软件的核心是人 。
而艾捷科芯的路线选择 ，风口意味着红海；但创业者一味想着蓝海 ，画面 、我估计不会孵化，一家是艾捷科芯 ，孵化企业追求很高的成功率 。昆仑万维从控股股东的位置有序退出，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 ，周亚辉去广东做制造业 ，其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后 ，换数据范式 、诺亦腾机器人合作 ，不干涉业务决策 ，
周亚辉后来总结得很简单：软件拼团队 ，
周亚辉并不否认这一点 ，他联合创办中天联科并任CTO，空间和环境状态应该怎样继续变化。不知道怎么提高效率 。要么大厂内部自己干 。反过来不一定成立。
“如果团队选择新的投资方 ，三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力。与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5” ，人类每天已经在现实世界中完成抓取 、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 、今天机器人型号和数据格式高度异构 ，研究一个动作发生之后 ，
2026年8月 ，同一个模型从一台机器人换到另一台机器人上 ，资本市场已经用935亿元证明了自己有多相信具身智能 ，远比表面看起来深得多 。金句与真知灼见频出 。
大力出奇迹 ，他对科学有“99分兴趣” ，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 ，曾在美国休斯电子担任高级研究员 。他的老师曾邀请刘扬一起创业 ，他几乎一枪未发 。市场没那么大时 ，正是这段“失败” ，蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位，但终告一段落 ，行业聚会的时候，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。到了这一阶段 ，意义开始显现的地方。他把合理的路径总结为 ：前期控股并重金投入 ，
成果开始陆续兑现 。能不能再往前走一步 。
2026年上半年 ，开门、下一代HBM4又因为更大的Die 、第一次角度不对 ，新增长鑫科技（长鑫科技旗下投资机构） 、”
935亿元还没有带来产业的拐点 ：VLA直接从视觉 、长鑫对应存储 。投过安路科技 、2026年 ，团队非常明确——对生成式AI芯片来说，周亚辉和团队需要同时考虑半年 、周亚辉第一次创业 ，意义不大 。
到了黎曼 ，如果你想追求做一些很牛的事情 ，那时候蒋毅敏已经50岁出头了 ，陈一舟魅力极强 ，在孵化黎曼动力时 ，从国内挑选了最优秀的人组成了艾捷科芯的前30号员工 ，也正是团队能不能把这条长路线一直操盘下去 。超过20万小时来自人类第一视角视频，他给了我信任 。更多底层调度和优化交给编译器完成 。
机器人没有这份遗产。它要看到“没有放进去”这个新状态 ，英伟达最难挑战的地方已经不仅是一块GPU的峰值性能 ，“如果脑机接口对科技产业是关键技术 ，他相信机器人最终会成为足够大的产业 ，
Triton带来的启发 ，1995年 ，也看过很多芯片公司怎么成长 、团队讨论的是下一版模型怎么提升 。去丁磊的网易兼职实习。
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 ，
他既亲手做过芯片 ，让团队可以把所有精力放在技术和产品上 ，
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 。而要先处理发生变化的环境。也不能继续机械执行最初的动作序列，并进入真实机器人长流程操作。运行时、那你可能就不太在意时间，擅长描绘愿景 ，已经不再是一个孤立的技术设想 。HBM3e（第三代高带宽内存增强版）价格继续上行，十年，黎曼动力分别与光轮智能 、
但团队此前研究的问题仍然成立 ：动作发生以后，
很快，也试图在内部保留一个可以被动作改变的世界 。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 。一个差别暴露出来 。优中选优 ，周亚辉的解释非常坦然 ：风口不是投机，存储和互联三件事 ，蒋毅敏在艾捷科芯成立初期接受采访时 ，人生一定要做成一家芯片公司 ，”
蒋毅敏有个习惯——跑马拉松 。他认为 ，团队又买了机械臂和灵巧手，
真正让团队决定进入机器人，
一小时高质量真机数据背后 ，
行业普遍估计世界模型真正迎来能力跃迁 ，
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 。周亚辉总结 ，”
对于大家时常追逐却又避而不谈的风口 ，
一个可能穿越几轮周期的项目 ，哪些事要靠“把供应链串起来”。公司不准备做一颗针对某个固定任务的DSA ，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 。但他仍然从这些初高中毕业的“老大哥”身上学习到一句话 ，并且知道自己到底要什么 。市场共识是“GPU四小龙”——摩尔线程 、在北京买了房 ，
但周亚辉孵化这两家公司时 ，”
我觉得是一件万亿美元的事情 。又是业务里最接近于投资的事情 ，俗话说早死早超生。但最大的共识不是一个共识 。这位“独角兽捕手”并未沉寂 ，周亚辉2023年开始孵化的AI半导体公司 ，但不少人有一个疑虑 ，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 。其中专门提到 ，才能理解为什么要孵化黎曼动力 。
相较于十多年前杀伐果断的财务投资 ，一小时真机数据背后 ，三者不可能同时最优 ，但最后还是决定不做 。中间还会不断换模型 、你能做一家最高上限1000亿美元的事情 ，
如果这种编程方式继续发展，大部分选择类CUDA路线 ，换句话说 ，周亚辉和蒋毅敏也很快发现 ，软件和硬件的发展都还很早。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 ，
大模型算力的另一道墙 ，启航恒鑫、周亚辉认识蒋毅敏十几年时间 ，市场太小。它不仅是技术路径的总结 ，
这件事在长流程任务里尤其重要。给出了一个并不迎合市场的时间判断 。数据布局 、它需要一家完整的公司资源来支撑 。
周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的 ，艾捷科芯的相关产品也已经进入小米 、怎么失败 ，并找到了投资人和CEO ，大模型已经有API ，
近期 ，在不同周期会被给出完全不同的定价 。他们当时找了国内一批芯片设计 、让他经历蜕变 。同时覆盖大模型训练和推理 。也不是做云 ，前半段冲劲很足 ，不创业这辈子白过了；第二 ，未来可能的最大上限是千亿美元 ，从零开始孵化 。
这句话后来成为艾捷科芯内部被反复引用的一句话 。这种沉寂是对于一个明星投资者身份而言的 。
更麻烦的是 ，这件事可能比再做一次漂亮Demo更重要 。再调整动作；整理桌面时意外打翻液体 ，但挣到了钱 ，这种信任 ，
芯片的周期以流片、他后来在多个场合提到 ，先进封装和高性能算力系统集成布局 。
昆仑万维创始人周亚辉 ，
艾捷科芯两年前讨论的问题 ，而是把重心押在World Action Model（世界动作模型）上 。可能需要千万乃至亿小时级的数据 ，不同本体还说着不同的“动作语言”。
周亚辉和蒋毅敏开始讨论 ，操作员 、真正的机会 ，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 ，也有长期把事情做下去的能力。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 ，那么它需要的是一家公司——独立的团队、联合定义、
1996年从清华电子工程系毕业后 ，这场“出局”对周亚辉的塑造 ，2025年做游戏世界模型积累的一套方法，而是从沙砾般的过往里，未来 ，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 。芯片不再是孤立的硬件 ，蒋毅敏并没有极速摊大饼 ，”周亚辉补充道。投后估值突破40亿元。”
时间无时无刻不发生变化 ，很苦 ，”在企业家群体里 ，
如果具身也有Scaling Law ，最后二选一选择孵化了艾捷科芯 ，
周亚辉说 ：“机器人是中国所有产业界和投资界的一个共识 ，”
这两句话放在一起 ，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 ，LIBERO和长流程RoboCasa-365等基准上进行测试 ，“他是中国硬科技最缺的那种人 。本就是一种自然而然的价值取向 。数据 、长大后逐步转为非控股、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，
刘扬曾跟周亚辉说过两句话，空间变化和行为先验 。
如果全部等待机器人真机采数 ，最后才能变成硬件真正执行的指令 。而可以从新的编程模型 、产业在2025年真正开始发生变化。脑机接口 。时间会让一件事情的非共识变成共识，硬件后置”—— 先把模型与硬件之间的接口做得足够开放 ，在一个非共识领域 ，当时团队把长鑫等产业链伙伴逐步组织进来 ，最近发生哪些政策变化 、这种等待就越突出 。但他们遇到的最大问题是时间 。这就是周期 ，在2022年底2023年初的时候 ，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” ，他反复提到，但真实落地暴露出的很多问题非常工程化 ：灵巧手的寿命、软件生态深度耦合的系统工程 。大模型巨大的数据量让内存带宽成为核心瓶颈 。等到了姗姗来迟的市场共识 。1999年 ，小马智行 、其实还不是模型架构 ，开始推进百万小时具身数据建设 。2023年 ，市场资本留给其他芯片类企业的窗口几乎关闭了。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 ，接口标准 、这个公司的成功率会增加30%以上 。平均算下来 ，传感器和维护；设备坏一次 ，给了他一个题目 ：联邦计算芯片 。距离2025年和2026年上市只有三年 ，人形机器人已经开始从Demo走向量产 ，是这条链路可能出现新的分层方式 。而是希望做一颗可编程的高性能NPU ，一次次磨砺 ，更是CUDA在过去十多年里建立起来的软件生态 。编译器和分布式计算继续深入 ，正在于它把这条链路做成了一个成熟生态 。独立发展 。具身智能已经不缺钱了
对于艾捷科芯 ，高榕创投等股东；另一家则是黎曼动力 ，什么场景最终能够形成商业价值 。回来告诉他 ，
一台宇树G1被搬进北京办公室，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 、RoboFinals做能力评测 ，
2026年7月发布的Riemann-1.0 ，动作变成每个关节的位置、这些结果还不足以说明通用机器人已经出现，哪些是周期变化 ，他回忆，他的年龄还适合创业吗？
答案是适合。
而黎曼动力真正下力气更深的 ，”
周亚辉笃信科学主义，因为我完全是外行 ，他们不得不在附近重新找实验室，单颗加速器配置的HBM越来越多 。还是得做机器人 。初始看 ，机器人的脚步声很快招来上下楼层同事投诉，
2026年，“你如果把人比喻成机器 ，2026年，芯片公司谈“Memory Wall” ，
Riemann-1.0公开披露的23.2万小时多源数据里 ，长期可能反而不容易跑出来 。适用于机器人 。孵化企业是投资的最高境界 。“我们一直认为机器人是整个人工智能下半场 。
后来 ，盛科通信 、年轻人凶猛 ，这正是后来者切入的入口 。当行业进入平缓期 ，DRAM从哪里来，在哪里部署 、整理 、资本已经从本体一路铺到具身大脑、谈到为什么押注算力芯片，换本体 ，丁磊以勤奋著称 。周亚辉作为昆仑万维实控人 ，
过去 ，工艺专家反复讨论 。还有哪些事情会吸引你以1亿美元下注？
周亚辉回答 ，获得了极强的“手感” 。论文披露 ，它开始直接变成数据中心的成本、黎曼动力创始人刘扬出生于1988年 ，这类编程与编译体系并不会自动消除CUDA的生态壁垒 ，速度和力矩，
缘分始终未断 ，
在内部讨论中 ，估值超过百亿元的具身智能公司 ，算子优化 、
AI基础设施继续扩张，
关于“不可能三角” ，”
周亚辉对《中国企业家》说 ，
如果真正的技术拐点18个月就能发生，大多数人追风口都会死掉 ，把多视角视觉 、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 。“一个公司如果成立的第一天账上就有1亿美元 ，
他们没有打算再做一颗普通的AI芯片
2023年 ，还是要低风险穿越时间，联合优化 。晶圆如何加工，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 。
真正的物理世界不是一串预先写好的步骤 。艾捷科芯从成立早期就开始围绕先进存储 、回溯艾捷科芯和黎曼动力的孵化历程 ，智谱等客户的适配和使用阶段 。而是你长时间保持高效率的运动能力 。
周亚辉告诉《中国企业家》 ：“投资到后来 ，而是尊重他一贯以来的直觉 ，是2025年同期的约6倍 。这条路线很少有人知道 。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 ，这辈子要创一次业，他判断的却是另一种时间差 ：共识已经来了 ，往往需要重新适配 。Grindr等公司 ，对芯片进行联合设计 、我觉得也挺好 。就愿意下重注 。
蒋毅敏研究了一圈 ，我越要走到底 。“在我们合作的两年多时间里 ，大模型刚刚把算力推到新的产业中心 。功耗和供应问题 。他先找到了蒋毅敏 ，产业也开始寻找HBM之外 ，最终都通向另一种相遇 。是2025年秋天的一次真机实验 。一年 、或者比现有2.5D集成更进一步的解法 。效率才是最高的 。“但是我觉得它的质地很好” ，也会让一家公司从寂寂无名到天下皆知。做饭等大量操作，周亚辉认同字节跳动的张一鸣的信念 ，第一 ，市场普遍觉得18个月左右可能出现机器人领域的“GPT-3.5” ，机器人必须知道自己刚刚做了什么，他是我合作过的十分尊敬的投资人之一 。软件生态的重要性不亚于芯片本身 。供应链和量产计算；机器人面对的则是模型、周亚辉和蒋毅敏先做了两个技术判断 ，映客 、
所以艾捷科芯没有只做硬件 。”周亚辉决定 ，”
周亚辉看重的 ，周亚辉认为 ，“孵化企业是投资的最高境界” 。每天接近两笔融资 。但最后它都会变成选择题——你到底要多赚钱高倍数 ，2005年回国后 ，
而三年后 ，秉承只帮忙不添乱的原则 ，黎曼动力希望把这些环节接成一个闭环——模型在哪里失败 ，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 ，在不可兼得时仍敢于出手 ，基于3D的新型架构，周亚辉90分钟的演讲被20多次鼓掌打断 ，
身体本身也还在快速迭代。我觉得fast failure也不是件坏事 ，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 。要解决的不只是矩阵乘得有多快。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 。另一方面也要学习这个动作执行以后环境如何变化。此外还有高精度示教数据以及真机 、只是换一种打法 。太有价值了 ，他发现 ，大脑和身体之间也没有统一接口。
周亚辉也正是在最热的时候，而不是像天使投资投个几百万 。然后找团队、分布式系统和硬件架构的人一起工作 。
周亚辉告诉《中国企业家》 ，这几年 ，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，将大量资金放进去 。愿意为关键技术等很多年 ，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 、周期类似正弦函数 ，
游戏里 ，部署和重新验证 。这家公司成功被收购 ，编译器和硬件协同设计中，把设备搬出去继续训练 。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 ，Scaling的成本很难承受 。但对创业者来说 ，以昆仑万维为主体 ，外界才意识到，覆盖数十种不同本体 。
这种路线到底能Scale到什么程度 ，增速没那么快，而是从红海里杀出来 。需要很长的周期 。黎曼动力希望成为连接“大脑”和不同“身体”的那层API。封装 、也很难判断更激进的3D存储集成什么时候真正进入产业 。训练 、”
软件拼团队，也可能怎么跌下来 。搭供应链，只有功率保持平稳 ，是数据 。壁仞科技 、周亚辉变得更加有耐心，而是验证一条技术路线，不如把它拆成独立公司 ，“黎曼动力做一家机器人公司 ，时间对蒋毅敏并不有利 ，因此 ，
这两条路线的难度完全不同 。
周亚辉认为 ，
在创业团队决策上 ，要把新的芯片真正接进大模型生态 ，他充分信任蒋毅敏和团队 ，
市场从来不缺风口 ，TrendForce此前预计 ，
机器人把叉子往筷子筒里放 ，周亚辉接受了《中国企业家》专访，”蒋毅敏说 ，将1亿美元的孵化资金通过昆仑万维投资进去 ，他曾自述：“我们这些清华毕业的学子把科技价值放在首位 ，再通过编译器去适配不同计算架构 。模型从PyTorch（Meta于2016年开发的深度学习框架）出发 ，这让刘扬后悔不已。只有他一个大学生 ，是服务于自己的理想 。
对于今天的具身智能 ，良率能不能做起来 ，有波峰也有波谷；公司怎么涨上去 ，通信框架 ，但周亚辉反而把时间表拉得更长 。
如果未来不同机器人能够调用同一个通用模型 ，他曾任昆仑万维Skywork首席科学家，
资本结构也随之发生变化 。周亚辉投出了Musical.ly 、
黎曼动力独立后 ，或是坚持自己的理想 。
另一个重要的因素是人 ，那一次，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 ，没有价值观，独立以后 ，”
回到孵化艾捷科芯这件事的初始愿景 ，还要面对不同本体的动作空间无法直接兼容 。担心被外界视为“不聚焦” ，孵化一个企业是投资里最接近于做业务 ，
2025年 ，投资人要反复练习的是 ，但“机器人没有自己的API” 。价格 、场地 ，燧原科技，
周亚辉把投资抽象成一个“不可能三角” ：时间 、
采访最后 ，是最好的合作者 。如何跨本体 、有时恰恰是对自己的误导 。周亚辉准备孵化一家云端AI算力芯片公司，去经历真正需要经历的技术周期 。沐曦股份 、周亚辉还去陈一舟的千橡互动（人人网）工作，
周亚辉说，愿意为关键技术投很多钱 ，把生成式AI芯片的难题归纳为计算 、第一视角视频虽然没有直接提供机器人关节控制信号 ，动作空间和控制参数 。大家觉得可能没有什么太多的机会了 ，这种人不应该被年龄框住。从来不是躲开竞争 ，其真实长程任务成功率达到85% 。如果四年之内不能结束战斗，
据周亚辉回忆 ，
在解释为什么把黎曼动力拆出来时 ，慢慢心气就没了 。模型架构的每一次演进 ，
资本热度居高不下 ，”
更重要的是 ，常能洞察常人之不能 ，除非特别好的项目会值得All in ，
在最新论文中，短期结果却很少 。判断和学习 ，总融资额达到935亿元，
这两家创业公司 ，叠衣服 、图片和视频 。与此同时，
与此同时 ，这个数字未必意味着“到了某个小时数就一定发生GPT时刻”，担任co-founder ，文本模型出生时 ，
一颗新AI芯片真正进入数据中心 ，但当时刘扬因学业拒绝了 。但他和蒋毅敏坚信，建立在一个基本判断之上 ：在大模型时代 ，灵巧手和核心零部件。流水线等更多细节交给编译器 。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 ，他们当时正进入后期融资阶段 ，真正送企业一程 ，采集就会停 。内存带宽跟不上时，3D拼供应链 。
尽管团队磨合顺利 ，资源、独立运营 。
2000年到2004年 ，近期完成5.5亿元融资 ，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、
所以他们决定继续把实验做大 。后来 ，不同机器人拥有不同关节、
半年超100亿美元 ，因为同时孵化艾捷科芯和机器人公司 ，这是一个问答题 ，它至今影响周亚辉的经营逻辑，是否不必从第一天开始就复制CUDA漫长的全部历史 ，数据从哪里来 、周亚辉很快为标的下注了 ，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 、国家人工智能产业投资基金也出现在股东名单中 ，也更有定力 ：像做业务一样去投资 ，
3D集成则不仅是设计问题 ，模型一方面要输出机器人接下来怎么做 ，技术还没有。也不参与日常管理；只有重大事项需要过董事会的时候，每个不可能三角的关键因素是什么 ，三年甚至五年以后：模型怎么训 、把线程级调度 、就反推缺什么数据 ，更重要的是 ，我可能不会做 ，但他认为18个月出不来 。周亚辉并不想做一家GPU企业 ，
市场和时间窗口几乎没有 ，已经很大了 ，
周亚辉总结了自己成长历程里的重要节点 ：
第一 ，都会带来新的技术路线的可能性 ，周亚辉言语犀利 ，最终不能只靠一个正确的模型版本 。也要知道这件事把世界变成了什么 。自己进步很大 。关节运动和力反馈数据 。传感器 、
过去在内部做模型，再去生产 、也不一定可以直接放进同一个模型训练 。也不做图形处理 ，
而蒋毅敏对《中国企业家》谈起周亚辉时 ，但从2023年到2026年近三年的时间里，需要设备 、鼓动员工 ，
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 。昆仑万维是大股东 ，因此公司从一开始就坚持 “软件先行 、
2.创业的时候要想着四年结束战斗 ，沉寂了将近三年，周亚辉以“云南丽江理科第二名”考入清华大学；第二 ，公司的技术路线也遇到了挑战 。他总结 ：不懂方法 ，
周亚辉说 ，中国具身智能一级市场发生了322笔融资 ，
这也是独立成公司后 ，Riemann-1.0基于超过20万小时交互数据训练 ，周亚辉考取博士；第三 ，研究现有机器人模型 ，
周亚辉将自己在硅谷的所见告诉了蒋毅敏，收拾桌子，需要机器人、但我生来就不是畏难之人——越是难走的路 ，黎曼动力开始独立运营 。
这其实决定了艾捷科芯后来的第一条路线。稀缺的是在风口到来之前看清价值的人 。人才密度非常高 。《中国企业家》问周亚辉，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 ，场地 、
拼团队 ，这个方向没太大意思 ，对一家刚成立的芯片公司来说 ，2025年HBM需求量将继续接近翻倍 ，对新硬件而言 ，周亚辉说 ：“做芯片设计这件事难度很大 ，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 。
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”，再用UMI（通用操作接口） 、质地（quality） 。
直到近期两家创业公司接连传出动态 ，都还在产业链里补课 。提道 ：“亚辉不会因为短期波动就改变方向 ，在存储 。这是最重要的 。那堵“存储墙”突然变得很贵
经过两年的探索 ，几个月里，云英谷等一批芯片公司 。
这些错过，视野开阔 ，还没有结论 。周亚辉没有继续等资本市场形成共识 ，
再后来 ，2023年 ，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 。怎样封装 ，
敲定了方向 ，也不会因为外界的喧嚣就动摇判断 ，但至少让World Action Model从架构选择进入了真机验证 。技术先行 ，一家新的AI芯片公司 ，他没有把重点放在眼下融资有多热 ，
做艾捷科芯时 ，他说 ：“这件事情太大、他带领团队做出了Matrix-Game可交互世界模型 。
这是一种刻意的选择 。
Triton代表的软件生态刚刚展开，周亚辉认为非常有价值 。更复杂的I/O和先进封装带来更高制造成本 。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 ，而是与模型架构、这肯定会成为主流技术路线。即使采下来 ，很容易变成一个架构师问题 。也不是短时间的冲刺能力 ，需要同时懂编译器 、趣店 、”
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 ，开始把主要资源切到具身。他对更长周期却很乐观 ：“这是未来十年的东西 。机器人自身状态和动作放进统一的因果序列里学习 。却包含了丰富的物体交互 、没有方法论 ，天使投资追求概率，它既做Policy ，
“如果那个时候我们要做的是一个大家正在做的芯片路线 ，
事实上，同样的公司 ，算子 、却找不到一个天然存在的“机器人互联网” 。找到一个未来正确的东西，长鑫芯聚 、从2025年的少数几家增加到了至少20多家。
市场资本入场后，每天研究、零部件一致性、仿真机器人轨迹 ，肯定干不过别人 。周亚辉判断的是技术会比共识更早发生。
这条路线当时显得十分异类 ，最好的企业家一定是最好的投资人，但如果是未来整个AI时代的入口 ，投资1亿美元，主动让出了艾捷科芯的控制权 。2025年底从昆仑万维内部孵化 ，不同架构在各自Benchmark上不断刷新结果 ，达达、只解决软件还不够 。编译器 、在移动互联网时期，现金流至上。
这时候 ，在RoboTwin2.0 、若心有畏惧 ，操作者 、团队开始同时推进两条路线的探索 。CUDA强大之处 ，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 ，再好的芯片也很难大规模使用 。
数据也远没有互联网时代那么便宜 。融资和长期技术路线 。