Flox Intelligenceの野生動物AI、空港・鉄道・道路での動物衝突に挑む
Flox Intelligenceは、固定式の忌避装置を超える野生動物AIの展開を進めており、すでに3大陸で150台のエッジデバイスが稼働している。これらのシステムは近くの動物を識別し、滑走路、鉄道、道路、その他のインフラから遠ざけるため、種に応じた音を選択する。
これは単に動物と機械の対立ではない。Floxは、適応的かつローカルな知能が、フェンス、サイレン、照明、レーザー、巡回、反復音より優れた効果を発揮できると見込んでいる。こうした従来の方法にも有用性はあるが、野生動物が経路を変えたり、忌避手段に慣れたりした場合には、それぞれ限界がある。
Flox funding detailsによると、同社は現在、1,000万ドル規模のシリーズAを開始している。展開済みユニットを約150台から数千台へ増やす考えだ。この計画は、ユニークな保全技術を、エッジAIが信頼できるインフラとなり得るかを試す取り組みへと変える。
Flox Intelligenceの野生動物AI、実験からインフラへ
重要な変化は、新しい動物認識デモではない。Floxは、検知、解釈、忌避を一つのオペレーティングシステムにまとめようとしている。
Floxは、ストックホルムのKTH Royal Institute of Technologyで行われた研究から生まれた。創業者兼CEOのSara Nozkovaは、それ以前に輸送と自動運転車の分野で13年間働いていた。同社は2020年にKTHからスピンアウトした。
Nozkovaの前提は、従来の忌避装置が野生動物を予測可能な単一カテゴリーとして扱いがちだというものだ。サイレンは音を出し、照明は点滅し、フェンスは動物の移動を誘導できる。しかし、どの動物が来たのか、あるいはその動物がどのように行動しているのかを理解するとは限らない。
同社の現行ハードウェア製品であるFlox Edgeは、モーションセンサーでシステムを起動する。次にカメラが現場を撮影し、デバイス上のモデルが動物の識別を試みる。ユニットは、その種と状況に適した音声応答を選択する。
これはエッジAIであり、各観測を遠隔のクラウドサービスへ送るのではなく、デバイスがローカルで情報を処理することを意味する。接続が不安定になり得る孤立した線路沿い、遠隔地の道路、大規模な飛行場では、ローカル処理が重要になる。また、検知から応答までの遅延も短縮する。
同社によれば、システムは時間の経過に応じて信号を変化させられる。この変化は、動物が繰り返される刺激に反応しなくなる馴化への対策だ。固定された録音は、十分な曝露の後には環境音になり得る。
Nozkovaは自身の設計思想を端的にこう説明した。「答えは、より大きな音を出す忌避装置ではないと確信していた」。その代替案は、検知した種と観察された行動に基づき応答を変えるシステムである。
ハードウェアは、ポール、樹木、その他の既存構造物に取り付けられる。顧客には、施設全体の配備状況、イベント、条件を確認するためのソフトウェアも提供される。同社によれば、このプラットフォームは規制遵守や生物多様性モニタリング向けのレポートも作成できる。
Floxによると、北米、欧州、オーストラリアで約150台のデバイスが稼働している。報告されている設置場所には、空港周辺部、鉄道回廊、道路、農場、公園、鉱山、都市部、変電所などが含まれる。
この規模は、国の交通ネットワークと比べればまだ小さい。しかし、異なる種、気象条件、運用環境にデバイスをさらすには十分な広がりがある。こうした遭遇が、Floxが優位性の中核と考えるフィールドデータを生む。
同社は物理ユニットを販売し、初年度以降は年額のソフトウェアおよびAIサブスクリプション料金を課している。また、OEMパートナーシップを通じてソフトウェアのライセンスも提供している。Alstomは、Floxの技術を鉄道機器に組み込む形でこの手法を試験している。
NozkovaはTechCrunchに対し、Floxは2026年に約150万ドルの収益を見込むと語った。同社はプレシードおよびシードラウンドで約500万ドルを調達している。提案中のシリーズAは、はるかに大規模な展開の資金となり、技術を現在の野生動物用途以外へ拡大することを目的としている。
このラウンドは、クローズ済みとして発表されていない。したがってFloxには運用中のシステムと有償顧客がいる一方で、次の拡大はなお資金調達上の目標である。この区別は、同社のスケジュールを評価する際に重要となる。
野生動物との衝突は、単なる保全プロジェクトではない
Floxは安全性と運用継続性を売り込み、動物保護を別個の使命ではなく、同じ成果につながるものとして位置付けている。
野生動物は、制御された移動を前提に設計されたインフラへ入り込む。航空機は滑走路を、列車はレールを、自動車は道路を進む。動物はそうした運用上の境界を認識せず、その移動経路は天候、移動、餌、建設、人間活動によって変わり得る。
その規模が最も明確なのは航空分野だ。最新のFAA strike dataによると、1990年から2025年にかけて、米国の民間航空機では約34万4,000件の野生動物衝突が報告された。2025年には、米国内の870空港で約2万4,500件の衝突が発生した。
FAAは、これらの事案がこの期間の米国民間航空に年間平均約2億7,200万ドルの損失をもたらしたと推定している。この推定には、報告された直接損失やその他の金銭的損失が含まれるが、すべての生態学的・運用上の影響を含むものではない。
報告された米国民間航空機との衝突の96％は鳥類だった。しかし、この問題を一般的な鳥類管理として扱うと、種による大きな違いが見えにくくなる。FAAによれば、水鳥は衝突の4％にすぎない一方、損害を伴う衝突の23％を占める。
ほとんどの事案は地上近くで起きる。約70％は地上から高度500フィートまでの間で発生している。この集中により、空港敷地とその周辺環境が軽減対策の中心となる。
危険は理論上のものではない。2025年1月、United AirlinesのBoeing 737 MAX 9がシカゴ・オヘア空港からの離陸中にコヨーテと衝突した。機体は安全に引き返したが、O’Hare coyote strikeにより点検と乗客への影響が生じた。
鉄道は、はるかに長く、管理の行き届きにくい回廊で関連する問題に直面する。Alstomによれば、スウェーデンでは毎年約5,000件の動物衝突が記録されている。こうした事案は野生動物を傷つけ、列車を損傷し、乗客を遅延させ、運転士に精神的負担の大きい体験をもたらす可能性がある。
フランスでは、運用上の負担を示す別の指標がある。SNCFによれば、徘徊する動物は毎年、全国で8,000本以上の列車に影響を及ぼしている。ブルターニュでは、2023年に起きた120件の動物衝突が660便の運行を乱し、1万5,000分以上の遅延を引き起こした。
フェンスは、特に滑走路の近くや高リスクの鉄道区間で引き続き重要である。しかし、連続したフェンスの設置は高コストで、生息地を分断する可能性がある。開口部、横断箇所、損傷部分、フェンスの終端も、予測可能な侵入地点になり得る。
人による巡回には判断力があるが、遠隔の回廊すべてを継続的に観察することはできない。訓練された犬、ハヤブサ、火工品、車両、照明、サイレンは動物を追い払える。その効果は、人員、種、タイミング、地形、継続的なフォローアップに左右される。
そのため、空港運営者、鉄道会社、道路当局、公益事業者、土地管理者には圧力がかかる。労働集約的な巡回や致死的な管理だけに頼らず、衝突リスクを下げる必要がある。また、自動化された対応が配備後も効果を維持するという証拠も必要になる。
Flox Intelligenceの野生動物AIは、そのギャップを狙う。一つのフィールドユニットで、継続的な観察、種の分類、標的を絞った対応を実現するとしている。同社は今後、この統合が選定された試験を超えて成果を改善することを示さなければならない。
価値提案は個々の衝突を超える。記録された遭遇のすべてが、動物がどこから施設へ入るのか、移動がいつピークを迎えるのか、どの介入が行動を変えるのかを明らかにし得る。インフラ運営者はこうしたパターンを、フェンス、運行計画、点検、生息地管理の改善に利用できる可能性がある。
このデータ層は、最終的には音そのものと同じくらい重要になるかもしれない。忌避装置は一頭の動物に反応するが、地図化された履歴は施設全体の運用に影響を与えられる。したがってFloxは、単に滑走路脇の位置ではなく、安全計画の中での位置を競っている。
種ごとの音が中核メカニズム
Floxの中心的な賭けは、デバイスが対応方法を決める前に動物を識別すれば、野生動物の忌避は改善するというものだ。
システムは、継続的なクラウド動画ストリームではなく、イベントから始まる。動きがカメラとローカルモデルを起動する。モデルが映像を分類し、その後、デバイスがその種に関連付けられた音声信号を選択する。
応答には、生物音響学、すなわち動物が音を発し、受け取り、反応する仕組みを研究する分野から得られた信号を含められる。Floxはそれらの信号をコンピュータビジョンおよび行動観察と組み合わせる。目的は、物理的な接触なしに動物を遠ざけることだ。
この一連の流れにより、適応型の野生動物忌避は、タイマーによって同じ録音を再生する仕組みと区別される。キツネ、ガチョウ、ヘラジカ、クマでは、感覚上の優先順位が同じではない。採餌中、移動中、縄張りを守っているとき、子どもを連れているときにも、同じようには反応しない。
文脈は厳しい技術課題を生む。カメラは、雨、雪、逆光、暗闇、植生の中でも、異なる距離や角度にいる動物を認識しなければならない。また、人、影、車両、揺れる植物を対象の野生動物と誤認しない必要もある。
その後、システムには適切な応答が求められる。誤った分類では無関係な音が発せられる可能性がある。正しく分類しても、動物がストレスを受けていたり、注意がそがれていたり、すでに似た信号に慣れていたりすれば、動かないこともある。
タイミングも重要だ。動物が鉄道回廊に入る前に発せられる警告は、列車が到着した後に発せられるものより価値が高い。Floxは2秒未満の応答時間を掲げているが、現実世界の安全性は検知と配備のジオメトリ全体に左右される。
この技術を裏付ける最も強い証拠は、具体的な運用試験から得られている。2022年から2024年にかけて、Floxはスウェーデンの空港運営会社Swedaviaと協力し、マルメ、キルナ、ウメオの各空港で試験を実施した。
Floxは、これらの試験で200頭超の動物に対して100％の忌避効果を報告している。試験対象の野生動物には、猛禽類、ガチョウ、キツネ、有蹄類が含まれたとされる。airport validation resultsは同社によるものであり、ベンダー報告の結果として扱うべきである。
Mora Airportは、より長期的な配備例を示している。Floxによれば、カササギ、カラス、その他の動物は、6カ月後も保護対象の滑走路エリアから離れ続けたという。同空港は、人による巡回や即興的な威嚇への依存も減ったと報告している。
これらの例は、適応型の音が選定された条件下で機能し得ることを示す。ただし、すべての空港、種、季節、景観にわたる独立した性能率を確立するものではない。各主張の背後にある規模と研究設計は、依然として不可欠な文脈である。
鉄道の試験では、異なる運用モデルが導入される。FloxとAlstomは、複数のスウェーデン路線沿いの野生動物を観察するため、列車にAIカメラを設置した。第1段階では動物を検知し、第2段階では2026年4月に音による忌避を追加した。
スウェーデンでの鉄道試験では、ヘラジカ、ノロジカ、キツネ、イノシシ、家畜、鳥類が識別された。Alstomによると、このシステムは家畜、カラス、ハトの識別で特に高い性能を示した。
ヘラジカとノロジカでは、同程度の識別精度に達するために、より多くの学習が必要だった。この事実は、現場データがなぜ重要なのかを示している。重大な衝突リスクをもたらす種ほど、確実に認識するのが難しい可能性がある。
Floxによれば、同社のモデルは記録された遭遇事例から学習し、慣れを防ぐために対応を変化させるという。ただし、「学習」は複数の異なるプロセスを指し得る。定期的なモデル更新、中央で設計された再生リスト、あるいは各デバイス内での自動適応が含まれる可能性がある。
運用者は、どの判断が自律的に行われるのかを明確に把握する必要がある。また、更新、イベントレビュー、誤報、介入の限界を管理する仕組みも求められる。安全性を重視する顧客が購入するのは、アルゴリズム単体ではなく、それを取り巻く説明責任のプロセスでもある。
同社の長期的な計画では、ソフトウェアを列車、自動車、ドローン、トラクター、屋外ロボットへと拡張する。これはFloxを、固定型の忌避装置から、移動する機械に組み込まれる野生動物認識レイヤーへと移行させるものだ。
こうしたレイヤーは、運転者への警告、機械の経路調整、忌避措置の作動などを担い得る。ただし、それぞれの行為には異なる安全要件が伴う。動物を認識することと、その周囲で車両を制御することは同義ではない。
適応型忌避システムは既存の代替手段を上回る必要がある
Floxが競合する相手は「何もしないこと」ではない。障壁、人員、生息環境の変更、センサー、音、犬、選択的な捕獲・除去を組み合わせた多層的な対策を上回らなければならない。
FAAは、単一の装置に依存するのではなく、統合的な野生動物管理を推奨している。空港のプログラムでは、生息環境の改変、餌や水源の除去、動物の追い払い、植生管理、柵の改善、必要に応じた野生動物の除去などが行われる。
適応型の音響システムは、この枠組みの一部として機能する。それは点検、報告、生息環境対策、緊急対応の必要性をなくすものではない。責任ある導入では、Floxを追加のレイヤーとして用い、その性能を既存の現場データと比較することになる。
すでに複数の企業が、このプロセスの一部を自動化している。Robin RadarのScarecrowは鳥を識別し、種ごとに異なる警戒音を再生する。また、運用者が発生内容を確認できるよう、活動記録も保存する。
iCHASEは別の手法を採る。同社のシステムはコンピュータビジョンで鳥を検出し、可動式レーザーを対象へ向ける。反応は対象に応じて変化するため、運用者には音響中心ではなく、自動化された視覚的忌避手段が提供される。
これらの競合企業が示す本質的な対立軸は、適応型システムと静的な忌避手段の比較だ。Floxは、音がレーザー、レーダー、犬、柵より常に優れていると証明する必要はない。知覚と結び付いた反応が、繰り返される文脈を理解しない信号よりも長く有効であり続けることを示せばよい。
より幅広い種を対象とする同社の狙いは、強みになる可能性がある。空港向けの鳥類システムは飛行中の脅威に焦点を当てることが多い一方、Floxはガンからヘラジカ、ハイイログマまでの動物を対象にしている。複数種対応のプラットフォームは、複数のインフラを管理する顧客に役立つ可能性がある。
一方で、対象範囲の広さはリスクも生む。スウェーデンの空港周辺で鳥を区別するよう学習したモデルが、オーストラリアの道路沿いにいる哺乳類へそのまま適用できるとは限らない。地域が変われば、新たな種、行動、法的制約、気候、音響環境が加わる。
最も明白な安全上の懸念は、見逃しだ。動物を見逃せば、元の危険は残る。誤検知には別のコストがあり、不必要な音、注意をそらす警報、野生動物への攪乱、運用者の信頼低下などにつながる。
動物福祉の問題もある。装置が致死的な手段を避けるからといって、「人道的」な忌避とみなすことはできない。音は対象動物、非対象種、近隣住民、動物同士のコミュニケーションに影響を与え得る。
運用者には、音の強度、曝露時間、反応方向、意図しない移動に関する根拠が必要だ。ある滑走路から動物を遠ざけても、別の危険へ追いやってしまうのであれば有用とは言えない。
慣れの問題も不確実性として残る。Floxは、変化する信号によって、動物が装置に脅威がないと学習するのを防げるとしている。短期間の試験や顧客の証言よりも、長期にわたり独立したレビューを受けたデータの方が強い根拠になる。
同社が掲げる、200頭を超える動物に対する空港での忌避率100％という主張は印象的だ。しかし、この数値だけでは、インフラの購入者が必要とするすべての分母は明らかにならない。
購入者は、忌避の成功イベントをどのように定義したのかを確認すべきだ。また、検出をどれだけ見逃したのか、動物がどのくらい離れていたのか、種ごとに性能が変化したのかも問う必要がある。
天候と保守は結果に影響する。バッテリーは容量を失い、レンズには汚れが付着し、植生は視界を遮り、スピーカーは劣化する。管理されたパイロットに設置された装置は、数千台の本番ユニットの一つよりも多くの注意を受ける可能性がある。
機器が重要インフラに導入される場合、サイバーセキュリティと更新手順も重要になる。運用者は、誰がモデルや音源ライブラリを変更できるのかを把握する必要がある。システムが何を検出し、何を選択し、何を送信したかを示すログも必要だ。
ローカル処理はネットワーク接続への依存を減らすが、ソフトウェア上のリスクをなくすわけではない。フリート管理ダッシュボード、モデル配布、コンプライアンス記録、顧客アカウントはいずれも、監督を要する接続コンポーネントであり続ける。
最終的な制約となるのは、商業面での実行力かもしれない。Floxは、ハードウェア、ソフトウェア、現場サポート、種別データセットを維持しながら、約150台のデバイスを数千台へ拡大しようとしている。これは大きな運用上の飛躍だ。
同社が見込む2026年の売上高は、この野心に比べればなお控えめだ。計画中の1,000万ドルの資金調達は拡大を支えるものになるが、資金調達そのものが需要や現場での信頼性を裏付けるわけではない。
Floxは、技術的な可能性だけでなく、顧客全体で再現可能な設置・支援体制を示さなければならない。空港、鉄道事業者、行政機関は、機器の故障が安全面・規制面の影響をもたらし得るため、慎重に購入することが多い。
同社の主張を最も強く成立させる形は、すべての運用者が既存ツールを放棄することではない。忌避をどこで、いつ、どのように行うかを調整するインテリジェントなレイヤーとしてFloxが機能することだ。
Floxが拡大できるかを示すもの
Flox Intelligenceの野生動物AIがインフラとして定着するのか、それとも有望な現場試験の集まりにとどまるのかは、3つの指標で決まる。
第一の指標は、独立した種別の性能データだ。今後の報告では、検出精度と忌避の成功を分けて示すべきである。また、見逃し、誤報、再来までの時間、季節変動、悪天候下での結果も示す必要がある。
複数の独立運営サイトで性能の一貫性が保たれれば、この証拠はFloxの主張を強める。企業主導の試験と顧客管理下での評価に大きな差があれば、その主張は弱まる。
第二の指標は、Alstomとの鉄道プロジェクトの成果だ。この提携は、ソフトウェアを固定ユニットから、変化する景観を通過する機器へ移す点で重要である。成功には、迅速な認識、適切な忌避、鉄道運行への安全な統合が必要となる。
両社が衝突件数の変化や、高リスクな野生動物の出現を測定可能な形で減らした結果を公表するかに注目したい。検出数だけでは、動物が存在していることしか示せない。この技術が事故を防ぐことを示すものではない。
第三の指標は、提案されているSeries A後の導入拡大だ。Floxは約150台から数千台への拡大を目指している。契約済み顧客、リピート受注、更新、OEM採用の拡大は、資金調達目標よりも強い商業的な証拠となる。
拡大は、サブスクリプションモデルが機能するかどうかも明らかにするはずだ。顧客は、初期のハードウェア購入後にも更新を続けるだけの継続的な価値を、モニタリング、モデル更新、レポート、分析に見いださなければならない。
同社のより広いビジョンは、忌避の枠を超えるため注目に値する。Nozkovaは、屋外で稼働する機械には、生きた環境をより深く理解する能力が必要だと主張する。この捉え方では、野生動物の認識は機械の知覚スタックの一部となる。
この考え方は、輸送、農業、保全、公益事業、鉱業、建設に応用できる。列車は衝突前に動物を認識できるかもしれない。トラクターは巣を避け、ドローンは保護対象の野生動物を避けるよう経路を変更できる可能性がある。
ただし、各ユースケースには、その結果に見合った根拠と制御が必要となる。農地の忌避装置、滑走路の安全ユニット、車両制御システムに、単一で区別のない基準を適用することはできない。許容される誤り率は、起こり得る損害に応じて変わる。
開発者にとって興味深い教訓は、エッジAIが分類だけでなく、行動、タイミング、文脈をますます含むものになっていることだ。システムがその後に誤った行動を選べば、正しいラベルの価値は限られる。
インフラの購入者にとって、実務上の問いはより直接的だ。このシステムは、複数の季節を通じて、事故、巡回時間、遅延、動物への被害を減らすのか。ダッシュボード上の活動や検出総数は補助的な指標であり、最終成果ではない。
保全チームにとっての課題は、移動させられた動物がどこへ向かうのかを測定することだ。有効な介入は、監視境界の外へ対立を移すだけでなく、野生動物を保護するものでなければならない。
Flox Intelligenceの野生動物AIには、真剣に注目するに足る導入実績が蓄積されている一方、これらの疑問を解決するには公開された証拠がまだ不十分だ。次の段階では、適応型忌避が種、気候、顧客の運用をまたいで機能するかが試される。
見込み顧客にとって最も有用な行動は、明確なベースラインを備えた成果重視のパイロットを求めることだ。設置前後で、衝突、侵入、誤報、再訪、保守、非対象への影響を追跡する必要がある。
Floxがこうした結果を公表し、試験を更新契約へ転換できれば、屋外AIについてより大きな主張を支えることになる。証拠が選ばれた成功事例にとどまるなら、適応型野生動物忌避は、実証済みのインフラ標準を欠いた魅力的な仕組みであり続けるだろう。
