孵化企业是投资的最高境界。
文｜《中国企业家》记者 闫俊文
见习编辑｜李原 编辑｜何伊凡
头图来源｜受访者
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。
昆仑万维创始人周亚辉 来源：受访者
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。
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。”
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。
来源：受访者
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。
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。
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。
来源：AI生成
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。
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。
Riemann-1.0 来源：受访者
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。
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。
来源：AI生成
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。
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，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。”
