硬科技的时间差——周亚辉如何孵化艾捷科芯与黎曼动力？

昆仑万维创始人周亚辉，沉寂了将近三年，这种沉寂是对于一个明星投资者身份而言的。在移动互联网时期，周亚辉投出了Musical.ly、小马智行、趣店、达达、映客、Grindr等公司，但从2023年到2026年近三年的时间里，他几乎一枪未发。

直到近期两家创业公司接连传出动态，外界才意识到，这位“独角兽捕手”并未沉寂，只是换一种打法。

这两家创业公司，一家是艾捷科芯，周亚辉2023年开始孵化的AI半导体公司，近期完成5.5亿元融资，新增长鑫科技（长鑫科技旗下投资机构）、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，独立运营。

市场从来不缺风口，稀缺的是在风口到来之前看清价值的人。谈到为什么押注算力芯片，他说：“这件事情太大、太有价值了，人生一定要做成一家芯片公司，若心有畏惧，我可能不会做，但我生来就不是畏难之人——越是难走的路，我越要走到底。”

对于大家时常追逐却又避而不谈的风口，周亚辉的解释非常坦然：风口不是投机，大多数人追风口都会死掉，风口意味着红海；但创业者一味想着蓝海，有时恰恰是对自己的误导。真正的机会，从来不是躲开竞争，而是从红海里杀出来。

近期，周亚辉接受了《中国企业家》专访，周亚辉言语犀利，视野开阔，常能洞察常人之不能，金句与真知灼见频出。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，周亚辉90分钟的演讲被20多次鼓掌打断，那一次，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，这是最重要的。

2.创业的时候要想着四年结束战斗，除非特别好的项目会值得All in，否则世界变得太快。如果四年之内不能结束战斗，我觉得fast failure也不是件坏事，俗话说早死早超生。

相较于十多年前杀伐果断的财务投资，这几年，周亚辉变得更加有耐心，也更有定力：像做业务一样去投资，从零开始孵化。回溯艾捷科芯和黎曼动力的孵化历程，他认为，孵化企业是投资的最高境界。最好的企业家一定是最好的投资人，反过来不一定成立。

周亚辉把投资抽象成一个“不可能三角”：时间、价格、质地（quality）。三者不可能同时最优，投资人要反复练习的是，在不可兼得时仍敢于出手，并且知道自己到底要什么。

周亚辉说，周期类似正弦函数，有波峰也有波谷；公司怎么涨上去，也可能怎么跌下来。同样的公司，在不同周期会被给出完全不同的定价。

关于“不可能三角”，周亚辉认为，初始看，这是一个问答题，每个不可能三角的关键因素是什么，最近发生哪些政策变化、哪些是周期变化，但最后它都会变成选择题——你到底要多赚钱高倍数，还是要低风险穿越时间，或是坚持自己的理想。

1.他们没有打算再做一颗普通的AI芯片

2023年，周亚辉准备孵化一家云端AI算力芯片公司，他先找到了蒋毅敏，给了他一个题目：联邦计算芯片。

蒋毅敏研究了一圈，回来告诉他，这个方向没太大意思，市场太小。

周亚辉将自己在硅谷的所见告诉了蒋毅敏，2023年，大模型刚刚把算力推到新的产业中心。英伟达最难挑战的地方已经不仅是一块GPU的峰值性能，更是CUDA在过去十多年里建立起来的软件生态。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，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，更多底层调度和优化交给编译器完成。

如果这种编程方式继续发展，一家新的AI芯片公司，是否不必从第一天开始就复制CUDA漫长的全部历史，而可以从新的编程模型、编译器和硬件协同设计中，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。

1996年从清华电子工程系毕业后，蒋毅敏在美国马里兰大学取得电机工程硕士和博士学位，曾在美国休斯电子担任高级研究员。2005年回国后，他联合创办中天联科并任CTO，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，投过安路科技、盛科通信、云英谷等一批芯片公司。

他既亲手做过芯片，也看过很多芯片公司怎么成长、怎么失败，是最好的合作者。

但不少人有一个疑虑，那时候蒋毅敏已经50岁出头了，他的年龄还适合创业吗？

答案是适合。周亚辉说：“做芯片设计这件事难度很大，需要很长的周期。年轻人凶猛，前半段冲劲很足，长期可能反而不容易跑出来。当行业进入平缓期，增速没那么快，市场没那么大时，慢慢心气就没了。”

周亚辉对《中国企业家》说，“他是中国硬科技最缺的那种人。这种人不应该被年龄框住。”

蒋毅敏有个习惯——跑马拉松。周亚辉认识蒋毅敏十几年时间，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，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。“你如果把人比喻成机器，只有功率保持平稳，效率才是最高的。”

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，意义不大。公司不准备做一颗针对某个固定任务的DSA，也不做图形处理，而是希望做一颗可编程的高性能NPU，同时覆盖大模型训练和推理。

敲定了方向，周亚辉很快为标的下注了，以昆仑万维为主体，投资1亿美元，而不是像天使投资投个几百万。

周亚辉告诉《中国企业家》，孵化一个企业是投资里最接近于做业务，又是业务里最接近于投资的事情，“孵化企业是投资的最高境界”。天使投资追求概率，孵化企业追求很高的成功率。

大力出奇迹，周亚辉认同字节跳动的张一鸣的信念，“一个公司如果成立的第一天账上就有1亿美元，这个公司的成功率会增加30%以上。”

更重要的是，团队非常明确——对生成式AI芯片来说，软件生态的重要性不亚于芯片本身。

这其实决定了艾捷科芯后来的第一条路线。

一颗新AI芯片真正进入数据中心，要解决的不只是矩阵乘得有多快。模型从PyTorch（Meta于2016年开发的深度学习框架）出发，经过算子、编译器、运行时、通信框架，最后才能变成硬件真正执行的指令。CUDA强大之处，正在于它把这条链路做成了一个成熟生态。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，再好的芯片也很难大规模使用。

Triton带来的启发，是这条链路可能出现新的分层方式。

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，把线程级调度、数据布局、流水线等更多细节交给编译器。对新硬件而言，这类编程与编译体系并不会自动消除CUDA的生态壁垒，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，再通过编译器去适配不同计算架构。

所以艾捷科芯没有只做硬件。团队开始往数据流、算子、编译器和分布式计算继续深入，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。

这条路线当时显得十分异类，大部分选择类CUDA路线，2023年，市场共识是“GPU四小龙”——摩尔线程、沐曦股份、壁仞科技、燧原科技，他们当时正进入后期融资阶段，距离2025年和2026年上市只有三年，市场资本留给其他芯片类企业的窗口几乎关闭了。

周亚辉并不否认这一点，他回忆，时间对蒋毅敏并不有利，大家觉得可能没有什么太多的机会了，“但是我觉得它的质地很好”，在一个非共识领域，找到一个未来正确的东西，周亚辉认为非常有价值。

市场和时间窗口几乎没有，公司的技术路线也遇到了挑战。周亚辉和蒋毅敏也很快发现，只解决软件还不够。

大模型算力的另一道墙，在存储。

而蒋毅敏对《中国企业家》谈起周亚辉时，提道：“亚辉不会因为短期波动就改变方向，也不会因为外界的喧嚣就动摇判断，”蒋毅敏说，“在我们合作的两年多时间里，他给了我信任。这种信任，让团队可以把所有精力放在技术和产品上，他是我合作过的十分尊敬的投资人之一。”

2.软件拼团队，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”，系统却可能越来越多地在“等”。

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。计算能力增长得越快，内存带宽跟不上时，这种等待就越突出。蒋毅敏在艾捷科芯成立初期接受采访时，把生成式AI芯片的难题归纳为计算、存储和互联三件事，其中专门提到，大模型巨大的数据量让内存带宽成为核心瓶颈。

周亚辉和蒋毅敏开始讨论，能不能再往前走一步。

据周亚辉回忆，他们当时找了国内一批芯片设计、工艺专家反复讨论。与此同时，艾捷科芯从成立早期就开始围绕先进存储、先进封装和高性能算力系统集成布局。

这两条路线的难度完全不同。

软件的核心是人。要把新的芯片真正接进大模型生态，需要同时懂编译器、算子优化、分布式系统和硬件架构的人一起工作。

3D集成则不仅是设计问题，更是制造问题。基于3D的新型架构，DRAM从哪里来，晶圆如何加工，怎样封装，良率能不能做起来，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。当时团队把长鑫等产业链伙伴逐步组织进来，长鑫对应存储。

周亚辉后来总结得很简单：软件拼团队，3D拼供应链。

这句话后来成为艾捷科芯内部被反复引用的一句话。它不仅是技术路径的总结，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”，哪些事要靠“把供应链串起来”。

拼团队，蒋毅敏并没有极速摊大饼，他和周亚辉精心选择，优中选优，从国内挑选了最优秀的人组成了艾捷科芯的前30号员工，人才密度非常高。

在创业团队决策上，昆仑万维是大股东，周亚辉作为昆仑万维实控人，他充分信任蒋毅敏和团队，秉承只帮忙不添乱的原则，不干涉业务决策，也不参与日常管理；只有重大事项需要过董事会的时候，团队才会找到周亚辉，但次数很少。

而艾捷科芯的路线选择，建立在一个基本判断之上：在大模型时代，芯片不再是孤立的硬件，而是与模型架构、软件生态深度耦合的系统工程。因此公司从一开始就坚持 “软件先行、硬件后置”—— 先把模型与硬件之间的接口做得足够开放，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，对芯片进行联合设计、联合定义、联合优化。模型架构的每一次演进，都会带来新的技术路线的可能性，这正是后来者切入的入口。

尽管团队磨合顺利，但他们遇到的最大问题是时间。2023年的时候，软件和硬件的发展都还很早。

Triton代表的软件生态刚刚展开，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，对一家刚成立的芯片公司来说，这意味着研发周期很长，短期结果却很少。

这时候，周亚辉没有继续等资本市场形成共识，而是尊重他一贯以来的直觉，将1亿美元的孵化资金通过昆仑万维投资进去，团队开始同时推进两条路线的探索。

周亚辉告诉《中国企业家》：“投资到后来，是服务于自己的理想。如果你想追求做一些很牛的事情，那你可能就不太在意时间，也不太在意价格。”

回到孵化艾捷科芯这件事的初始愿景，周亚辉并不想做一家GPU企业，也不是做云，而是验证一条技术路线，这条路线很少有人知道。但他和蒋毅敏坚信，未来，这肯定会成为主流技术路线。

“如果那个时候我们要做的是一个大家正在做的芯片路线，我估计不会孵化，因为我完全是外行，肯定干不过别人。”

时间无时无刻不发生变化，这就是周期，时间会让一件事情的非共识变成共识，也会让一家公司从寂寂无名到天下皆知。

3.2025年，那堵“存储墙”突然变得很贵

经过两年的探索，产业在2025年真正开始发生变化。

AI基础设施继续扩张，单颗加速器配置的HBM越来越多。TrendForce此前预计，2025年HBM需求量将继续接近翻倍，其在DRAM产业总产值中的占比可能超过30%；实际进入2025年后，HBM3e（第三代高带宽内存增强版）价格继续上行，下一代HBM4又因为更大的Die、更复杂的I/O和先进封装带来更高制造成本。

过去，芯片公司谈“Memory Wall”，很容易变成一个架构师问题。到了这一阶段，它开始直接变成数据中心的成本、功耗和供应问题。产业也开始寻找HBM之外，或者比现有2.5D集成更进一步的解法。

艾捷科芯两年前讨论的问题，已经不再是一个孤立的技术设想。

成果开始陆续兑现。

资本结构也随之发生变化。2026年，长鑫芯聚、启航恒鑫、高榕等产业资本和机构进入艾捷科芯；随后，国家人工智能产业投资基金也出现在股东名单中，投后估值突破40亿元。艾捷科芯的相关产品也已经进入小米、智谱等客户的适配和使用阶段。

资本热度居高不下，技术先行，等到了姗姗来迟的市场共识。

市场资本入场后，昆仑万维从控股股东的位置有序退出，主动让出了艾捷科芯的控制权。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，要么大厂内部自己干。他把合理的路径总结为：前期控股并重金投入，真正送企业一程，长大后逐步转为非控股、独立发展。

“如果团队选择新的投资方，作为一家独立的公司去发展，我觉得也挺好。”周亚辉补充道。

4.半年超100亿美元，具身智能已经不缺钱了

对于艾捷科芯，周亚辉判断的是技术会比共识更早发生。

而三年后，在孵化黎曼动力时，他判断的却是另一种时间差：共识已经来了，技术还没有。

2026年上半年，中国具身智能一级市场发生了322笔融资，总融资额达到935亿元，是2025年同期的约6倍。平均算下来，每天接近两笔融资。估值超过百亿元的具身智能公司，从2025年的少数几家增加到了至少20多家。资本已经从本体一路铺到具身大脑、数据、灵巧手和核心零部件。

周亚辉说：“机器人是中国所有产业界和投资界的一个共识，但最大的共识不是一个共识。”

935亿元还没有带来产业的拐点：VLA直接从视觉、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。不同架构在各自Benchmark上不断刷新结果，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。

数据也远没有互联网时代那么便宜。文本模型出生时，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、叠衣服、收拾桌子，却找不到一个天然存在的“机器人互联网”。一小时真机数据背后，需要设备、操作者、传感器、场地，还要面对不同本体的动作空间无法直接兼容。

身体本身也还在快速迭代。2026年，人形机器人已经开始从Demo走向量产，但真实落地暴露出的很多问题非常工程化：灵巧手的寿命、零部件一致性、接口标准、长期运行可靠性，都还在产业链里补课。

更麻烦的是，大脑和身体之间也没有统一接口。不同机器人拥有不同关节、动作空间和控制参数。同一个模型从一台机器人换到另一台机器人上，往往需要重新适配。大模型已经有API，但“机器人没有自己的API”。

周亚辉也正是在最热的时候，给出了一个并不迎合市场的时间判断。

在内部讨论中，他反复提到，市场普遍觉得18个月左右可能出现机器人领域的“GPT-3.5”，但他认为18个月出不来。

与此同时，他对更长周期却很乐观：“这是未来十年的东西。”

这两句话放在一起，才能理解为什么要孵化黎曼动力。

如果真正的技术拐点18个月就能发生，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、十年，中间还会不断换模型、换数据范式、换本体，那么它需要的是一家公司——独立的团队、资源、融资和长期技术路线。

另一个重要的因素是人，黎曼动力创始人刘扬出生于1988年，他曾任昆仑万维Skywork首席科学家，他带领团队做出了Matrix-Game可交互世界模型。

刘扬曾跟周亚辉说过两句话，第一，这辈子要创一次业，不创业这辈子白过了；第二，他的老师曾邀请刘扬一起创业，担任co-founder，但当时刘扬因学业拒绝了。后来，这家公司成功被收购，这让刘扬后悔不已。

事实上，在2022年底2023年初的时候，周亚辉就曾考虑过做机器人，并找到了投资人和CEO，但最后还是决定不做。因为同时孵化艾捷科芯和机器人公司，担心被外界视为“不聚焦”，最后二选一选择孵化了艾捷科芯，三年后艾捷科芯基本站稳脚跟后再孵化黎曼动力。

这些错过，最终都通向另一种相遇。

缘分始终未断，“我们一直认为机器人是整个人工智能下半场。”周亚辉决定，还是得做机器人。

2026年，黎曼动力开始独立运营。

5.黎曼动力独立后，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，研究一个动作发生之后，画面、空间和环境状态应该怎样继续变化。

周亚辉认为，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、2025年做游戏世界模型积累的一套方法，适用于机器人。

真正让团队决定进入机器人，是2025年秋天的一次真机实验。

一台宇树G1被搬进北京办公室，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。机器人的脚步声很快招来上下楼层同事投诉，他们不得不在附近重新找实验室，把设备搬出去继续训练。几个月里，团队又买了机械臂和灵巧手，研究现有机器人模型，开始把主要资源切到具身。

很快，一个差别暴露出来。

游戏里，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，动作变成每个关节的位置、速度和力矩，不同本体还说着不同的“动作语言”。

但团队此前研究的问题仍然成立：动作发生以后，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，而是把重心押在World Action Model（世界动作模型）上。

2026年7月发布的Riemann-1.0，把多视角视觉、机器人自身状态和动作放进统一的因果序列里学习。模型一方面要输出机器人接下来怎么做，另一方面也要学习这个动作执行以后环境如何变化。换句话说，它既做Policy，也试图在内部保留一个可以被动作改变的世界。

这件事在长流程任务里尤其重要。

机器人把叉子往筷子筒里放，第一次角度不对，它要看到“没有放进去”这个新状态，再调整动作；整理桌面时意外打翻液体，也不能继续机械执行最初的动作序列，而要先处理发生变化的环境。

真正的物理世界不是一串预先写好的步骤。机器人必须知道自己刚刚做了什么，也要知道这件事把世界变成了什么。

在最新论文中，Riemann-1.0基于超过20万小时交互数据训练，在RoboTwin2.0、LIBERO和长流程RoboCasa-365等基准上进行测试，并进入真实机器人长流程操作。论文披露，其真实长程任务成功率达到85%。这些结果还不足以说明通用机器人已经出现，但至少让World Action Model从架构选择进入了真机验证。

而黎曼动力真正下力气更深的，其实还不是模型架构，是数据。

6.如果具身也有Scaling Law，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，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、图片和视频。

机器人没有这份遗产。

一小时高质量真机数据背后，需要机器人、场地、操作员、传感器和维护；设备坏一次，采集就会停。更重要的是，今天机器人型号和数据格式高度异构，即使采下来，也不一定可以直接放进同一个模型训练。

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。

Riemann-1.0公开披露的23.2万小时多源数据里，超过20万小时来自人类第一视角视频，此外还有高精度示教数据以及真机、仿真机器人轨迹，覆盖数十种不同本体。

这是一种刻意的选择。

如果全部等待机器人真机采数，Scaling的成本很难承受。人类每天已经在现实世界中完成抓取、整理、开门、做饭等大量操作，第一视角视频虽然没有直接提供机器人关节控制信号，却包含了丰富的物体交互、空间变化和行为先验。

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）、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。

这种路线到底能Scale到什么程度，还没有结论。

所以他们决定继续把实验做大。

2026年8月，黎曼动力分别与光轮智能、诺亦腾机器人合作，开始推进百万小时具身数据建设。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，RoboFinals做能力评测，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、关节运动和力反馈数据。黎曼动力希望把这些环节接成一个闭环——模型在哪里失败，就反推缺什么数据，再去生产、训练、部署和重新验证。

对于今天的具身智能，这件事可能比再做一次漂亮Demo更重要。

行业普遍估计世界模型真正迎来能力跃迁，可能需要千万乃至亿小时级的数据，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。这个数字未必意味着“到了某个小时数就一定发生GPT时刻”，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，而不是急于宣布一个已经成熟的机器人产品。

这也是独立成公司后，意义开始显现的地方。

过去在内部做模型，团队讨论的是下一版模型怎么提升。独立以后，周亚辉和团队需要同时考虑半年、一年、三年甚至五年以后：模型怎么训、数据从哪里来、如何跨本体、在哪里部署、什么场景最终能够形成商业价值。

如果未来不同机器人能够调用同一个通用模型，黎曼动力希望成为连接“大脑”和不同“身体”的那层API。

周亚辉说，“黎曼动力做一家机器人公司，未来可能的最大上限是千亿美元，但如果是未来整个AI时代的入口，我觉得是一件万亿美元的事情。但对创业者来说，你能做一家最高上限1000亿美元的事情，已经很大了，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。”

周亚辉看重的，也正是团队能不能把这条长路线一直操盘下去。

在解释为什么把黎曼动力拆出来时，他没有把重点放在眼下融资有多热，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，也有长期把事情做下去的能力。

一个可能穿越几轮周期的项目，最终不能只靠一个正确的模型版本。它需要一家完整的公司资源来支撑。

7.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。

芯片的周期以流片、封装、供应链和量产计算；机器人面对的则是模型、数据、本体和真实世界里无穷无尽的长尾情况。

但周亚辉孵化这两家公司时，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。

做艾捷科芯时，市场还很难判断Triton之后的软件生态会怎么变化，也很难判断更激进的3D存储集成什么时候真正进入产业。周亚辉和蒋毅敏先做了两个技术判断，然后找团队、搭供应链，将大量资金放进去。

到了黎曼动力，资本市场已经用935亿元证明了自己有多相信具身智能，但周亚辉反而把时间表拉得更长。他相信机器人最终会成为足够大的产业，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。因此，与其逼一个团队在热潮里交出一个并不存在的“GPT-3.5”，不如把它拆成独立公司，去经历真正需要经历的技术周期。

周亚辉对创业者和行业的“时间”洞察并不是一蹴而就的，而是从沙砾般的过往里，一次次磨砺，获得了极强的“手感”。

周亚辉总结了自己成长历程里的重要节点：

第一，1995年，周亚辉以“云南丽江理科第二名”考入清华大学；第二，1999年，周亚辉考取博士；第三，去丁磊的网易兼职实习。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。”在企业家群体里，丁磊以勤奋著称。

2000年到2004年，周亚辉第一次创业，但终告一段落，他总结：不懂方法，没有方法论，没有价值观，不知道怎么提高效率。这场“出局”对周亚辉的塑造，远比表面看起来深得多。他后来在多个场合提到，正是这段“失败”，让他经历蜕变。

后来，周亚辉去广东做制造业，很苦，但挣到了钱，在北京买了房，他发现，行业聚会的时候，只有他一个大学生，但他仍然从这些初高中毕业的“老大哥”身上学习到一句话，隔夜的金不如到手的铜，它至今影响周亚辉的经营逻辑，现金流至上。

再后来，周亚辉还去陈一舟的千橡互动（人人网）工作，陈一舟魅力极强，擅长描绘愿景，鼓动员工，周亚辉总结，自己进步很大。

采访最后，《中国企业家》问周亚辉，还有哪些事情会吸引你以1亿美元下注？

周亚辉回答，脑机接口。“如果脑机接口对科技产业是关键技术，就愿意下重注。”

周亚辉笃信科学主义，他对科学有“99分兴趣”，每天研究、判断和学习，愿意为关键技术投很多钱，愿意为关键技术等很多年，他曾自述：“我们这些清华毕业的学子把科技价值放在首位，本就是一种自然而然的价值取向。”

文｜《中国企业家》记者 闫俊文

见习编辑｜李原编辑｜何伊凡