世界上大部分 GDP 都存在于物理世界，这为物理 AI 改变了我们的经济创造了巨大的机会。我们创办 Rerun 的论点是计算机视觉和机器人技术即将改变我们周围的世界，但过去两年的进步速度远远超出了我们任何人的想象。

我们很高兴地宣布，Rerun 已经筹集了 1700 万美元的种子资金，用于构建物理 AI 的数据堆栈。本轮融资由 Point Nine 领投，Costanoa、Sunflower Capital、Seedcamp 以及包括 Guillermo Rauch、Eric Jang、Oliver Cameron、Wes McKinney 和 Nicolas Dessaigne 在内的著名天使投资人参与其中。

我们在过去 2 年里构建了最流行的开源框架，用于记录和可视化多模态数据。如今，Meta、Google、Hugging Face 的 LeRobot 和 Unitree 等公司已经在自己的开源工作中采用了它。我们正在通过为 Physical AI 构建新的数据库和云数据平台来继续这项工作，这将帮助团队更快地运行更多实验。

物理 AI 已从棘手变为不可避免 

物理 AI，无论是自动驾驶汽车、机器人、无人机还是空间计算，历来都是一个难以构建和投资的类别。要以大众市场价格销售复杂硬件，您需要大批量来证明您的高额前期成本是合理的。与此同时，很难在这些系统中构建足够通用的智能来应对大型市场。

过去几年 AI 的巨大进步改变了这种等式，反而启动了一个难以停止的飞轮。AI 的进步推动了投资，这导致了更多、更好的硬件部署，从而收集了更多的数据。这反过来又进一步推动了 AI 的进步，从而扩大了潜在市场。

机器学习将复杂性从在线数据管道转移到离线数据管道 

要交付 Physical AI 产品，您需要两种系统;在线系统，这是机器人在世界中移动时实时运行的内容，以及离线在数据中心运行以用于分析或改进在线系统的系统。

从在线系统记录的数据的可视化。此记录来自 Droid 数据集。

在传统的机器人系统中，智能行为是手写的，大部分复杂性在于在线系统。离线数据系统主要处理对记录数据或模拟的在线代码进行评估和测试。

自 2010 年代中期深度学习开始用于更简单的任务以来，团队一直在稳步用经过训练的模型取代在线系统代码。这一趋势今天仍在继续，越来越多的任务被端到端训练。Tesla 和 Wayve 等公司训练模型，这些模型直接将视频和原始传感器值作为输入和输出气体、制动和转向控制。

机器学习可以从根本上提高系统的能力，但它需要复杂的离线数据管道。您需要收集、管理和整理大型数据集，并弄清楚如何最好地利用这些数据训练模型。模型解决的任务越大、越复杂，离线数据整理就越复杂。例如，团队可能会离线运行更大的模型，这些模型可以 3D 重建完整的机器人环境并自动标记记录。这些标签用于改进模型的训练，然后部署该模型以进行在线推理。

对在线和离线数据使用不同的堆栈会导致摩擦 

传统的机器人数据工具，如 RViz 及其后代，是为机器学习之前的时代设计的。它们通过可视化来自在线系统的日志来提供可观测性，但并非为现代物理 AI 的大规模离线数据处理需求而构建。

另一方面，数据湖和湖仓一体架构（例如 Databricks）是为大规模分析和机器学习而构建的，但本身并不理解物理 AI 数据，这些数据通常包含随时间变化的空间关系。想象一下，尝试将多人 3D 游戏的不断发展状态放入一个包含数字和字符串的表中。

从原始在线日志中提取数据以进行进一步的离线处理后，有关数据真正含义的语义信息将丢失。传统的机器人可视化工具不再有效，这意味着研究人员无法了解整个数据管道。语义的丢失还迫使研究人员编写大量翻译代码，以便在每个步骤中重新解释数据。

所有这些复杂性都会损害迭代速度和速度。

快速发展需要快速、可观察、低摩擦的基础设施 

要快速提高 AI 功能，最重要的是快速运行高质量的实验。为此，研究人员需要快速、灵活、易于使用且易于修改的数据基础设施。为了产生新的想法并及早发现问题，他们还需要从收集到增强、培训和评估的整个过程中对数据进行可观察性。

研究人员应该能够以一致的方式处理原始日志和清理的训练数据。他们应该能够使用新的嵌入内容轻松增强数据集，或者从训练样本跳转到其来源的记录。他们应该能够直接可视化他们拥有的任何数据，无论它处于哪个处理阶段。他们应该能够使用向量搜索和 SQL 查询来管理数据集，而无需单独的系统。

需要的是跨在线和离线数据的一致数据模型 

为了在跨数据生命周期工作时获得低摩擦体验和良好的可观察性，您需要一个始终一致的强大数据模型。物理 AI 数据很复杂;它包括视频流、3D 和其他传感器数据流等内容，所有这些数据都以不同的速率异步变化。

数据模型决定了您如何描述和解释存储的数据。一个好的模型足够灵活，可以轻松地对研究人员关心的场景进行建模，但又足够受限，使做正确的事情变得简单而高效。

使用一致的数据模型，可以构建一个引擎，无需额外步骤即可可视化该模型中的任何数据，从而提供无缝的数据可观测性。Rerun 的开源可视化系统正是以这种方式构建的。在公司的前 2 年里，我们花了几年时间迭代物理 AI 的数据模型，该模型既适用于杂乱的在线日志，也适用于离线管道数据的高效列式存储。

一个好的 Physical AI 数据模型支持的第二件事是将更多特定于领域的作直接移动到数据库层。例如，您可以在数据库查询中执行时间对齐或解析空间变换链，从而大大简化这些类型的数据集的分析和管理。

可视化必须是开源的，因为到处都需要它 

可视化之于物理 AI 数据，就像文本之于文本。它需要可用print到处，用于所有形式的数据。

构建自主机器人包括原型算法、训练和评估模型、测试传感器、现场可观察性、QA、模拟、数据注释和管理、调试数据管道等等。在所有这些任务中，可视化可帮助您了解正在发生的事情。这些任务在各种环境中得到解决;从边缘设备到笔记本和脚本，再到云中的大型批处理作业，再到自定义工具和仪表板。

此示例视频显示了研究人员在调整参数时在 Notebook 中可视化训练。

因此，可视化内置于整个代码库的核心工具中。为此，依赖单一的闭源供应商是一个巨大的风险。如果您还希望可视化是低摩擦的、一致的并且可能扩展，那么唯一真正的选择是开源或维护内部实现。

查询引擎需要了解多种存储格式的数据集 

在线机器人系统通常使用面向消息的架构，以多种速率生成数据。运动传感器通常以 1000 Hz 的频率发送数据，相机可能以 30 Hz 的频率提供新帧，而高级规划模型可能以 4 Hz 的频率更新。这些类型的未对齐数据集以表格格式存储效率低下。此外，这些系统通常需要进行优化，以便以较低的开销快速将数据写入磁盘。因此，这些日志记录通常以 MCAP、uLog、rrd 或类似的自定义格式存储。

这些格式的共同点是它们不适合高效的大规模存储和处理。离线系统倾向于使用其他（通常是表格）存储格式（如 Parquet 或 Avro）以及二进制文件（如视频）。从未对齐的数据集到结构化表的转换通常是有损的，需要重新采样和插值以对齐数据并使其更易于处理。

为了能够以低摩擦和一致的方式处理在线和离线数据，您需要存储和查询引擎，这些引擎可以读取和理解未对齐的面向消息的数据集以及来自多种存储格式的对齐表格数据集。Rerun 通过将使用 Rerun 数据模型的查询引擎与用于将任意数据源映射到该模型的插件系统相结合来实现这一点。

我们正在为物理 AI 构建缺失的数据堆栈 

Rerun 正在为 Physical AI 构建数据堆栈。Rerun 开源项目可帮助您对 Physical AI 数据进行建模、记录和可视化。它将始终保持宽松的许可状态。我们将使用新资金来改进开源项目，并围绕它构建新的数据库和云数据平台。

该数据库是围绕与开源项目相同的数据模型构建的。这意味着它带有内置的可视化功能，可让团队在在线和离线系统上快速观察数据。查询引擎使您能够对原始日志和结构化数据集无缝组合向量搜索和完整数据帧查询，以支持机器人感知型数据科学和数据集管理。

最重要的是，Rerun 可让您更快地试验、迭代和交付 Physical AI 产品。

近日，Brainomix获得1400万英镑C轮融资，Parkwalk Advisors、BIVF、Hostplus投资。

本轮融资由知名健康科技投资者共同领投，其中包括现有投资者、英国最大的增长型 EIS 基金管理公司 Parkwalk Advisors 和勃林格殷格翰风险基金 （BIVF），以及通过 IP Group Hostplus 创新基金的新投资者 Hostplus。Hostplus 是澳大利亚领先的行业养老 （pension） 基金，管理着超过 120 亿澳元的基金。本轮融资由 LifeSci Capital 支持。

Brainomix 是从牛津大学分拆出来的，现在在全球 20 多个国家/地区开展业务，包括美国。它率先开发了一个人工智能平台 Brainomix 360 Stroke，该平台可以自动处理经过验证的成像生物标志物，以改进诊断和治疗决策。Brainomix 是公认的欧洲市场领导者，其 NICE 认可的技术已部署到 300 多家医院，已使超过 150万 患者受益。

该公司已展示出影响治疗率的独特能力，结果显示 Brainomix 360 中风与接受机械血栓切除术的患者人数额外增加 50% 有关，机械血栓切除术是一种改变生活的中风治疗方法，可减少残疾。

这项新投资将使 Brainomix 能够加速其在美国的商业扩张，该公司最近在美国获得了 75 项 FDA 批准。新资金还将支持 Brainomix 在新领域推进其人工智能技术组合，促进更快的诊断并增加获得挽救生命的治疗的机会。Brainomix 已发展成为一家拥有超过 <> 名员工的公司，并计划扩大其位于牛津的业务和全球商业团队。

Brainomix 将其 AI 专业知识应用于肺纤维化，其 Brainomix 360 e-Lung 技术已获得 FDA 批准，以准确预测疾病的进展。该公司与肺纤维化治疗领域的全球领导者勃林格殷格翰 （Boehringer Ingelheim） 建立了持续的合作伙伴关系，以评估 e-Lung 对现实世界的影响，以改善进行性肺纤维化患者的识别和治疗可及性。

Brainomix 首席执行官兼联合创始人 Michalis Papadakis 博士表示：“我们要感谢所有参与的投资者，包括 Parkwalk 和勃林格殷格翰风险基金的持续支持，并欢迎 Hostplus，他们都认识到我们的技术可以对中风和肺纤维化患者的治疗产生变革性影响。我们将继续利用我们作为欧洲市场领导者的地位和经验，在美国取得广泛成功，帮助改善患者护理和获得改变生活的疗法。

英国科学、研究和创新国务大臣 Patrick Vallance 勋爵表示：“Brainomix 开发的人工智能工具已经帮助患者快速准确地诊断和治疗一系列严重疾病。获得这笔资金将帮助他们发展、创造更多就业机会并支持更多患者。这不仅是优秀大学衍生出的一个例子，也证明了牛津和全国各地深厚的技术和生命科学专业知识库如何吸引投资到英国，推动增长，并支持我们的变革计划。

Parkwalk 首席投资官 John Pearson 表示：“人工智能平台在医疗保健领域彻底改变诊断和治疗决策的潜力是显而易见的。Brainomix 已成功证明其平台成像软件能够为投资者带来重大的社会影响和强劲的增长。Parkwalk 很高兴能够继续支持一家正在为关键需求创建综合解决方案并大规模实施它们的公司。

勃林格殷格翰风险基金 （BIVF） 投资经理兼 Brainomix 董事会董事 Oliver Reuss 博士表示：“Brainomix 在成功将人工智能解决方案成功引入中风临床实践方面展示了无与伦比的记录，他们现在正在肺纤维化中再次这样做。作为拥有加强肺病护理的共同愿景的战略投资者，我们相信 Brainomix 有可能改善肺纤维化患者的识别和治疗机会。

近日，新加坡国立大学（NUS）助理教授邵林与前苹果研究员田野成立了具身智能企业RoboScience，目前已经完成数千万的第一轮融资。

据了解，主打产品是跨实体通用具身智能（Cross Embodiment AI），同时也基于快慢系统的机器人学习框架与自监督训练开发机器人的具身操作系统，其Model-based RL+Manipulation路线也契合了邵林个人的研究经历。

2021年，邵林博士毕业，来到新加坡国立大学担任助理教授，继续深入钻研机器人操作，最近，邵林带领团队发表的D(R,O)跨实体灵巧抓取工作还获得了机器人顶会CoRL MAPoDeL Workshop的最佳机器人论文。

2017年硕士毕业后，田野加入苹果总部工作，负责AI平台与端侧深度学习框架，支撑了iPhone、 Apple  Watch、MacBook、Airpods、Vision Pro、Apple Intelligence等多平台 AI 框架的开发、优化与落地。去年，田野结束了长达七年多的苹果生涯，与邵林一起创立RoboScience。

机器人技术与 AI 的交汇点，持续吸引着投资者和大型科技公司的关注。据彭博社报道，专注于打造“类人”精细工业机器人的初创公司 Dexterity，已融资 9500 万美元，投后估值达到 16.5 亿美元。

该公司目前已累计筹集了近 3 亿美元。

这笔投资包括来自 Lightspeed Venture Partners 和 Sumitomo Corp.的支持，突显了市场对人工智能驱动机械日益增长的需求。

与此同时，Meta 和 Apple 等公司据传正探索投资于 AI 驱动的仿人机器人，而 Figure AI 和 Apptronik 等仿人机器人制造商初创公司最近也获得了巨额融资，用于开发执行多种任务的机器人，整个行业正掀起一股热潮。

Dexterity 的机器人设计，用于在仓库和工厂中执行重复且有时危险的任务，如装载箱子和分拣包裹，客户包括 FedEx 和 UPS。

创始人兼 CEO Samir Menon，之前在斯坦福大学攻读博士学位，告诉彭博社，这些机器人采用了专门的 AI 模型，每个模型专注于一项特定任务。

近日，Lila已筹集了2亿美元的承诺种子资金，投资方包括Flagship Pioneering、General Catalyst、March capital、ARK Venture Fund、Altitude Life Science Ventures、Blue Horizon Advisors、State of Michigan Retirement System、Modi Ventures和阿布扎比投资局（ADIA）的全资子公司。

Lila Sciences 联合创始人兼首席执行官兼普通合伙人 Geoffrey von Maltzahn 博士表示：“Lila 负责任地实现科学超级智能的使命是这样一种信念，即这是我们这个时代最重要的机会，而这一追求的领导者将是以最大规模、速度和智能运行科学方法的实体。 旗舰开拓。“为了实现这一目标，我们必须解决难题，让 AI 能够自主且可扩展地运行每一步——从 AI 模型产生想法到将其转化为机器人和自动化实践。我们在短短几年内取得了一些令人难以置信的进步，并且正处于这一重要使命的开始。

“纵观人类历史，科学探索的方法始终如一：我们预测、测试、学习、创造。然而，尽管我们取得了所有进步，但我们仍然只了解支配物理世界的规则的一小部分，“Flagship Pioneering 创始人兼首席执行官、Lila Sciences 联合创始人兼董事长 Noubar Afeyan 博士说。“对于 Lila，我们的假设是，通过扩大实验规模，我们可以解锁紧急能力并实现隐藏在较小规模上的发现。Lila 代表了一项雄心勃勃的事业，我们相信它将加速科学发展，为社会带来巨大利益。

Lila 的自主科学平台旨在通过将生成式 AI 与可通用、可扩展和自主的 AI 科学单元相结合，在人工指导下扩展和优化任何科学领域的实验。在短短几年的开发中，该平台在多个领域展示了超越人类和现有 AI 驱动基准的性能，包括：

-对重要科学问题和科学情报基准具有最先进推理能力的 LLM;

-产生优于市售疗法的最佳基因医学结构;

-发现和验证数百种用于广泛治疗靶点的新型抗体、肽和结合剂;

-在绿色氢气生产中产生独特的非铂族金属作为催化剂，而成本仅为当前商业催化剂的一小部分;和

-设计用于工业规模碳捕获的新材料，与领先产品相比，具有更好的容量、热稳定性和动力学结合力。

Lila 平台将向生命和材料科学行业的合作伙伴开放，以超出当今界限的速度和规模共同提出人类健康和可持续发展的解决方案。

Lila Sciences 未来科学联合创始人兼总裁兼 Flagship Pioneering 创始合伙人 Molly Gibson 博士补充道：“AI 已经改变了我们从现有数据中发现新见解的能力。我们相信，科学发现的下一个前沿将来自使 AI 能够以前所未有的规模设计和运行实验。这需要实验室的软件和硬件创新，以便随着科学方法的每次迭代，AI 系统可以同时编排数千个实验，系统地建立我们的理解并加速科学进步。这种方法有可能推进许多科学领域的研究，从医疗保健和药物开发到农业和可持续资源，并在我们的国内研发工作中创造弹性。

Lila 由一个团队领导，该团队在人工智能、安全、商业战略、组织效率、机器人技术以及生物学、化学和材料科学等科学领域拥有深入而广泛的专业知识。著名遗传学家 George Church 博士将担任首席科学家。Andrew Beam 博士担任公司的首席技术官，组建了一支领先的 AI 研究团队，其中包括 Kenneth Stanley 博士，他将担任高级副总裁。Rafael Gómez-Bombarelli 博士将加入公司，担任材料首席安全官。Christopher Fussell 是一位作家和跨职能协作专家，担任公司的运营总裁。

关于 Lila Sciences

Lila Sciences 是世界上第一个用于生命、化学和材料科学的科学超级智能平台和自主实验室。我们正在通过构建将 AI 应用于科学方法各个方面的能力，开创一个无限发现的新时代。我们正在引入科学超级智能来解决人类面临的最大挑战，使科学家能够以前所未有的速度和规模提出人类健康和可持续发展的解决方案。Lila 于 2023 年在 Flagship Pioneering 的实验室成立。

近日，美国生成式AI视频编辑工具Opus clip获得2000万美元战略投资。7 个月时间，用户量超过 500 万，ARR 收入接近 1000 万美元。

近日，Shield AI募资2.4亿美元F-1战略融资，公司估值为53亿美元。作为海豹突击队的一员，Shield AI 联合创始人 Brandon Tseng 亲身经历过智能自主性本可以挽救生命的问题。他问自己：“2030 年的军队是什么样子，自主性扮演什么角色？答案是：AI 飞行员为各种军事资产提供动力：飞机、无人机、轮船、卫星和潜艇。

2030 年的军队是什么样子，自主性扮演什么角色？答案是：AI 飞行员为各种军事资产提供动力：飞机、无人机、轮船、卫星和潜艇。

由于缺乏来自大型国防公司的软件和 AI 工程人才，这为重新开始并建立专注于 AI 飞行员的 21 世纪航空航天和国防技术公司提供了机会。2015 年，Shield AI 与联合创始人 Ryan Tseng 和 Andrew Reiter 一起成立，旨在为国防部和我们的盟友带来最好的 AI 和自主技术，以保护军人和平民。

近日，MelodAI选U币完成新一轮融资，LF Labs领投，Becker Ventures和香港投资公司Web3link参投，具体金额暂未披露。

去中心化 TransGRUs FL 框架

TransGRU 框架

MelodAI 建立在混合框架之上，该框架结合了 Transformer 和门控循环单元 （GRU） 的优势，可在音乐/视频生成和个性化推荐方面实现无与伦比的性能。

联邦学习

MelodAI 采用尖端的联邦学习 （FL） 框架，以提供个性化的 AI 功能，同时保持最高标准的数据隐私和安全。

去中心化存储

MelodAI 集成了强大的去中心化存储网络，以确保网络的隐私和安全，并为创作者和用户提供无缝体验。

Prime Intellect 正在为计算和智能构建点对点协议，实现集体创建、所有权和对主权开源 AI 的访问。我们正在超越集中式 AI，让任何人（从单独的 GPU 运营商到全球数据中心）都能贡献计算、代码或资本，并塑造开放和去中心化的 AI 生态系统。

今天，我们宣布已筹集 1500万美元 资金，由 Founders Fund 领投，参投方包括 Menlo Ventures、Andrej Karpathy（EurekaAI、Tesla、OpenAI）、Clem Delangue（Hugging Face）、Dylan Patel（SemiAnalysis）、Tri Dao（Together.AI）、Balaji Srinivasan（Network School）和 Emad Mostaque（Stability AI、智能互联网）、Jake Medwell（8VC 联合创始人）、Brendan McCord（Cosmos Institute）、Sandeep Nailwal（Polygon）等

这使我们的总资金超过 2000万美元，加速了我们在点对点计算和智能方面的工作。

扩展开放 + 去中心化 AI

Prime Intellect 已经在大规模运营。

计算：我们的 Compute Exchange 连接个人开发人员、初创公司、云提供商和数据中心，创建一个去中心化的 GPU 市场，使 AI 计算更便宜、更容易获得。

分散式模型训练：我们使用 PRIME 框架成功地训练了一个分散在三大洲的 10B 参数模型，证明分散式训练可以与集中效率相匹配，而无需单点控制。

开源 AI 研究：

-INTELLECT-1 的 10B 参数模型，这是第一个在去中心化基础设施上训练的模型。

-METAGENE-1，一种用于早期大流行检测和全球健康应用的生物基础模型。

-INTELLECT-MATH，一种使用 RL 训练的数学推理前沿模型。

-GENESYS + SYNTHETIC-1 ，一个分布式 RL 工作，从 DeepSeek-R1 生成最大的合成推理数据集。

-可验证计算：我们发布了 TOPLOC，这是一种用于高效可验证推理的局部敏感哈希方案。

-点对点计算和智能网络：Prime Intellect 协议已在测试网上运行，实现了一个无需信任的社区驱动型生态系统，贡献者可以从他们帮助创建的模型中受益。

下一步

我们正在构建一个开放、无需许可和集体拥有的 AI 未来。

-扩展计算市场 – 扩展我们的市场，以便任何人都可以按需租用或出售 GPU。

-Intelligence Markets – 实现所有不同 AI 模型的点对点市场，并使任何人都可以与现有企业竞争，以较低的成本提供 AI 模型。

-扩展分散式训练 – 集成 TOPLOC 式验证机制进行推理和训练，以将分散式训练、合成数据生成、分布式强化学习和推理扩展到前沿模型

-实现集体所有权 – 扩展我们的设计以支持模型、代理、数据集和代码的金融化，从而为开源 AI 提供新的收入来源

-与开源和去中心化 AI 领域的其他领先项目开展合作，以引导研究人员和开发人员共同推进开放研究的生态系统

-还有更多...

2025 年 2月 27日 — 领先的先进量子控制解决方案提供商 Quantum Machines （QM） 今天宣布，它已在 C 轮融资中筹集了 1.7 亿美元，使公司迄今为止的总资金达到 2.8亿美元。这项投资是在大多数量子计算公司现在依靠 QM 的技术来构建和扩展其系统之际进行的。本轮融资由 PSG Equity 领投，Intel Capital、Red Dot Capital Partners 和现有投资者参与，是量子行业最大的一轮融资。

2024 年是量子计算的分水岭，整个行业的突破性成就奠定了基础构建模块：Google 的 Willow 芯片在硬件层面展示了强大的性能增强，多家公司与 IBM 一起突破了 1,000 个量子比特，研究人员在 Google 的开创性演示的领导下，在量子纠错实施方面取得了长足的进步。在这股创新浪潮中，Quantum Machines 处于实现行业许多最重要进步的最前沿，并将利用这笔资金帮助推动具有数万个量子比特的量子计算机的发展。

“量子计算生态系统已经开放，现在全球有数百个团队并行推进前沿技术，并以前所未有的速度出现突破，”Quantum Machines 的联合创始人兼首席执行官 Itamar Sivan 博士说。“量子计算机的大规模采用指日可待。量子是我们这一代最大、最重要的技术竞赛之一。这是一场不输的游戏，我们非常荣幸能与该领域的领导者合作，提供核心基础设施以实现这一目标。

Quantum Machines 的混合控制技术支持在所有类型的量子计算机上无缝执行一些最苛刻的计算要求。这种多功能性推动了全球大多数量子计算公司迅速采用它。Quantum Machines 在 NVIDIA DGX Quantum 上的合作将加速计算与实时量子控制相结合，进一步缩短了从突破性量子计算机到实用量子计算机的时间。

“将量子处理器转变为功能性量子计算机是一项巨大的技术挑战，”Quantum Machines 的联合创始人兼首席技术官 Yonatan Cohen 博士说。“您需要精确控制量子系统，实时处理大量数据，并在量子和经典处理器之间编排复杂的算法。我们的平台独特地集成了所有这些功能，使团队能够快速从实验室的创新转变为数据中心的部署。

“量子计算行业正在达到一个拐点，”PSG Equity 董事 Rotem Shacham 说。“我们相信 QM 已成为领先量子公司构建和扩展量子计算机所依赖的'首选'解决方案。随着量子计算市场在过去十年中继续加速增长，QM 的领先市场地位和与多种量子技术合作的能力使其具有独特的优势，可以扩大其领导地位。我们很高兴能够领导这一轮融资，并支持 QM 进入下一阶段的增长。

“这项重大投资证明了我们商业模式和增长轨迹的实力，”Quantum Machines 首席财务官 Nir Ackerman 说。“凭借这笔资金，我们相信我们有能力加速扩张、推动创新并为我们的利益相关者创造长期价值。我们很高兴能在投资者的支持下再接再厉，并实现我们的愿景。

关于 Quantum Machines

Quantum Machines （QM） 是量子控制解决方案的领先提供商，通过其混合控制方法推动量子计算的进步。通过协调量子和经典作，Hybrid Control 消除了摩擦并优化了硬件和软件的性能，使研究人员和构建者能够快速迭代、解决挫折并将富有远见的想法变为现实。其平台支持任何类型的量子处理器，使该行业能够扩展系统、加速突破并突破界限——这在以前是不可能的。