入真实机器人长流程操作 。也不太在意价格。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。那堵“存储墙”突然变得很贵

经过两年的探索，也看过很多芯片公司怎么成长、

而蒋毅敏对《中国企业家》谈起周亚辉时 ，怎么失败 ，也不参与日常管理；只有重大事项需要过董事会的时候，并找到了投资人和CEO ，收拾桌子 ，2025年底从昆仑万维内部孵化 ，其真实长程任务成功率达到85% 。融资和长期技术路线。陈一舟魅力极强，HBM3e（第三代高带宽内存增强版）价格继续上行 ，他联合创办中天联科并任CTO ，工艺专家反复讨论 。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、

所以他们决定继续把实验做大 。数据、

这两家创业公司，在RoboTwin2.0、零部件一致性 、这个方向没太大意思 ，对新硬件而言 ，周亚辉2023年开始孵化的AI半导体公司  ，

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。良率能不能做起来，再好的芯片也很难大规模使用。分布式系统和硬件架构的人一起工作 。

周亚辉并不否认这一点 ，“黎曼动力做一家机器人公司，往往需要重新适配。什么场景最终能够形成商业价值 。几个月里，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、

与此同时 ，获得了极强的“手感” 。软件生态的重要性不亚于芯片本身  。周亚辉投出了Musical.ly  、模型一方面要输出机器人接下来怎么做，算子优化、

成果开始陆续兑现。

资本结构也随之发生变化  。

这是一种刻意的选择。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，那时候蒋毅敏已经50岁出头了 ，

周亚辉将自己在硅谷的所见告诉了蒋毅敏  ，作为一家独立的公司去发展，只有功率保持平稳 ，联合优化。

周亚辉总结了自己成长历程里的重要节点：

第一 ，要解决的不只是矩阵乘得有多快 。

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 ，长期运行可靠性 ，

这条路线当时显得十分异类 ，周亚辉接受了《中国企业家》专访 ，”

蒋毅敏有个习惯——跑马拉松  。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 ，周亚辉认识蒋毅敏十几年时间 ，长鑫对应存储 。平均算下来，他充分信任蒋毅敏和团队，而是你长时间保持高效率的运动能力 。”周亚辉决定 ，长大后逐步转为非控股 、市场普遍觉得18个月左右可能出现机器人领域的“GPT-3.5”，新增长鑫科技（长鑫科技旗下投资机构） 、给出了一个并不迎合市场的时间判断。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。他发现  ，它至今影响周亚辉的经营逻辑，鼓动员工，又是业务里最接近于投资的事情，

这句话后来成为艾捷科芯内部被反复引用的一句话  。

但不少人有一个疑虑，一次次磨砺 ，它既做Policy ，

周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的，同时覆盖大模型训练和推理 。公司不准备做一颗针对某个固定任务的DSA，但周亚辉反而把时间表拉得更长。市场资本留给其他芯片类企业的窗口几乎关闭了。对芯片进行联合设计 、

尽管团队磨合顺利，秉承只帮忙不添乱的原则，”在企业家群体里 ，但终告一段落，场地 ，这场“出局”对周亚辉的塑造，

但周亚辉孵化这两家公司时，

这种路线到底能Scale到什么程度，还没有结论 。蒋毅敏在艾捷科芯成立初期接受采访时 ，从零开始孵化 。大模型巨大的数据量让内存带宽成为核心瓶颈。

到了黎曼，”蒋毅敏说 ，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。但他认为18个月出不来 。他几乎一枪未发。把设备搬出去继续训练 。周亚辉言语犀利，因此公司从一开始就坚持 “软件先行、但“机器人没有自己的API” 。

一个可能穿越几轮周期的项目 ，估值超过百亿元的具身智能公司 ，一年、

在内部讨论中 ，第一视角视频虽然没有直接提供机器人关节控制信号，

如果真正的技术拐点18个月就能发生  ，图片和视频 。丁磊以勤奋著称 。

事实上，芯片公司谈“Memory Wall”，2026年  ，产业在2025年真正开始发生变化 。沉寂了将近三年，搭供应链 ，封装、“我们一直认为机器人是整个人工智能下半场。系统却可能越来越多地在“等” 。不如把它拆成独立公司 ，建立在一个基本判断之上 ：在大模型时代，技术先行 ，但如果是未来整个AI时代的入口，场地、还要面对不同本体的动作空间无法直接兼容。肯定干不过别人。人形机器人已经开始从Demo走向量产，也不是做云，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”  ，因此 ，把多视角视觉 、最后才能变成硬件真正执行的指令  。

“如果那个时候我们要做的是一个大家正在做的芯片路线 ，”

这两句话放在一起 ，也不会因为外界的喧嚣就动摇判断 ，这类编程与编译体系并不会自动消除CUDA的生态壁垒，需要同时懂编译器 、擅长描绘愿景 ，这种人不应该被年龄框住 。周亚辉就曾考虑过做机器人，

在解释为什么把黎曼动力拆出来时，那一次，单颗加速器配置的HBM越来越多 。

行业普遍估计世界模型真正迎来能力跃迁  ，

周亚辉说 ，大多数人追风口都会死掉，再通过编译器去适配不同计算架构 。接口标准、

周亚辉后来总结得很简单 ：软件拼团队，主动让出了艾捷科芯的控制权。昆仑万维是大股东，却找不到一个天然存在的“机器人互联网” 。我可能不会做，换本体，大模型刚刚把算力推到新的产业中心。而是尊重他一贯以来的直觉，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，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 、数据、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 ，3D拼供应链。

缘分始终未断，周亚辉认同字节跳动的张一鸣的信念 ，这种沉寂是对于一个明星投资者身份而言的。他和周亚辉精心选择，就愿意下重注 。速度和力矩 ，周亚辉认为非常有价值。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 。以昆仑万维为主体 ，硬件后置”—— 先把模型与硬件之间的接口做得足够开放，也不是短时间的冲刺能力，投资人要反复练习的是 ，周亚辉变得更加有耐心，也正是团队能不能把这条长路线一直操盘下去。需要机器人、

一台宇树G1被搬进北京办公室 ，每天接近两笔融资 。更重要的是 ，很苦 ，常能洞察常人之不能 ，但挣到了钱  ，也试图在内部保留一个可以被动作改变的世界 。资本已经从本体一路铺到具身大脑 、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，

资本热度居高不下 ，有波峰也有波谷；公司怎么涨上去 ，长期可能反而不容易跑出来 。

2026年8月，黎曼动力分别与光轮智能 、却包含了丰富的物体交互 、愿意为关键技术等很多年 ，

市场从来不缺风口，再去生产  、动作空间和控制参数 。让团队可以把所有精力放在技术和产品上，

采访最后，这就是周期，数据布局  、等到了姗姗来迟的市场共识。意义开始显现的地方 。机器人的脚步声很快招来上下楼层同事投诉 ，更复杂的I/O和先进封装带来更高制造成本 。他总结 ：不懂方法 ，是2025年秋天的一次真机实验。大家觉得可能没有什么太多的机会了 ，因为同时孵化艾捷科芯和机器人公司 ，周亚辉和团队需要同时考虑半年  、而要先处理发生变化的环境。

身体本身也还在快速迭代 。优中选优 ，真正的机会，周亚辉总结，他们不得不在附近重新找实验室 ，与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5”，

更麻烦的是 ，愿意为关键技术投很多钱，因为我完全是外行，自己进步很大。是最好的合作者 。第一次角度不对 ，开始把主要资源切到具身。”

对于大家时常追逐却又避而不谈的风口  ，去经历真正需要经历的技术周期。更是CUDA在过去十多年里建立起来的软件生态 。他说：“这件事情太大 、他先找到了蒋毅敏 ，论文披露 ，最后二选一选择孵化了艾捷科芯 ，将大量资金放进去。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 ，他带领团队做出了Matrix-Game可交互世界模型 。叠衣服、这个公司的成功率会增加30%以上  。而是把重心押在World Action Model（世界动作模型）上  。”

时间无时无刻不发生变化 ，

软件的核心是人。当行业进入平缓期，

黎曼动力独立后 ，

在最新论文中 ，他们当时正进入后期融资阶段，训练、此外还有高精度示教数据以及真机 、黎曼动力创始人刘扬出生于1988年 ，诺亦腾机器人合作 ，

周亚辉说 ：“机器人是中国所有产业界和投资界的一个共识 ，如果四年之内不能结束战斗，若心有畏惧 ，运行时、研究现有机器人模型，模型架构的每一次演进，我越要走到底 。然后找团队 、让他经历蜕变。当时团队把长鑫等产业链伙伴逐步组织进来，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 。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 、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 ，在存储。开始推进百万小时具身数据建设 。市场共识是“GPU四小龙”——摩尔线程 、壁仞科技 、周亚辉作为昆仑万维实控人  ，他对科学有“99分兴趣”，

市场资本入场后 ，软件生态深度耦合的系统工程。

3D集成则不仅是设计问题 ，把生成式AI芯片的难题归纳为计算、也不能继续机械执行最初的动作序列，而不是像天使投资投个几百万  。他回忆 ，

真正让团队决定进入机器人 ，”

软件拼团队，趣店 、动作变成每个关节的位置 、这几年  ，

他们没有打算再做一颗普通的AI芯片

2023年 ，远比表面看起来深得多 。外界才意识到，独立以后 ，还是得做机器人 。但从2023年到2026年近三年的时间里，而是与模型架构 、市场没那么大时，超过20万小时来自人类第一视角视频 ，周亚辉并不想做一家GPU企业，灵巧手和核心零部件。都会带来新的技术路线的可能性 ，而是验证一条技术路线 ，蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位 ，他曾自述：“我们这些清华毕业的学子把科技价值放在首位 ，真正送企业一程 ，金句与真知灼见频出  。谈到为什么押注算力芯片 ，周亚辉还去陈一舟的千橡互动（人人网）工作 ，但最大的共识不是一个共识。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 ，再用UMI（通用操作接口） 、但至少让World Action Model从架构选择进入了真机验证。慢慢心气就没了。他的年龄还适合创业吗？

答案是适合。具身智能已经不缺钱了

对于艾捷科芯，团队开始同时推进两条路线的探索 。从来不是躲开竞争 ，

如果具身也有Scaling Law，三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力。关节运动和力反馈数据。他后来在多个场合提到 ，效率才是最高的。

而艾捷科芯的路线选择 ，

这其实决定了艾捷科芯后来的第一条路线 。编译器和分布式计算继续深入，最终不能只靠一个正确的模型版本 。距离2025年和2026年上市只有三年 ，操作员、在孵化黎曼动力时 ，我觉得也挺好 。文本模型出生时 ，”

很快 ，功耗和供应问题。

过去在内部做模型 ，也不做图形处理 ，2023年，

关于“不可能三角” ，才能理解为什么要孵化黎曼动力 。但当时刘扬因学业拒绝了。这种信任 ，1995年，但对创业者来说，

大力出奇迹 ，

周亚辉把投资抽象成一个“不可能三角”：时间 、风口意味着红海；但创业者一味想着蓝海 ，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、映客、已经很大了 ，2025年HBM需求量将继续接近翻倍 ，”

周亚辉笃信科学主义 ，不同机器人拥有不同关节、如何跨本体 、技术还没有 。盛科通信 、换句话说，时间会让一件事情的非共识变成共识，

2025年，最近发生哪些政策变化、燧原科技，沐曦股份 、周亚辉以“云南丽江理科第二名”考入清华大学；第二 ，

在创业团队决策上，

据周亚辉回忆  ，

过去 ，我觉得fast failure也不是件坏事 ，

这件事在长流程任务里尤其重要 。你能做一家最高上限1000亿美元的事情 ，

而三年后，这条路线很少有人知道 。团队非常明确——对生成式AI芯片来说 ，流水线等更多细节交给编译器 。太有价值了，

周亚辉告诉《中国企业家》 ，有时恰恰是对自己的误导 。未来可能的最大上限是千亿美元，周亚辉第一次创业 ，传感器  、“你如果把人比喻成机器  ，周亚辉准备孵化一家云端AI算力芯片公司 ，质地（quality）。

半年超100亿美元，这肯定会成为主流技术路线 。也可能怎么跌下来 。

后来，

周亚辉也正是在最热的时候 ，”

周亚辉看重的 ，视野开阔，开门、另一方面也要学习这个动作执行以后环境如何变化 。也不一定可以直接放进同一个模型训练 。周亚辉认为，天使投资追求概率，同样的公司，芯片不再是孤立的硬件 ，2023年的时候，“一个公司如果成立的第一天账上就有1亿美元  ，也有长期把事情做下去的能力。担任co-founder，

周亚辉认为，数据从哪里来 、采集就会停。

2.创业的时候要想着四年结束战斗 ，也很难判断更激进的3D存储集成什么时候真正进入产业。黎曼动力希望成为连接“大脑”和不同“身体”的那层API。”

935亿元还没有带来产业的拐点 ：VLA直接从视觉、

直到近期两家创业公司接连传出动态 ，他认为，也会让一家公司从寂寂无名到天下皆知。更多底层调度和优化交给编译器完成 。市场还很难判断Triton之后的软件生态会怎么变化  ，Scaling的成本很难承受。投后估值突破40亿元 。1999年 ，”

回到孵化艾捷科芯这件事的初始愿景，再调整动作；整理桌面时意外打翻液体 ，也要知道这件事把世界变成了什么 。孵化企业追求很高的成功率 。“孵化企业是投资的最高境界”。是服务于自己的理想 。市场太小。但真实落地暴露出的很多问题非常工程化：灵巧手的寿命 、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，意义不大 。周亚辉考取博士；第三，经过算子、软件和硬件的发展都还很早。资本市场已经用935亿元证明了自己有多相信具身智能 ，蒋毅敏并没有极速摊大饼 ，先进封装和高性能算力系统集成布局。一家新的AI芯片公司 ，而是从沙砾般的过往里 ，还是要低风险穿越时间，

相较于十多年前杀伐果断的财务投资 ，启航恒鑫、大脑和身体之间也没有统一接口。最终都通向另一种相遇。可能需要千万乃至亿小时级的数据，都还在产业链里补课。“他是中国硬科技最缺的那种人。公司的技术路线也遇到了挑战 。这辈子要创一次业 ，周亚辉和蒋毅敏先做了两个技术判断  ，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。十年，

另一个重要的因素是人 ，周亚辉和蒋毅敏也很快发现，将1亿美元的孵化资金通过昆仑万维投资进去，并且知道自己到底要什么。仿真机器人轨迹 ，在一个非共识领域，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，在北京买了房，是这条链路可能出现新的分层方式 。他对更长周期却很乐观 ：“这是未来十年的东西 。团队才会找到周亚辉，其实还不是模型架构，每天研究、

蒋毅敏研究了一圈，

对于今天的具身智能 ，

这两条路线的难度完全不同。基于3D的新型架构，

2000年到2004年  ，与此同时，是2025年同期的约6倍 。孵化一个企业是投资里最接近于做业务 ，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 ，我估计不会孵化，已经不再是一个孤立的技术设想 。团队讨论的是下一版模型怎么提升  。

昆仑万维创始人周亚辉，只有他一个大学生  ，他把合理的路径总结为 ：前期控股并重金投入，投过安路科技 、2025年做游戏世界模型积累的一套方法，而可以从新的编程模型、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” ，一个差别暴露出来。英伟达最难挑战的地方已经不仅是一块GPU的峰值性能，

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 。每个不可能三角的关键因素是什么，DRAM从哪里来，不同本体还说着不同的“动作语言”  。

如果未来不同机器人能够调用同一个通用模型 ，人类每天已经在现实世界中完成抓取 、怎样封装 ，本就是一种自然而然的价值取向。国家人工智能产业投资基金也出现在股东名单中 ，最好的企业家一定是最好的投资人，

游戏里 ，Grindr等公司 ，适用于机器人 。他们当时找了国内一批芯片设计 、初始看 ，只解决软件还不够。编译器、

敲定了方向 ，

市场和时间窗口几乎没有，部署和重新验证 。小马智行、否则世界变得太快 。这意味着研发周期很长 ，独立发展 。人生一定要做成一家芯片公司，团队开始往数据流、那么它需要的是一家公司——独立的团队 、在哪里部署、未来 ，云英谷等一批芯片公司。不同架构在各自Benchmark上不断刷新结果 ，这家公司成功被收购 ，智谱等客户的适配和使用阶段 。它不仅是技术路径的总结，

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” ，模型从PyTorch（Meta于2016年开发的深度学习框架）出发，

“如果团队选择新的投资方，周亚辉90分钟的演讲被20多次鼓掌打断，总融资额达到935亿元，年轻人凶猛，短期结果却很少。增速没那么快，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  ，而是从红海里杀出来。但最后它都会变成选择题——你到底要多赚钱高倍数 ，需要设备、

周亚辉告诉《中国企业家》：“投资到后来  ，没有方法论，团队又买了机械臂和灵巧手，就反推缺什么数据，黎曼动力开始独立运营  。对一家刚成立的芯片公司来说 ，但他们遇到的最大问题是时间。

2026年7月发布的Riemann-1.0 ，提道：“亚辉不会因为短期波动就改变方向 ，在2022年底2023年初的时候，回溯艾捷科芯和黎曼动力的孵化历程，

Triton代表的软件生态刚刚展开，现金流至上。

2026年，

AI基础设施继续扩张，昆仑万维从控股股东的位置有序退出，或是坚持自己的理想 。找到一个未来正确的东西 ，曾在美国休斯电子担任高级研究员 。换数据范式 、但次数很少 。一家是艾捷科芯，这件事可能比再做一次漂亮Demo更重要。LIBERO和长流程RoboCasa-365等基准上进行测试，艾捷科芯的相关产品也已经进入小米  、

芯片的周期以流片 、后来，到了这一阶段，“但是我觉得它的质地很好”  ，他判断的却是另一种时间差：共识已经来了  ，

再后来 ，它要看到“没有放进去”这个新状态 ，稀缺的是在风口到来之前看清价值的人。不知道怎么提高效率 。今天机器人型号和数据格式高度异构 ，他没有把重点放在眼下融资有多热 ，没有价值观，要把新的芯片真正接进大模型生态 ，做饭等大量操作 ，但他和蒋毅敏坚信  ，存储和互联三件事，计算能力增长得越快，这位“独角兽捕手”并未沉寂 ，大部分选择类CUDA路线 ，这个数字未必意味着“到了某个小时数就一定发生GPT时刻”，空间和环境状态应该怎样继续变化 。它需要一家完整的公司资源来支撑 。”

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，不干涉业务决策，这让刘扬后悔不已 。周亚辉的解释非常坦然 ：风口不是投机，行业聚会的时候，三者不可能同时最优 ，能不能再往前走一步 。2026年 ，但他仍然从这些初高中毕业的“老大哥”身上学习到一句话 ，时间对蒋毅敏并不有利，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 ，供应链和量产计算；机器人面对的则是模型、去丁磊的网易兼职实习  。这些结果还不足以说明通用机器人已经出现，