阶跃星辰不再低调：巨额融资，印奇加入，“1+3”核心决策层浮出水面

衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

你也被刷屏了吧？向来低调的阶跃星辰一口气抛出了两个深水炸弹。

一是完成超50亿元人民币的B+轮融资。

这个数字刷新⼤模型赛道过去12个月单笔融资纪录，且超过大模型六小虎中另外两家——智谱和MiniMax——的IPO募资金额。

另一个更具结构性变化的消息也在此时公布：印奇正式加入阶跃星辰核心决策层，担任董事长。

印奇是谁？或许能用几个tag来标记他至今的传奇路径。

清华姚班首批校友，AI四小龙旷视科技创始人，现千里科技董事长。

是中国AI创业史上一位极少数横跨AI 1.0时代（CV）与AI 2.0（大模型）时代，同时又完成过产业落地与硬件闭环的样本人物。

从这一刻起，阶跃的核心决策层班底，明晰呈现出“1+3”模式。

• 1：指新宣布加入的印奇；
• 3：分别是阶跃星辰CEO姜大昕，首席科学家张祥⾬，CTO朱亦博。

每一个人都大名鼎鼎，单拎出来都是一部行业简史。

但对阶跃来说，豪华阵容只是最不值一提的表象。

能看懂这个班底背后的故事，就不难看懂阶跃为什么从以前，到现在，都反复强调并坚持自己“AI+终端”的战略。

借这个时间，借这个新动态，刚好和大家一起来起底一下阶跃星辰“1+3”战队背后的事儿。

起底阶跃“1+3”核心团队

从结果上来说，这套“1+3”战队背后是阶跃四角齐全的谋篇布局。

正好对应了大模型落地的四类核心能力轴：战略、算法、系统、工程。

董事长 印奇

先说印奇吧。

四个人里，他是最新宣布加入的一位，但在阶跃成立的早期阶段，印奇就已经参与过战略规划的设计。

他是清华姚班成立后的首批学生，本科毕业时创办了旷视科技。那是2011年，关于AI，算法和论文才是主旋律，商业落地只有模糊概念。

随后几年里，印奇带领公司把计算机视觉从科研问题推向工程问题，再推向真实场景，因为应用在手机、金融等场景而声名渐起。

随着业务规模扩大，组织架构、交付稳定性、软硬件协同、供应链协作……这些问题会同时浮出水面。

这就是印奇经历的特殊之处——AI 1.0的浪潮涌过，他并没有停留在技术成功层面，而是真正跑通了产业落地。他既经历过算法驱动、场景快速铺开的阶段，也经历过成本、交付与规模开始成为核心约束的阶段。

旷视当年的路径选择，也由此显露出他对工程化与产业现实的敏感度。

再往后看，他在2024年入主千里科技并出任董事长，将自己在AI领域的沉淀与汽车产业深度融合，主导该公司向“AI+车”的战略转向，智能驾驶系统的研发与上车，并吸引奔驰入股、谋划港股上市。

旷视和千里兴起于不同的AI技术浪潮时期，但共性都是AI+终端落地。这与阶跃自去年起发力的“AI+终端”战略不谋而合。

某种层面上，这也解释了印奇与阶跃在此刻走到一起的深层原因。

印奇长期积累的产业落地经验与终端视角，会让阶跃在基模走向真实终端的路径上，多一层更贴近现实的把控。

CEO 姜大昕

印奇官宣加入之前，外界最先熟知的阶跃带头人是CEO 姜大昕。

姜大昕是⾃然语⾔处理领域的全球知名专家，去年凭借“对上下⽂感知搜索和语⾔Scaling⽅法做出的贡献”入选2025 IEEE Fellow。

截至本月，姜大昕的谷歌学术被引量超过2.4万。

他曾任微软全球副总裁，微软亚洲互联⽹⼯程院副院⻓、⾸席科学家，履历与微软必应搜索体系绑定极深：

曾带领四百多⼈研发团队开发必应搜索引擎，长期负责网页排序、智能问答、知识图谱等复杂模块，拥有典型的超大规模在线系统经验。

可以说，姜大昕在ML、数据挖掘、NLP和⽣物信息学等领域拥有丰富的研究及⼯程经验。

这类经历决定了他对大模型工程化问题的关注点很难只停留在研究层面，在工业系统中，同样掌握了可复用的方法论。

AI 2.0时代，大模型公司——尤其是仍在打磨基座模型的公司——早期靠冲刺速度和研究突破吸引注意力，中后期更依赖工程体系承压能力。

姜大昕的背景，非常适合带领团队迎战大模型的应用落地。

首席科学家 张祥雨

至于首席科学家张祥雨，ResNet作者之一这一身份本身已足够形成记忆点。

作为AI史上的里程碑，ResNet彻底解决了深层网络训练的梯度消失难题，11年前横扫ImageNet五项冠军。

其论文至今仍是计算机科学领域引用量最高的巅峰之作，是当今所有大模型骨干网络不可撼动的底层基石，目标检测、图像分割、多模态视觉编码器，大量工业级系统都以它为起点进行改造和演化。

故而，张祥雨在深度学习史上的地位实在无需在此反复强调。

但只停留在ResNet绝对会低估张祥雨。

他的研究方向，则覆盖多模态⼤模型、深度神经⽹络架构设计、深度模型的裁剪与加速等。

后来，张祥雨完成了移动端高效卷积神经网络ShuffleNet的开发，这一技术影响了包括苹果3D人脸解锁在内的多种毫秒级手机解锁技术。

随后十多年里，从ShuffleNet到SPOS再到RepVGG……他持续把注意力放在结构简化、推理速度、硬件友好性等相关工作上。

AI 2.0启程后，他就果断投身大模型，投身阶跃。

现在，他正带领团队攻坚原生多模态。这是阶跃成立之初就坚持的方向，也是有别于其他模型厂的特色。

把张祥雨放在阶跃的语境里，会更容易理解这家公司在技术路线选择上的一些判断。

张祥雨长期做的是架构与结构层面的工作，解决的是“模型为什么能继续变强”。这类人带队，天然会先把底层模型能力打牢，不会依赖外部底座去拼应用。

这对应的就是阶跃对基座模型的长期投入。

多模态也是同样的思路，如果底层架构不统一，多模态只能靠后接拼装，短期好看但难扩展。

坚持原生多模态，本质上是把它当成基模能力的一部分来做，这正是张祥雨擅长、也最看重的方向。

过去一年，行业反复出现范式转向的信号，很多团队早期可以靠外部合作或短期挖人把算法能力补齐，但当问题从实现能力转向方向判断时，真正的分水岭就出现了——缺少底层方法论的人很难做出稳定决策，能力也更容易在下一轮变化里断档。

张祥雨的技术前瞻与长期积累，这时候就能为阶跃的技术路线提供更可靠的决策锚点。

上个月，张祥雨就已经在公开场合表示，“Transformer完全不能支撑我们下一步，尤其是在Agent时代走向下一步”，真正决定模型能否继续进化的是架构选择、训练范式以及推理阶段的系统协同能力。

CTO 朱亦博

写到这里，阶跃“1+3”战队就只剩一个人没介绍了，这就是CTO 朱亦博。

他在阶跃守的是大模型公司最容易掉链子甚至死得很难看的关卡：AI Infra。

从UCSB博士毕业后，朱亦博曾加⼊微软研究院。

这期间他奠基了RoCE（基于融合以太网的远程直接内存访问）技术，这项技术致力于实现高速、低延迟的数据传输，是现代大规模AI基础设施的关键网络协议，也是NVIDIA（前Mellanox）⾼速通信过去⼗年来使用的标准协议。

微软期间他以第一作者发表在SIGCOMM的工作，在十年后获得了时间检验奖。

后来他转投字节跳动，任AI Infra负责人，从零开始建设国内最大规模AI Infra之一，拥有多次单集群万卡以上系统建设与管理实践经验。

离开字节后，他又担任Google Cloud GPU产品技术负责⼈，直接⽀持Anthropic。

后来朱亦博加入阶跃星辰负责AI Infra团队，阶跃也展现出了极强的异类特质——是所有创业公司中唯一大规模投入Infra的。

知情人士透露，AI Infra在阶跃内部被提到了前所未有的高度。

阶跃内部把AI Infra与算法团队放在几乎同等重要的位置，以朱亦博为核心的系统团队并不是传统意义上的支撑部门，反而是另一条并行的主线能力。

这种双引擎架构，收益一方面直接体现在训练效率、集群稳定性与资源利用率上，进一步也会影响模型迭代节奏，并为模型架构探索留出更大的空间。

这让阶跃拥有了极大的差异化竞争优势。

AI Infra确实是块硬骨头，早期没那么性感。但当模型进入深水区，它对迭代节奏与成本边界的影响会非常直接。

整体看下来，印奇的产业与终端视角，姜大昕的工程产品化体系，张祥雨的算法与多模态底盘，朱亦博的系统与效率能力，正好对应大模型公司最关键的四类约束条件。

在大模型竞赛的下半场，考验的是算法研发、系统工程化能力、产业落地场景、商业变现设计的全面能力。

这四件事只要有一件长期失守，牌局就会迅速变形。

从这个角度看，阶跃搭建起大模型六小虎中难得一见的覆盖面完整的决策层结构。

微软系+旷视系阵容交汇

写到这里，阶跃的“1+3”牌面已经摊开。

一个值得往下追的问题摆到面前：这套班底是怎么攒起来的？

细心的人可能已经注意到了，阶跃核心团队履历在两个地方反复交叉，一条是微软Search系，另一条是旷视CV系。

这就涉及到阶跃团队现有的更深层次底色。

量子位获悉，阶跃的算法团队和商业化落地很大程度上来自旷视体系，这一点大家从公开履历和技术方向也能察觉出一二。

旷视体系出来的人，有一个很突出的共同点：能把算法做出来，还经历过算法在真实场景里跑起来的全过程。

他们经历过从人脸识别到城市级部署的全战役，比谁都清楚算法与硬件结合，需要无数次在传感器精度、功耗限制及边缘算力约束下，与真实物理世界反复博弈。

这种软硬结合的实战经验，让阶跃天然多了一层软硬结合的视角。

所以大模型时代，他们不仅追求算法的精进，更擅长将复杂的模型转化为适配手机、汽车等终端设备的实用方案。

这种背景也直接影响了阶跃在算法层面的取向。

阶跃在多模态模型，以及GUI等Agent模型方向上的推进，更强调模型结构与实际使用场景之间的匹配度。

而数据团队这一侧，则更多出自微软的搜索团队。

搜索本身是一类对数据极其苛刻的系统工程，数据持续流入，反馈实时发生，任何一次判断失误都会在用户行为中被迅速放大。

（至于微软每天需要面对的搜索量有多大，不用多说大家也能想象……）

搜索系统建立在一个朴素前提上，模型永远不完美，所以系统必须允许自己被真实反馈持续修正。

在这种高压环境里，工程实践往往会把数据闭环放在优先级更靠前的位置，配套的方法与流程也会更系统，还会匹配建立多层评估结构。

把这套能力映射到大模型公司，面对数据漂移、评估失真、发布节奏失控与线上稳定性等问题时，搜索体系里沉淀的经验就是有实战经验的定心丸。

这些在搜索系统中被反复验证的工程经验，与大模型进入长期运行阶段后暴露出的关键问题高度重合。

只要大模型不是一次性交付，这套能力就会持续显现价值。

微软搜索系统里成长出的数据团队天然关注端到端体验，旷视体系出来的算法组则已经能够熟稔地和物理世界打交道。

两套体系虽然出身不同，但都在各自路径上反复验证过“模型必须接受真实系统约束”这一前提。

两条线交汇，恰恰构成了AI+终端这个方向最核心的两个能力轴。

说到这儿回过头再看阶跃“1+3”黄金战队，就能解释为什么这四个人、两条线能在阶跃汇聚。

表面上看是不同背景、擅长不同领域的大牛组队，实际上是不同的底层经验在大模型时代达成了对同一趋势的共识。

相信系统，相信长期演进路径，相信一套能打下去的工程逻辑……

这才是他们坐在一起的真正理由。

很多时候，英雄所见略同不会是单纯的巧合。

连起来就是中国版xAI+特斯拉

顺着这套“1+3”班底和团队一路看下来，答案已经很难藏了。

阶跃就是自带闭环，奔着AI+终端这个方向冲。

从市场角度客观来说，软硬件结合的AI+终端模式，目前确实有蓝海缝隙。

终端设备天然掌握着高频入口、上下文连续性和本地数据的优势，能够承载更完整的使用链路。

据IDC最新报告《迈入AI原生时代：2026年中国智能终端市场十大洞察》，到2026年，中国市场AI终端出货量将超3亿台，渗透率在2027年将爆发式突破93%。

可以说，2026年前后，AI能力正在从可选卖点向系统级基础能力迁移。

可以看看硅谷的打样。马斯克，在软硬件结合的战略框架下打通了大模型（xAI）和物理AI（特斯拉）。

在国内，随着印奇同时出现在阶跃和千里这两条确定主线上，这种结构开始第一次变得清晰可见。

印奇加入前，AI+终端就是阶跃为AI 2.0时代寻找的一条能穿越周期，并会持之以恒坚持的长期路径。

印奇加入后，按照他的规划，2026年要做三件事：

• 在汽车端，要有100万辆车搭载千里智驾系统；
• 在基础模型上，要拿出全球第一梯队的水平；
• 阶跃旗下希望孵化出创新硬件，在未来12～15个月面世。

AI浪潮已经奔涌十余年。

且看印奇和三位曾经定义过AI时代的悍将，如何在大模型深水区再次汇合。