Flox Intelligence运用AI让野生动物远离火车、机场与道路

前言

一列开往孟买的火车撞上一头野生野牛，撞击损坏了引擎，乘客也因此滞留数小时。这类事件并非只发生在某个地区：野生动物与交通设施相遇，可能干扰运输系统，并使世界各地的动物和人类都面临风险。航空与铁路数据表明，这类事件的影响可能相当重大，从代价高昂的飞机撞击事故到大范围的列车延误皆是如此。在交通运输与自动驾驶车辆领域工作多年后，Sara Nozkova 得出结论：单纯把传统驱赶设备的声音弄得更大，并不是解决之道。她协助开发了一种不同的方法：通过人工智能识别附近的野生动物，并根据动物及其行为选择合适的应对方式。本文将说明 Flox Intelligence 的技术如何运作、目前应用在哪些地方、公司的增长计划，以及机器从受控环境走向自然环境时仍面临哪些挑战。

摘要

Flox Intelligence 使用现场 AI 设备识别附近的野生动物，并发出旨在驱赶动物的声音，而非单靠固定屏障或通用警报。其系统旨在调整应对方式，避免动物对重复信号习以为常。公司已在多个地区和不同类型的场地部署约 150 台设备，并销售用于监控和报告的软件。Flox 的长期目标，是将技术扩展至在户外运行的车辆及其他机器。增长计划包括募集一轮 1,000 万美元 A 轮融资，以扩大部署规模，并开发目前野生动物应用场景以外的用途。

正文

野生动物与交通设施相遇，造成的后果可能远不止短暂延误。一个亲身经历的例子足以说明其中的危险：Sara Nozkova 八岁时，一列开往孟买的火车撞上一头野生野牛后突然停了下来。撞击严重损坏引擎，必须将火车拖走维修。乘客约八小时后才继续旅程。这起事件令人难忘，也凸显了更广泛的问题：动物与交通设施在世界许多地方都可能发生冲突，不只是在乡村地区。

其财务与运营影响可能相当显著。FAA 估计，1990 年至 2025 年间，野生动物撞击事故平均每年使美国民用航空业损失约 2.72 亿美元。在法国，铁路运营商 SNCF 表示，游荡动物每年影响全国超过 8,000 列火车，也是造成延误的五大原因之一。在布列塔尼，动物于 2023 年遭 120 列火车撞击，造成 660 班次服务受阻，并导致超过 15,000 分钟的延误。这些数字呈现了对交通运输的干扰，但根本问题也引发了对动物安全与福利的担忧。

传统上用于驱赶野生动物的方法包括警笛、灯光、围栏、猎鹰，以及捕杀。Nozkova 认为，更有效的解决方案应根据动物和当下情况作出回应，而不是一味加强固定信号。“我确信答案不是把驱赶设备弄得更大声，”她告诉 TechCrunch。她的观点来自 13 年在交通运输与自动驾驶车辆领域工作的经验。这段经历让她看到，为可预测环境设计的系统，在自然环境带来变化条件与生物行为时，可能难以应对。

在按照已知布局和物体打造的场所，例如城市、生产线与仓库，机器往往能有良好表现。自然环境则截然不同：动物行动难以预测，周围环境不断变化，条件也很少能完全受控。Nozkova 将这种差距形容为机器感知世界方式的局限。在人工构建环境中运行的系统，到了户外可能变得不可靠，因为自然环境没有固定的几何结构，也不存在一套始终如一、可预期的物体。Flox 的核心理念，是建立一层感知能力，帮助机器解读野生动物活动，而不是把自然视为未知障碍。

为了实现这个理念，Nozkova 加入了位于斯德哥尔摩的 KTH 皇家理工学院 AI 实验室。在那里，她开始研发一套系统，能根据附近动物的行为以及动物种类调整驱赶方式。这项研究后来发展成 Flox Intelligence，并于 2020 年从 KTH 脱离而成立。该公司入围今年 TechCrunch Disrupt 的 Startup Battlefield 200 初创提案竞赛决赛，活动预定于 10 月 13-15 日在旧金山 Moscone West 举行。

Flox 的设备会在现场处理数据，而不是将数据发送至云端分析，这种方式称为边缘计算。此方法类似自动驾驶车辆所使用的感知系统，不过 Flox 训练模型识别的是野生动物行为。动作传感器检测到动静后会启动设备，接着由摄像头拍摄附近场景，设备上的模型则识别动物。设备会根据识别结果，发出适合该物种、旨在将其吓走的声音。

这套系统也具备从经验中学习的设计。它不会每次都以相同方式播放同一种信号，而是可以改变应对方式，目的是降低动物对重复驱赶信号习以为常的风险。这种适应能力是公司方法的核心：考虑物种特性的应对方式，可能比通用警报更有效；而变化也可能有助于长期维持效果。目标是阻止动物进入危险区域，而非伤害或移除它们。

Flox 目前销售可安装在电线杆、树木及其他结构上的电池供电设备。其软件平台可让客户总览设备的部署位置及场地状况。平台也能生成符合法规要求的报告，并支持其他应用，包括生物多样性监测。因此，这套系统不只用于驱赶野生动物，也旨在提供周围环境活动的相关信息。

公司的长期目标，是让软件具备足够的可移植性，能在户外运行的机器上执行。潜在平台包括火车、汽车与无人机。这项目标呼应了 Nozkova 的更广泛主张：实体 AI 正从工厂走向复杂的户外环境。火车、卡车、无人机、拖拉机与机器人等机器，在运行时可能都需要识别并响应自然环境。Flox 将野生动物智能视为这些机器感知系统中可能新增的一层能力。

Nozkova 表示，目前北美、欧洲和澳大利亚共有约 150 台 Flox 设备正在运行。部署地点包括飞行场及机场周界、道路与铁路廊道、国家公园、农地、城区、矿场，以及变电站等重要基础设施。在交通路线沿线，公司特别指出围栏末端，以及野生动物廊道上的穿越点是值得部署的地点。动物可能在这些基础设施附近遇到开口或穿越点，而掌握野生动物活动信息或有助运营方管理风险。

Flox 的商业模式结合设备销售与持续性软件收入。客户先行购买边缘计算设备，第一年后则按年支付软件与 AI 订阅费。公司也与原始设备制造商（OEM）合作，合作企业每年支付费用，将 Flox 软件部署于火车等车辆上。火车制造商 Alstom 是其中一家合作伙伴。这种安排有助于将技术集成至设备中，而不必只依靠安装在路线旁的独立设备。

Nozkova 表示，Flox 预计 2026 年营收将达约 150 万美元。公司所处的市场中，其他系统也运用技术管理野生动物相遇事件。Robin Radar 的 Scarecrow 使用特定物种的求救声驱散鸟类，并记录活动情况。iCHASE 则通过计算机视觉检测鸟类，再以移动激光瞄准它们，并视需要调整应对方式。这些例子展示了面对同一广泛挑战的不同方法：识别野生动物，并影响它们在可能造成伤害或干扰的地点附近的行动。

Nozkova 表示，Flox 的潜在优势在于系统覆盖范围广，以及在现场收集的数据。她将这些信息称为“关于什么实际上能让麋鹿或灰熊安全移动的实地真相”。实地数据十分重要，因为系统必须在真实动物与真实环境中运行，而不只是通过受控环境中的演示。然而，公司的长期发展前景也取决于其设备与软件能否在不同物种、地点和运行条件下可靠运行。

Flox 在种子前轮和种子轮融资中合计募得约 500 万美元。种子轮由 Unconventional Ventures 和 Tilia Impact Ventures 领投。Nozkova 表示，各轮共同投资者包括 GENIUS NY、Norrsken、Satgana，以及天使投资人。公司目前正启动一轮 1,000 万美元 A 轮融资。公司预计将把大部分新资金用于将部署规模从约 150 台设备扩大至数千台，并将底层系统延伸至目前野生动物应用以外的领域。

Flox 的方法并不意味着可以免除审慎评估的必要。驱赶方式必须适合特定物种与环境，运营方也需要确认系统能否在减少危险相遇的同时，不造成其他问题。在机场、铁路廊道、农业区和重要基础设施部署，也会带来各种不同的实际需求。尽管如此，该公司的工作仍在处理户外自动化的一项重要局限：为受控环境打造的机器，可能需要更好的方法来感知充满生命且持续变化的周围环境。如果 Flox 能证明其适应性系统在实地可靠运行，这项技术就可能既能驱赶野生动物，也能为更安全地与自然互动的机器奠定基础。

重点摘要表