Focused Energy近日完成了一轮超额认购的2.4亿美元A轮融资,这是核聚变初创企业中规模最大的早期融资轮次之一。
据该公司透露,此轮融资完成后,其累计私人融资总额已达3亿美元。此外,公司还获得了2亿美元的政府补贴,两项合计使其成为全球获得资金支持最为雄厚的核聚变初创企业之一。
这家总部位于德国的公司,正在研发一种利用激光压缩聚变燃料的反应堆,该技术路线被称为"惯性约束聚变"。其原理是通过激光持续轰击燃料靶,使其在巨大压力下被压缩,从而形成适合聚变的极端条件。当燃料内部的原子发生聚变时,便会释放出大量能量。
Focused Energy的设计方案以美国加州劳伦斯利弗莫尔国家实验室国家点火装置(NIF)的实验成果为基础。迄今为止,NIF是全球唯一一个成功实现受控核聚变反应且输出能量超过输入能量的实验装置。公司与NIF的渊源不止停留在概念层面——曾参与NIF燃料靶设计工作的黛比·卡拉汉(Debbie Callahan)已于去年12月加入Focused Energy,担任首席战略官。
卡拉汉目前的核心工作之一,是简化燃料靶的结构设计。NIF所使用的燃料靶结构复杂、制造难度极高,该装置每年仅能完成约400次点火实验。而Focused Energy的商业目标是达到每秒10次点火的频率,即每天约86.4万次。
为实现这一目标,公司计划省去"黑腔"这一关键部件。黑腔是一种精密制造的黄金圆柱体,其作用是将激光能量转化为X射线,再由X射线完成对NIF燃料靶丸的压缩。Focused Energy采用的是业内所称的"直接驱动"方式,即由激光直接对燃料靶丸进行压缩,这一改进有助于提升反应堆的整体效率,降低发电难度。
在选址方面,Focused Energy计划将其首座示范系统"灯塔"(Lighthouse)建在德国一处已退役的核裂变电站旧址上,该电站此前由能源企业RWE负责运营。
Focused Energy透露,此轮A轮融资的主要投资方正是RWE。参与本轮融资的还包括德国联邦突破性创新局(SPRIND)、Prime Movers Lab以及欧洲创新委员会基金。
尽管本轮融资规模已相当可观,但核聚变赛道在今年依然持续受到资本的高度关注。上周,Thea Energy刚刚完成1亿美元融资,用于推进其像素阵列磁场概念聚变堆的研发;今年2月,Inertia Enterprises完成了4.5亿美元A轮融资,其技术路线与Focused Energy存在一定的竞争关系;而在今年1月,Type One Energy也向媒体透露,已在目标规模2.5亿美元的B轮融资中筹得近9000万美元。
Q&A
Q1:Focused Energy采用的惯性约束聚变技术是什么原理?
A:惯性约束聚变是通过高功率激光持续轰击燃料靶,使其在极端压力下被高度压缩,进而触发核聚变反应并释放能量。Focused Energy采用"直接驱动"方式,即激光直接压缩燃料靶丸,省去了传统黑腔结构,有助于提升能量转化效率,降低发电成本。
Q2:Focused Energy的技术与NIF国家点火装置有什么关联?
A:Focused Energy的反应堆设计以NIF的实验成果为基础。NIF是迄今全球唯一实现输出能量超过输入能量的受控核聚变装置。曾深度参与NIF燃料靶设计的黛比·卡拉汉已于2024年12月加入Focused Energy担任首席战略官,主导燃料靶的简化与量产研究。
Q3:Focused Energy的2.4亿美元A轮融资由哪些机构参与投资?
A:本轮融资的主要投资方为德国能源企业RWE,其他参与方包括德国联邦突破性创新局(SPRIND)、Prime Movers Lab以及欧洲创新委员会基金。此轮融资超额认购完成,使公司累计私人融资额达到3亿美元,加上2亿美元政府补贴,总获资规模达5亿美元。
好文章,需要你的鼓励
伊朗裔英国导演Ash Koosha耗时两个半月,以不足2000美元的成本,借助AI技术完成了一部关于伊朗反政府抗议镇压事件的75分钟剧情片《紫罗兰之梦》。该片即将在纽约翠贝卡电影节首映,成为首部入围顶级电影节的全AI真人故事片。导演认为,AI技术可大幅降低独立电影制作门槛,有望重塑整个影视行业格局。
耶路撒冷希伯来大学研究团队提出PhyGenHOI框架,将人体运动生成与物理仿真结合,让虚拟人物与三维物体之间的接触互动同时满足视觉自然性和物理真实性。
MIT与MIT-IBM计算研究实验室联合开发了专为图表理解设计的数据集ChartNet,包含逾百万张多样化图表及对应代码、文字描述、数值表格和问答对。研究团队利用两步合成数据生成流程,从单张图表出发可扩展出数百种变体。实验表明,基于ChartNet训练的小型开源视觉语言模型在数据提取、图表摘要等任务上显著超越体量更大的商业模型,有望帮助预算有限的中小企业低成本接入AI图表分析能力。
本文介绍了弗莱堡大学等机构提出的3D-SC框架,通过引入三维基础模型的几何先验,无需人工标注即可解决AI图像匹配中的左右混淆和重复部件分不清的问题。