华尔街终于迎来了首个真正意义上可直接押注无人机配送赛道的投资机会。深耕无人机配送领域逾十年、已累计完成数千次商业飞行任务的Matternet公司,近日完成了3300万美元的新一轮融资,同时成为首家专注于无人机配送的公开报告型上市公司。此次宣布恰逢行业领袖们普遍认为,大规模无人机配送正从试验阶段迈向现实应用的关键节点。
本轮融资出现超额认购,即投资者的认购需求超过了公司最初计划募集的金额。新投资方包括EE Holdings的Ed Eisler和Montrose Capital Partners的Mark Tompkins,多位现有股东也参与了跟投。
与此同时,Matternet完成了与Los Altos Ventures的反向并购交易,借助这一方式实现上市,成为Matternet所述的首家专注于无人机配送领域的公开报告型纯正上市公司。
此举恰逢无人机配送行业发展的关键时刻。尽管各公司已在食品配送、医疗物资运输等多个场景开展了多年测试,但由于监管壁垒、基础设施要求以及可持续商业模式构建难题,大规模商业落地至今仍受到较大制约。
Matternet认为,这些障碍正开始逐步消解。公司创始人兼首席执行官Andreas Raptopoulos表示,受监管层面的持续进展以及企业客户对更快速、更高效物流解决方案不断增长的需求驱动,公司将2026年视为美国无人机配送行业的重要拐点。
此次新募集的资金将用于加速推进Matternet下一代无人机配送平台的研发,并扩大其在医疗健康、零售及餐饮配送市场的商业化运营规模。
目前,Matternet已跻身该领域最具运营经验的企业之列。据公司披露,其技术已在美国和欧洲的城市及郊区环境中完成逾6万次商业飞行。
其业务覆盖多个行业领域。Matternet曾与UPS在医疗物流领域深度合作,负责在医疗机构之间运输医疗样本和物资。近期,公司又与Dave's Hot Chicken达成合作,正式拓展至面向消费者的配送业务,这也标志着无人机配送正在从医院场景走向日常生活。
Matternet最核心的竞争优势或许在于其监管资质。该公司至今仍是唯一一家获得美国联邦航空局(FAA)型号认证的无人机配送平台,而型号认证是航空行业最为严格的审批流程之一。此外,Matternet还成为首家同时获得FAA型号认证与生产认证的无人机配送公司。
多年来,Matternet积累了一系列行业第一:它是瑞士首家获授权在城市上空开展商业超视距(BVLOS)无人机配送运营的公司,也是美国首家开展常态化盈利性无人机配送运营的企业。
近期,Matternet的发展势头持续加速——公司与软银机器人美国公司达成合作,共同支持无人机配送网络的部署;在英国伦敦中部与NHS联合启动了无人机配送业务;并任命科技行业高管Sanjay Kotte加入公司董事会。
多年来,无人机配送始终是业界讨论最为热烈的机遇之一。凭借新一轮融资、公开市场的曝光度、FAA认证技术,以及超过6万次商业飞行的实际积累,Matternet正将自己定位为最有决心将这一愿景转化为主流商业现实的企业之一。无人机配送能否像网约车和外卖应用一样普及,目前仍是未知数,但投资者已用3300万美元的真金白银,押注答案是肯定的。
Q&A
Q1:Matternet获得的FAA型号认证是什么?有多重要?
A:FAA型号认证是美国联邦航空局针对航空器的最严格审批流程之一,代表该飞行器的设计符合联邦航空安全标准。Matternet是目前唯一一家获得该认证的无人机配送平台,同时还获得了生产认证,使其在合规运营方面具有显著的竞争优势,这也是其获得投资者青睐和商业合作的重要基础。
Q2:Matternet的无人机配送目前主要用在哪些场景?
A:Matternet的无人机配送业务覆盖多个领域。在医疗健康领域,其与UPS合作,在医疗机构之间运输医疗样本和物资;在消费场景,其与连锁餐饮品牌Dave's Hot Chicken合作,提供餐饮配送服务;此外还在英国伦敦与NHS合作开展配送运营。目前公司已在美国和欧洲累计完成超过6万次商业飞行。
Q3:Matternet为什么选择通过反向并购方式上市?
A:反向并购是一种相对快速的上市方式,公司通过与已上市的壳公司Los Altos Ventures合并,绕过传统IPO流程,实现公开市场挂牌。这使Matternet成为首家专注于无人机配送的公开报告型纯正上市公司,有助于提升其在资本市场的可见度,并为未来进一步融资和扩大商业规模创造条件。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。