国家和亿万富翁的太空雄心都需要更好的能源来源,而由两位斯坦福博士创立的新兴初创公司可能拥有解决方案。
Arinna由首席执行官Koosha Nazif和首席技术官Alex Shearer创立,该公司周三宣布已完成400万美元种子轮融资,用于开发由他们博士研究期间开发的全新材料制成的超薄太阳能电池板。
本轮融资由SpaceCadet Ventures领投,Anorak Capital和Breakthrough Energy Foundation参投;公司拒绝透露估值。
Arinna的名字来源于赫梯太阳神,发音类似"arena",预计将在今年年底前将其首批产品送入轨道进行测试。在太空中验证其光伏技术后,该公司希望在2028年建设一个能够以兆瓦级规模大规模生产的设施。
Shearer表示:"我们正在构建验证面板,将其发送给首批客户,以证明这些二维光伏技术具有在太空中生存所需的效率和耐久性。我们将在明年以更大规模证明这一点,同时完善制造光伏电池每个层面的工艺,以实现卷对卷生产。"
Arinna专门为航天器制造太阳能电池。在SpaceX出现之前的时代,大多数卫星都是定制的,航天器使用由稀土元素制成的昂贵但坚固的太阳能电池板。随着大规模制造卫星的出现,更便宜的硅电池板正在被使用,但由于宇宙辐射,它们降解得更快。
相比之下,Arinna的技术基于一种新材料——过渡金属二硫化物(TMDs),这是一种原子级薄的半导体,近几十年来才得以开发。Arinna的超薄太阳能技术可以制造出极其灵活的电池,该公司声称比传统太空太阳能电池板更便宜、更耐用。
Breakthrough Energy的材料科学家兼高级总监Ben Gaddy告诉TechCrunch:"多年来,太阳能发展大多是在已知和现有技术上挤出微小的百分比改进。这是完全不同类别的材料。"
Nazif和Shearer在斯坦福大学攻读博士研究期间相遇。Nazif的研究方向是可以用于创造与传统半导体一样强大的光伏电池的材料,而Shearer则开发了大规模生产这些电池的技术。Shearer开玩笑说:"Koosha更像是建筑师,而我是施工者。"
该公司预计其光伏技术将比传统电池板灵活得多,效率提高32%。Shearer表示,Arinna的技术还不需要保护性覆盖层,在轨道上可持续15年,并可在几周内交付。
只要该公司能在今年的轨道测试活动中顺利通过而没有意外,并能实现其大规模制造计划,这些都将是对当前技术的重大升级。
领投本轮融资的SpaceCadet Ventures普通合伙人Wiz Khuzai告诉TechCrunch:"我从我们投资的所有太空公司中看到的是,电力是一个障碍,一个瓶颈。Arinna将成为太空中下一代电力需求的解锁器。"
Q&A
Q1:Arinna公司的太阳能技术有什么特别之处?
A:Arinna使用过渡金属二硫化物(TMDs)这种全新的原子级薄半导体材料制造超薄太阳能电池板。与传统太空太阳能电池板相比,这种技术制造的电池更灵活、效率提高32%、更便宜、更耐用,不需要保护性覆盖层,在轨道上可持续15年。
Q2:Arinna计划如何验证其太阳能技术的可靠性?
A:Arinna预计在今年年底前将首批产品送入轨道进行测试,通过实际的太空环境验证其光伏技术的效率和耐久性。验证成功后,公司计划在2028年建设能够以兆瓦级规模大规模生产的设施。
Q3:为什么太空需要新的太阳能技术?
A:传统太空用太阳能电池板要么使用昂贵的稀土元素制成但成本高,要么使用便宜的硅电池板但在宇宙辐射下降解较快。随着卫星大规模制造的趋势,需要既便宜又耐用的新型太阳能技术来满足不断增长的太空电力需求。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。