階躍星辰不再低調：巨額融資，印奇加入，1+3核心決策層浮出水面

衡宇 發自 凹非寺
量子位 | 公眾號 QbitAI

你也被刷屏了吧？向來低調的階躍星辰一口氣拋出了兩個深水炸彈。

一是完成超50億元人民幣的B+輪融資。

這個數字刷新?模型賽道過去12個月單筆融資紀錄，且超過大模型六小虎中另外兩家——智譜和MiniMax——的IPO募資金額。

另一個更具結構性變化的消息也在此時公布：印奇正式加入階躍星辰核心決策層，擔任董事長。

印奇是誰？或許能用幾個tag來標記他至今的傳奇路徑。

清華姚班首批校友，AI四小龍曠視科技創始人，現千里科技董事長。

是中國AI創業史上一位極少數橫跨AI 1.0時代（CV）與AI 2.0（大模型）時代，同時又完成過產業落地與硬件閉環的樣本人物。

從這一刻起，階躍的核心決策層班底，明晰呈現出“1+3”模式。

• 1：指新宣布加入的印奇；
• 3：分別是階躍星辰CEO姜大昕，首席科學家張祥?，CTO朱亦博。

每一個人都大名鼎鼎，單拎出來都是一部行業簡史。

但對階躍來說，豪華陣容只是最不值一提的表象。

能看懂這個班底背后的故事，就不難看懂階躍為什么從以前，到現在，都反復強調并堅持自己“AI+終端”的戰略。

借這個時間，借這個新動態，剛好和大家一起來起底一下階躍星辰“1+3”戰隊背后的事兒。

起底階躍“1+3”核心團隊

從結果上來說，這套“1+3”戰隊背后是階躍四角齊全的謀篇布局。

正好對應了大模型落地的四類核心能力軸：戰略、算法、系統、工程。

董事長 印奇

先說印奇吧。

四個人里，他是最新宣布加入的一位，但在階躍成立的早期階段，印奇就已經參與過戰略規劃的設計。

他是清華姚班成立后的首批學生，本科畢業時創辦了曠視科技。那是2011年，關于AI，算法和論文才是主旋律，商業落地只有模糊概念。

隨后幾年里，印奇帶領公司把計算機視覺從科研問題推向工程問題，再推向真實場景，因為應用在手機、金融等場景而聲名漸起。

隨著業務規模擴大，組織架構、交付穩定性、軟硬件協同、供應鏈協作……這些問題會同時浮出水面。

這就是印奇經歷的特殊之處——AI 1.0的浪潮涌過，他并沒有停留在技術成功層面，而是真正跑通了產業落地。他既經歷過算法驅動、場景快速鋪開的階段，也經歷過成本、交付與規模開始成為核心約束的階段。

曠視當年的路徑選擇，也由此顯露出他對工程化與產業現實的敏感度。

再往后看，他在2024年入主千里科技并出任董事長，將自己在AI領域的沉淀與汽車產業深度融合，主導該公司向“AI+車”的戰略轉向，智能駕駛系統的研發與上車，并吸引奔馳入股、謀劃港股上市。

曠視和千里興起于不同的AI技術浪潮時期，但共性都是AI+終端落地。這與階躍自去年起發力的“AI+終端”戰略不謀而合。

某種層面上，這也解釋了印奇與階躍在此刻走到一起的深層原因。

印奇長期積累的產業落地經驗與終端視角，會讓階躍在基模走向真實終端的路徑上，多一層更貼近現實的把控。

CEO 姜大昕

印奇官宣加入之前，外界最先熟知的階躍帶頭人是CEO 姜大昕。

姜大昕是?然語?處理領域的全球知名專家，去年憑借“對上下?感知搜索和語?Scaling?法做出的貢獻”入選2025 IEEE Fellow。

截至本月，姜大昕的谷歌學術被引量超過2.4萬。

他曾任微軟全球副總裁，微軟亞洲互聯??程院副院?、?席科學家，履歷與微軟必應搜索體系綁定極深：

• 曾帶領四百多?研發團隊開發必應搜索引擎，長期負責網頁排序、智能問答、知識圖譜等復雜模塊，擁有典型的超大規模在線系統經驗。

可以說，姜大昕在ML、數據挖掘、NLP和?物信息學等領域擁有豐富的研究及?程經驗。

這類經歷決定了他對大模型工程化問題的關注點很難只停留在研究層面，在工業系統中，同樣掌握了可復用的方法論。

AI 2.0時代，大模型公司——尤其是仍在打磨基座模型的公司——早期靠沖刺速度和研究突破吸引注意力，中后期更依賴工程體系承壓能力。

姜大昕的背景，非常適合帶領團隊迎戰大模型的應用落地。

首席科學家 張祥雨

至于首席科學家張祥雨，ResNet作者之一這一身份本身已足夠形成記憶點。

作為AI史上的里程碑，ResNet徹底解決了深層網絡訓練的梯度消失難題，11年前橫掃ImageNet五項冠軍。

其論文至今仍是計算機科學領域引用量最高的巔峰之作，是當今所有大模型骨干網絡不可撼動的底層基石，目標檢測、圖像分割、多模態視覺編碼器，大量工業級系統都以它為起點進行改造和演化。

故而，張祥雨在深度學習史上的地位實在無需在此反復強調。

但只停留在ResNet絕對會低估張祥雨。

他的研究方向，則覆蓋多模態?模型、深度神經?絡架構設計、深度模型的裁剪與加速等。

后來，張祥雨完成了移動端高效卷積神經網絡ShuffleNet的開發，這一技術影響了包括蘋果3D人臉解鎖在內的多種毫秒級手機解鎖技術。

隨后十多年里，從ShuffleNet到SPOS再到RepVGG……他持續把注意力放在結構簡化、推理速度、硬件友好性等相關工作上。

AI 2.0啟程后，他就果斷投身大模型，投身階躍。

現在，他正帶領團隊攻堅原生多模態。這是階躍成立之初就堅持的方向，也是有別于其他模型廠的特色。

把張祥雨放在階躍的語境里，會更容易理解這家公司在技術路線選擇上的一些判斷。

張祥雨長期做的是架構與結構層面的工作，解決的是“模型為什么能繼續變強”。這類人帶隊，天然會先把底層模型能力打牢，不會依賴外部底座去拼應用。

這對應的就是階躍對基座模型的長期投入。

多模態也是同樣的思路，如果底層架構不統一，多模態只能靠后接拼裝，短期好看但難擴展。

堅持原生多模態，本質上是把它當成基模能力的一部分來做，這正是張祥雨擅長、也最看重的方向。

過去一年，行業反復出現范式轉向的信號，很多團隊早期可以靠外部合作或短期挖人把算法能力補齊，但當問題從實現能力轉向方向判斷時，真正的分水嶺就出現了——缺少底層方法論的人很難做出穩定決策，能力也更容易在下一輪變化里斷檔。

張祥雨的技術前瞻與長期積累，這時候就能為階躍的技術路線提供更可靠的決策錨點。

上個月，張祥雨就已經在公開場合表示，“Transformer完全不能支撐我們下一步，尤其是在Agent時代走向下一步”，真正決定模型能否繼續進化的是架構選擇、訓練范式以及推理階段的系統協同能力。

CTO 朱亦博

寫到這里，階躍“1+3”戰隊就只剩一個人沒介紹了，這就是CTO 朱亦博。

他在階躍守的是大模型公司最容易掉鏈子甚至死得很難看的關卡：AI Infra。

從UCSB博士畢業后，朱亦博曾加?微軟研究院。

這期間他奠基了RoCE（基于融合以太網的遠程直接內存訪問）技術，這項技術致力于實現高速、低延遲的數據傳輸，是現代大規模AI基礎設施的關鍵網絡協議，也是NVIDIA（前Mellanox）?速通信過去?年來使用的標準協議。

微軟期間他以第一作者發表在SIGCOMM的工作，在十年后獲得了時間檢驗獎。

后來他轉投字節跳動，任AI Infra負責人，從零開始建設國內最大規模AI Infra之一，擁有多次單集群萬卡以上系統建設與管理實踐經驗。

離開字節后，他又擔任Google Cloud GPU產品技術負責?，直接?持Anthropic。

后來朱亦博加入階躍星辰負責AI Infra團隊，階躍也展現出了極強的異類特質——是所有創業公司中唯一大規模投入Infra的。

知情人士透露，AI Infra在階躍內部被提到了前所未有的高度。

階躍內部把AI Infra與算法團隊放在幾乎同等重要的位置，以朱亦博為核心的系統團隊并不是傳統意義上的支撐部門，反而是另一條并行的主線能力。

這種雙引擎架構，收益一方面直接體現在訓練效率、集群穩定性與資源利用率上，進一步也會影響模型迭代節奏，并為模型架構探索留出更大的空間。

這讓階躍擁有了極大的差異化競爭優勢。

AI Infra確實是塊硬骨頭，早期沒那么性感。但當模型進入深水區，它對迭代節奏與成本邊界的影響會非常直接。

整體看下來，印奇的產業與終端視角，姜大昕的工程產品化體系，張祥雨的算法與多模態底盤，朱亦博的系統與效率能力，正好對應大模型公司最關鍵的四類約束條件。

在大模型競賽的下半場，考驗的是算法研發、系統工程化能力、產業落地場景、商業變現設計的全面能力。

這四件事只要有一件長期失守，牌局就會迅速變形。

從這個角度看，階躍搭建起大模型六小虎中難得一見的覆蓋面完整的決策層結構。

微軟系+曠視系陣容交匯

寫到這里，階躍的“1+3”牌面已經攤開。

一個值得往下追的問題擺到面前：這套班底是怎么攢起來的？

細心的人可能已經注意到了，階躍核心團隊履歷在兩個地方反復交叉，一條是微軟Search系，另一條是曠視CV系。

這就涉及到階躍團隊現有的更深層次底色。

量子位獲悉，階躍的算法團隊和商業化落地很大程度上來自曠視體系，這一點大家從公開履歷和技術方向也能察覺出一二。

曠視體系出來的人，有一個很突出的共同點：能把算法做出來，還經歷過算法在真實場景里跑起來的全過程。

他們經歷過從人臉識別到城市級部署的全戰役，比誰都清楚算法與硬件結合，需要無數次在傳感器精度、功耗限制及邊緣算力約束下，與真實物理世界反復博弈。

這種軟硬結合的實戰經驗，讓階躍天然多了一層軟硬結合的視角。

所以大模型時代，他們不僅追求算法的精進，更擅長將復雜的模型轉化為適配手機、汽車等終端設備的實用方案。

這種背景也直接影響了階躍在算法層面的取向。

階躍在多模態模型，以及GUI等Agent模型方向上的推進，更強調模型結構與實際使用場景之間的匹配度。

而數據團隊這一側，則更多出自微軟的搜索團隊。

搜索本身是一類對數據極其苛刻的系統工程，數據持續流入，反饋實時發生，任何一次判斷失誤都會在用戶行為中被迅速放大。

（至于微軟每天需要面對的搜索量有多大，不用多說大家也能想象……）

搜索系統建立在一個樸素前提上，模型永遠不完美，所以系統必須允許自己被真實反饋持續修正。

在這種高壓環境里，工程實踐往往會把數據閉環放在優先級更靠前的位置，配套的方法與流程也會更系統，還會匹配建立多層評估結構。

把這套能力映射到大模型公司，面對數據漂移、評估失真、發布節奏失控與線上穩定性等問題時，搜索體系里沉淀的經驗就是有實戰經驗的定心丸。

這些在搜索系統中被反復驗證的工程經驗，與大模型進入長期運行階段后暴露出的關鍵問題高度重合。

只要大模型不是一次性交付，這套能力就會持續顯現價值。

微軟搜索系統里成長出的數據團隊天然關注端到端體驗，曠視體系出來的算法組則已經能夠熟稔地和物理世界打交道。

兩套體系雖然出身不同，但都在各自路徑上反復驗證過“模型必須接受真實系統約束”這一前提。

兩條線交匯，恰恰構成了AI+終端這個方向最核心的兩個能力軸。

說到這兒回過頭再看階躍“1+3”黃金戰隊，就能解釋為什么這四個人、兩條線能在階躍匯聚。

表面上看是不同背景、擅長不同領域的大牛組隊，實際上是不同的底層經驗在大模型時代達成了對同一趨勢的共識。

相信系統，相信長期演進路徑，相信一套能打下去的工程邏輯……

這才是他們坐在一起的真正理由。

很多時候，英雄所見略同不會是單純的巧合。

連起來就是中國版xAI+特斯拉

順著這套“1+3”班底和團隊一路看下來，答案已經很難藏了。

階躍就是自帶閉環，奔著AI+終端這個方向沖。

從市場角度客觀來說，軟硬件結合的AI+終端模式，目前確實有藍?？p隙。

終端設備天然掌握著高頻入口、上下文連續性和本地數據的優勢，能夠承載更完整的使用鏈路。

據IDC最新報告《邁入AI原生時代：2026年中國智能終端市場十大洞察》，到2026年，中國市場AI終端出貨量將超3億臺，滲透率在2027年將爆發式突破93%。

可以說，2026年前后，AI能力正在從可選賣點向系統級基礎能力遷移。

可以看看硅谷的打樣。馬斯克，在軟硬件結合的戰略框架下打通了大模型（xAI）和物理AI（特斯拉）。

在國內，隨著印奇同時出現在階躍和千里這兩條確定主線上，這種結構開始第一次變得清晰可見。

印奇加入前，AI+終端就是階躍為AI 2.0時代尋找的一條能穿越周期，并會持之以恒堅持的長期路徑。

印奇加入后，按照他的規劃，2026年要做三件事：

• 在汽車端，要有100萬輛車搭載千里智駕系統；
• 在基礎模型上，要拿出全球第一梯隊的水平；
• 階躍旗下希望孵化出創新硬件，在未來12～15個月面世。

AI浪潮已經奔涌十余年。

且看印奇和三位曾經定義過AI時代的悍將，如何在大模型深水區再次匯合。