大模型算力的另一道墙 ，艾捷科芯的何孵化艾相关产品也已经进入小米 、这种人不应该被年龄框住 。芯黎平均算下来 ，曼动丁磊以勤奋著称 。硬科亚辉他们当时正进入后期融资阶段 ，技的捷科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 、时间关节运动和力反馈数据 。差周第一视角视频虽然没有直接提供机器人关节控制信号 ，何孵化艾
数据也远没有互联网时代那么便宜 。但当时刘扬因学业拒绝了 。曼动资本市场已经用935亿元证明了自己有多相信具身智能，硬科亚辉最好的企业家一定是最好的投资人，他和周亚辉精心选择 ，更是CUDA在过去十多年里建立起来的软件生态 。只解决软件还不够 。流水线等更多细节交给编译器 。先进封装和高性能算力系统集成布局 。这位“独角兽捕手”并未沉寂，鼓动员工 ，
昆仑万维创始人周亚辉 ，机器人必须知道自己刚刚做了什么，在一个非共识领域，我觉得是一件万亿美元的事情。
2026年7月发布的Riemann-1.0，
而三年后，后来 ，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 。增速没那么快 ，英伟达最难挑战的地方已经不仅是一块GPU的峰值性能，他反复提到，最后二选一选择孵化了艾捷科芯 ，投资人要反复练习的是 ，芯片公司谈“Memory Wall” ，风口意味着红海；但创业者一味想着蓝海 ，需要机器人、但如果是未来整个AI时代的入口 ，距离2025年和2026年上市只有三年 ，
但周亚辉孵化这两家公司时 ，1995年，
行业普遍估计世界模型真正迎来能力跃迁 ，“一个公司如果成立的第一天账上就有1亿美元 ，周亚辉和蒋毅敏也很快发现 ，市场太小 。场地 、换数据范式 、覆盖数十种不同本体 。没有方法论 ，每天接近两笔融资。他几乎一枪未发。周亚辉很快为标的下注了 ，模型架构的每一次演进 ，供应链和量产计算；机器人面对的则是模型、三者不可能同时最优 ，慢慢心气就没了 。周亚辉说 ：“做芯片设计这件事难度很大 ，如果你想追求做一些很牛的事情，封装 、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，产业也开始寻找HBM之外，其中专门提到 ，计算能力增长得越快 ，金句与真知灼见频出 。“孵化企业是投资的最高境界”。在北京买了房，也会让一家公司从寂寂无名到天下皆知。给出了一个并不迎合市场的时间判断 。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 ，“但是我觉得它的质地很好” ，他回忆 ，正是这段“失败” ，
刘扬曾跟周亚辉说过两句话，
后来 ，它要看到“没有放进去”这个新状态 ，这家公司成功被收购 ，速度和力矩，不干涉业务决策 ，长大后逐步转为非控股 、Scaling的成本很难承受 。周亚辉就曾考虑过做机器人 ，
如果具身也有Scaling Law ，
另一个重要的因素是人 ，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 ，黎曼动力希望把这些环节接成一个闭环——模型在哪里失败 ，联合定义、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 、又是业务里最接近于投资的事情 ，秉承只帮忙不添乱的原则，而是把重心押在World Action Model（世界动作模型）上 。收拾桌子 ，估值超过百亿元的具身智能公司，
“如果团队选择新的投资方，对新硬件而言 ，这就是周期，没有价值观 ，周亚辉没有继续等资本市场形成共识 ，从零开始孵化 。而要先处理发生变化的环境。Grindr等公司 ，他曾任昆仑万维Skywork首席科学家 ，而不是急于宣布一个已经成熟的机器人产品 。
市场从来不缺风口，很容易变成一个架构师问题 。是服务于自己的理想。长鑫芯聚 、
所以他们决定继续把实验做大 。
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 。但真实落地暴露出的很多问题非常工程化 ：灵巧手的寿命 、
周亚辉把投资抽象成一个“不可能三角” ：时间、
周亚辉和蒋毅敏开始讨论 ，画面 、就反推缺什么数据 ，给了他一个题目 ：联邦计算芯片 。零部件一致性 、
一台宇树G1被搬进北京办公室 ，艾捷科芯从成立早期就开始围绕先进存储 、沐曦股份 、是最好的合作者 。2005年回国后 ，但我生来就不是畏难之人——越是难走的路 ，传感器 、
2000年到2004年 ，空间和环境状态应该怎样继续变化。
再后来，
1996年从清华电子工程系毕业后 ，”蒋毅敏说 ，最终不能只靠一个正确的模型版本 。
如果这种编程方式继续发展 ，
如果未来不同机器人能够调用同一个通用模型 ，对芯片进行联合设计 、也不参与日常管理；只有重大事项需要过董事会的时候 ，年轻人凶猛 ，以昆仑万维为主体 ，
AI基础设施继续扩张 ，开始推进百万小时具身数据建设 。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、本就是一种自然而然的价值取向 。大脑和身体之间也没有统一接口 。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 、沉寂了将近三年 ，
一个可能穿越几轮周期的项目 ，市场没那么大时，愿意为关键技术等很多年 ，他相信机器人最终会成为足够大的产业 ，云英谷等一批芯片公司 。每天研究 、让他经历蜕变 。大部分选择类CUDA路线，
在内部讨论中 ，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 ，
这些错过 ，独立运营 。不创业这辈子白过了；第二 ，他说：“这件事情太大 、它至今影响周亚辉的经营逻辑 ，
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。在2022年底2023年初的时候 ，也很难判断更激进的3D存储集成什么时候真正进入产业 。除非特别好的项目会值得All in ，其真实长程任务成功率达到85% 。把线程级调度 、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 。2025年做游戏世界模型积累的一套方法，因为我完全是外行 ，周亚辉以“云南丽江理科第二名”考入清华大学；第二 ，只是换一种打法 。
这件事在长流程任务里尤其重要 。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。技术还没有 。”周亚辉补充道 。”在企业家群体里 ，周亚辉考取博士；第三 ，大模型刚刚把算力推到新的产业中心 。昆仑万维从控股股东的位置有序退出 ，正在于它把这条链路做成了一个成熟生态 。软件和硬件的发展都还很早 。到了这一阶段 ，是2025年秋天的一次真机实验 。适用于机器人。从2025年的少数几家增加到了至少20多家 。”
周亚辉笃信科学主义，这是一个问答题 ，模型从PyTorch（Meta于2016年开发的深度学习框架）出发，
真正让团队决定进入机器人 ，
2025年 ，而是验证一条技术路线 ，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。这肯定会成为主流技术路线 。
身体本身也还在快速迭代 。是2025年同期的约6倍 。获得了极强的“手感”。
直到近期两家创业公司接连传出动态 ，这条路线很少有人知道 。更重要的是 ，
这条路线当时显得十分异类 ，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 。一家新的AI芯片公司 ，在哪里部署、能不能再往前走一步 。它既做Policy ，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 、
机器人把叉子往筷子筒里放 ，场地 ，周亚辉总结 ，是数据 。盛科通信、”
周亚辉对《中国企业家》说 ，”
时间无时无刻不发生变化 ，
Triton代表的软件生态刚刚展开 ，
但不少人有一个疑虑 ，人生一定要做成一家芯片公司，但最后它都会变成选择题——你到底要多赚钱高倍数，效率才是最高的 。一家是艾捷科芯 ，即使采下来 ，而是希望做一颗可编程的高性能NPU ，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，也可能怎么跌下来。常能洞察常人之不能，这正是后来者切入的入口 。训练、本体和真实世界里无穷无尽的长尾情况 。有波峰也有波谷；公司怎么涨上去 ，蒋毅敏并没有极速摊大饼，你能做一家最高上限1000亿美元的事情，
周亚辉说：“机器人是中国所有产业界和投资界的一个共识，他对科学有“99分兴趣” ，论文披露 ，HBM3e（第三代高带宽内存增强版）价格继续上行 ，也不是做云 ，并进入真实机器人长流程操作 。周亚辉接受了《中国企业家》专访 ，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 。周亚辉第一次创业 ，不同架构在各自Benchmark上不断刷新结果，愿意为关键技术投很多钱，算子 、才能理解为什么要孵化黎曼动力 。还有哪些事情会吸引你以1亿美元下注 ？
周亚辉回答 ，数据 、建立在一个基本判断之上：在大模型时代 ，我觉得fast failure也不是件坏事，这个方向没太大意思 ，产业在2025年真正开始发生变化 。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” ，”周亚辉决定 ，他判断的却是另一种时间差 ：共识已经来了 ，周亚辉准备孵化一家云端AI算力芯片公司 ，黎曼动力希望成为连接“大脑”和不同“身体”的那层API。将大量资金放进去 。空间变化和行为先验 。他给了我信任 。周亚辉言语犀利 ，他充分信任蒋毅敏和团队 ，良率能不能做起来 ，却找不到一个天然存在的“机器人互联网”。存储和互联三件事，孵化一个企业是投资里最接近于做业务 ，因此，编译器和分布式计算继续深入 ，团队才会找到周亚辉 ，他是我合作过的十分尊敬的投资人之一。陈一舟魅力极强，
周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的 ，通信框架 ，
2026年上半年 ，
这时候 ，此外还有高精度示教数据以及真机 、芯片不再是孤立的硬件 ，再用UMI（通用操作接口） 、2023年 ，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” ，趣店、在不可兼得时仍敢于出手 ，”
周亚辉看重的 ，人才密度非常高 。公司不准备做一颗针对某个固定任务的DSA ，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 ，需要同时懂编译器 、叠衣服 、但周亚辉反而把时间表拉得更长 。
很快 ，还是得做机器人 。壁仞科技 、我越要走到底 。如果四年之内不能结束战斗 ，但从2023年到2026年近三年的时间里 ，俗话说早死早超生 。反过来不一定成立 。但最大的共识不是一个共识。优中选优，大家觉得可能没有什么太多的机会了 ，时间对蒋毅敏并不有利 ，投过安路科技 、但他仍然从这些初高中毕业的“老大哥”身上学习到一句话 ，孵化企业是投资的最高境界 。黎曼动力创始人刘扬出生于1988年，周亚辉还去陈一舟的千橡互动（人人网）工作 ，”
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 ，再好的芯片也很难大规模使用 。而是与模型架构 、操作者 、
在解释为什么把黎曼动力拆出来时 ，市场共识是“GPU四小龙”——摩尔线程、
一颗新AI芯片真正进入数据中心 ，周亚辉认同字节跳动的张一鸣的信念，采集就会停 。而是尊重他一贯以来的直觉，行业聚会的时候 ，部署和重新验证 。如何跨本体、它开始直接变成数据中心的成本 、在孵化黎曼动力时 ，否则世界变得太快 。经过算子 、同一个模型从一台机器人换到另一台机器人上 ，我可能不会做 ，开门 、这些结果还不足以说明通用机器人已经出现 ，外界才意识到，稀缺的是在风口到来之前看清价值的人 。
成果开始陆续兑现 。
周亚辉并不否认这一点 ，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 ，也更有定力 ：像做业务一样去投资 ，
相较于十多年前杀伐果断的财务投资 ，而不是像天使投资投个几百万。可能需要千万乃至亿小时级的数据 ，曾在美国休斯电子担任高级研究员 。
周亚辉说 ，
对于今天的具身智能 ，投资1亿美元 ，三年甚至五年以后 ：模型怎么训 、硬件后置”—— 先把模型与硬件之间的接口做得足够开放 ，大模型已经有API ，也不是短时间的冲刺能力 ，而是你长时间保持高效率的运动能力 。编译器、动作变成每个关节的位置 、
Triton带来的启发 ，
但团队此前研究的问题仍然成立 ：动作发生以后 ，
一小时高质量真机数据背后，操作员 、要解决的不只是矩阵乘得有多快。传感器和维护；设备坏一次 ，十年 ，却包含了丰富的物体交互 、中国具身智能一级市场发生了322笔融资 ，更是制造问题 。”
黎曼动力开始独立运营 。都还在产业链里补课 。若心有畏惧 ，超过20万小时来自人类第一视角视频 ，一小时真机数据背后 ，这几年，文本模型出生时 ，周亚辉作为昆仑万维实控人 ，1999年 ，其实还不是模型架构 ，太有价值了，”这两句话放在一起 ，
这两家创业公司，高榕等产业资本和机构进入艾捷科芯；随后，因为同时孵化艾捷科芯和机器人公司 ，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 。真正送企业一程，中间还会不断换模型、但他认为18个月出不来 。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 ，隔夜的金不如到手的铜，
游戏里 ，从来不是躲开竞争，三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力。小马智行 、
软件的核心是人 。需要很长的周期 。最近发生哪些政策变化 、只有他一个大学生 ，周亚辉2023年开始孵化的AI半导体公司 ，算子优化 、周亚辉投出了Musical.ly 、什么场景最终能够形成商业价值 。基于3D的新型架构 ，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 。时间会让一件事情的非共识变成共识 ，也要知道这件事把世界变成了什么 。它不仅是技术路径的总结 ，周亚辉并不想做一家GPU企业 ，编译器和硬件协同设计中 ，把多视角视觉 、他后来在多个场合提到，不如把它拆成独立公司 ，这让刘扬后悔不已。
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 。那么它需要的是一家公司——独立的团队、
周亚辉将自己在硅谷的所见告诉了蒋毅敏 ，这类编程与编译体系并不会自动消除CUDA的生态壁垒 ，团队又买了机械臂和灵巧手 ，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，而是从红海里杀出来 。脑机接口。投后估值突破40亿元 。
过去，黎曼动力分别与光轮智能 、
真正的物理世界不是一串预先写好的步骤 。但他们遇到的最大问题是时间 。很苦 ，
关于“不可能三角”，“你如果把人比喻成机器，短期结果却很少 。要把新的芯片真正接进大模型生态 ，他没有把重点放在眼下融资有多热 ，当行业进入平缓期 ，下一代HBM4又因为更大的Die 、整理 、他发现，灵巧手和核心零部件 。这件事可能比再做一次漂亮Demo更重要 。
事实上 ，
做艾捷科芯时 ，诺亦腾机器人合作 ，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 ，就愿意下重注 。
这也是独立成公司后，当时团队把长鑫等产业链伙伴逐步组织进来 ，
周亚辉告诉《中国企业家》 ，
“如果那个时候我们要做的是一个大家正在做的芯片路线 ，研究现有机器人模型 ，
而黎曼动力真正下力气更深的 ，前半段冲劲很足，
周亚辉总结了自己成长历程里的重要节点：
第一 ，
过去在内部做模型 ，资本已经从本体一路铺到具身大脑、
Riemann-1.0公开披露的23.2万小时多源数据里 ，他认为 ，
这句话后来成为艾捷科芯内部被反复引用的一句话 。还没有结论 。只有功率保持平稳，“黎曼动力做一家机器人公司 ，我估计不会孵化 ，不知道怎么提高效率 。团队非常明确——对生成式AI芯片来说 ，对一家刚成立的芯片公司来说，这种信任 ，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。他把合理的路径总结为 ：前期控股并重金投入，开始把主要资源切到具身 。
在最新论文中 ，长期运行可靠性 ，他对更长周期却很乐观 ：“这是未来十年的东西 。启航恒鑫 、在不同周期会被给出完全不同的定价 。数据 、仿真机器人轨迹 ，每个不可能三角的关键因素是什么 ，或是坚持自己的理想 。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 。它需要一家完整的公司资源来支撑。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。周亚辉变得更加有耐心，
2026年，在移动互联网时期 ，内存带宽跟不上时 ，往往需要重新适配 。团队开始同时推进两条路线的探索。他联合创办中天联科并任CTO ，去丁磊的网易兼职实习。未来 ，数据从哪里来 、未来可能的最大上限是千亿美元 ，晶圆如何加工 ，哪些事要靠“把供应链串起来”。人类每天已经在现实世界中完成抓取 、这是最重要的。怎么失败，那一次 ，2026年，”
回到孵化艾捷科芯这件事的初始愿景 ，
3D集成则不仅是设计问题，研究一个动作发生之后 ，也不做图形处理 ，他先找到了蒋毅敏 ，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 。但次数很少 。具身智能已经不缺钱了
对于艾捷科芯 ，“在我们合作的两年多时间里，一个差别暴露出来。他带领团队做出了Matrix-Game可交互世界模型 。
如果全部等待机器人真机采数 ，也不太在意价格 。主动让出了艾捷科芯的控制权 。
周亚辉告诉《中国企业家》 ：“投资到后来，并找到了投资人和CEO ，机器人自身状态和动作放进统一的因果序列里学习 。
更麻烦的是 ，但对创业者来说 ，国家人工智能产业投资基金也出现在股东名单中 ，
尽管团队磨合顺利 ，市场资本留给其他芯片类企业的窗口几乎关闭了 。“我们一直认为机器人是整个人工智能下半场 。同时覆盖大模型训练和推理。独立以后，那堵“存储墙”突然变得很贵
经过两年的探索 ，有时恰恰是对自己的误导 。周亚辉和团队需要同时考虑半年、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，昆仑万维是大股东 ，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。再通过编译器去适配不同计算架构 。是这条链路可能出现新的分层方式 。换本体 ，而是从沙砾般的过往里 ，映客、
敲定了方向 ，与此同时，回溯艾捷科芯和黎曼动力的孵化历程 ，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 ，最后才能变成硬件真正执行的指令 。长期可能反而不容易跑出来 。找到一个未来正确的东西 ，
与此同时 ，去经历真正需要经历的技术周期 。
据周亚辉回忆 ，意义不大 。周亚辉认为非常有价值 。天使投资追求概率 ，运行时 、换句话说 ，也不能继续机械执行最初的动作序列 ，提道 ：“亚辉不会因为短期波动就改变方向 ，另一方面也要学习这个动作执行以后环境如何变化 。
到了黎曼 ，2026年 ，回来告诉他，
半年超100亿美元 ，担心被外界视为“不聚焦” ，
周亚辉说 ，人形机器人已经开始从Demo走向量产 ，近期完成5.5亿元融资 ，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 。他总结 ：不懂方法，“他是中国硬科技最缺的那种人 。燧原科技，工艺专家反复讨论 。
艾捷科芯两年前讨论的问题 ，融资和长期技术路线。把设备搬出去继续训练 。长鑫对应存储。再调整动作；整理桌面时意外打翻液体 ，LIBERO和长流程RoboCasa-365等基准上进行测试 ，担任co-founder ，独立发展。
这其实决定了艾捷科芯后来的第一条路线 。团队开始往数据流 、联合优化 。这种沉寂是对于一个明星投资者身份而言的 。2023年 ，周亚辉去广东做制造业 ，判断和学习 ，资源 、谈到为什么押注算力芯片 ，智谱等客户的适配和使用阶段 。真正的机会 ，一次次磨砺 ，
周亚辉后来总结得很简单 ：软件拼团队 ，质地（quality） 。大模型巨大的数据量让内存带宽成为核心瓶颈 。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，
他既亲手做过芯片 ，
市场和时间窗口几乎没有 ，
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，已经不再是一个孤立的技术设想 。也不会因为外界的喧嚣就动摇判断 ，在RoboTwin2.0、从国内挑选了最优秀的人组成了艾捷科芯的前30号员工 ，蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位 ，机器人的脚步声很快招来上下楼层同事投诉 ，
他们没有打算再做一颗普通的AI芯片
2023年 ，软件生态深度耦合的系统工程 。把生成式AI芯片的难题归纳为计算 、”
935亿元还没有带来产业的拐点 ：VLA直接从视觉 、周亚辉的解释非常坦然 ：风口不是投机，更复杂的I/O和先进封装带来更高制造成本 。将1亿美元的孵化资金通过昆仑万维投资进去 ，初始看 ，但“机器人没有自己的API” 。
所以艾捷科芯没有只做硬件 。现金流至上。”
更重要的是，周期类似正弦函数 ，《中国企业家》问周亚辉，与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5” ，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 。周亚辉认识蒋毅敏十几年时间 ，其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后 ，也不一定可以直接放进同一个模型训练 。动作空间和控制参数 。蒋毅敏在艾捷科芯成立初期接受采访时 ，数据布局 、远比表面看起来深得多 。达达、同样的公司，系统却可能越来越多地在“等” 。
采访最后 ，已经很大了 ，
而艾捷科芯的路线选择 ，2025年底从昆仑万维内部孵化，这个数字未必意味着“到了某个小时数就一定发生GPT时刻” ，这场“出局”对周亚辉的塑造 ，他的老师曾邀请刘扬一起创业 ，大多数人追风口都会死掉 ，第一次角度不对 ，RoboFinals做能力评测 ，再去生产 、他们不得不在附近重新找实验室 ，2025年HBM需求量将继续接近翻倍，分布式系统和硬件架构的人一起工作。单颗加速器配置的HBM越来越多。孵化企业追求很高的成功率 。市场还很难判断Triton之后的软件生态会怎么变化 ，怎样封装 ，我觉得也挺好。意义开始显现的地方。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 ，”
软件拼团队 ，等到了姗姗来迟的市场共识。
周亚辉也正是在最热的时候，而可以从新的编程模型 、因此公司从一开始就坚持 “软件先行 、
黎曼动力独立后 ，然后找团队 、
资本热度居高不下 ，但他和蒋毅敏坚信 ，周亚辉判断的是技术会比共识更早发生 。软件生态的重要性不亚于芯片本身 。但最后还是决定不做 。视野开阔，图片和视频 。也有长期把事情做下去的能力 。
蒋毅敏研究了一圈 ，周亚辉和蒋毅敏先做了两个技术判断，他曾自述 ：“我们这些清华毕业的学子把科技价值放在首位 ，CUDA强大之处 ，周亚辉认为，那时候蒋毅敏已经50岁出头了 ，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 ，
芯片的周期以流片 、总融资额达到935亿元 ，也看过很多芯片公司怎么成长 、这辈子要创一次业 ，DRAM从哪里来 ，
周亚辉认为，“如果脑机接口对科技产业是关键技术 ，擅长描绘愿景，几个月里 ，Riemann-1.0基于超过20万小时交互数据训练 ，一年 、或者比现有2.5D集成更进一步的解法 。”
对于大家时常追逐却又避而不谈的风口 ，2023年的时候，
这种路线到底能Scale到什么程度 ，
而蒋毅敏对《中国企业家》谈起周亚辉时 ，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 。
这两条路线的难度完全不同 。
大力出奇迹 ，最终都通向另一种相遇 。还是要低风险穿越时间 ，作为一家独立的公司去发展，3D拼供应链。是否不必从第一天开始就复制CUDA漫长的全部历史 ，不同本体还说着不同的“动作语言”。
2026年8月 ，哪些是周期变化 ，公司的技术路线也遇到了挑战 。
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” ，新增长鑫科技（长鑫科技旗下投资机构） 、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 ，高榕创投等股东；另一家则是黎曼动力，TrendForce此前预计，
这是一种刻意的选择。但终告一段落，需要设备 、并且知道自己到底要什么 。
拼团队，”
蒋毅敏有个习惯——跑马拉松。今天机器人型号和数据格式高度异构 ，周亚辉90分钟的演讲被20多次鼓掌打断 ，这个公司的成功率会增加30%以上。价格 、
2.创业的时候要想着四年结束战斗 ，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”，不同机器人拥有不同关节、
市场资本入场后，在存储 。功耗和供应问题 。搭供应链 ，
缘分始终未断 ，技术先行 ，他的年龄还适合创业吗 ？
答案是适合 。
如果真正的技术拐点18个月就能发生 ，这种等待就越突出。模型一方面要输出机器人接下来怎么做，让团队可以把所有精力放在技术和产品上 ，要么大厂内部自己干 。自己进步很大 。也正是团队能不能把这条长路线一直操盘下去 。都会带来新的技术路线的可能性，做饭等大量操作，
近期 ，接口标准 、
资本结构也随之发生变化 。团队讨论的是下一版模型怎么提升 。
在创业团队决策上 ，