Flox Intelligence 野生动物 AI 应对机场、铁路和道路上的动物碰撞
Flox Intelligence 正将其野生动物 AI 从固定式驱离装置拓展出去，目前已有 150 台边缘设备在三大洲运行。这些系统可识别附近动物，并选择针对特定物种的声音，旨在将它们驱离跑道、铁路、道路及其他基础设施。
这场冲突并不只是动物与机器之间的对抗。Flox 押注于自适应的本地智能，认为其效果可优于围栏、警报器、灯光、激光、巡逻和重复播放的声音。这些既有方式依然有用，但当野生动物改变路线或逐渐习惯某种驱离手段时，每种方式都存在局限。
据 Flox funding details 报道，该公司目前正启动一轮 1,000 万美元的 A 轮融资。它希望将已部署设备从约 150 台扩展至数千台。这一计划将一项不同寻常的保护技术，变成对边缘 AI 能否成为可靠基础设施的检验。
Flox Intelligence 野生动物 AI 从实验走向基础设施
关键变化并非又一次动物识别演示。Flox 正试图将探测、判断和驱离整合为一套操作系统。
Flox 源自斯德哥尔摩 KTH Royal Institute of Technology 开展的研究。创始人兼 CEO Sara Nozkova 此前曾在交通运输与自动驾驶领域工作 13 年。该公司于 2020 年从 KTH 分拆成立。
Nozkova 的前提是，传统驱离手段往往将野生动物视为一个可预测的单一类别。警报器可以发声，灯光可以闪烁，围栏可以改变动物行进方向；但这些工具未必知道到来的是哪种动物，或其当时处于何种行为状态。
Flox Edge 是公司目前的硬件产品，它利用运动传感器唤醒系统。随后，摄像头捕捉现场画面，设备端模型尝试识别动物。设备会选择适合该物种及当前情境的音频响应。
这属于边缘 AI，即设备在本地处理信息，而不是将每次观测都发送至遥远的云服务。对于偏远铁路、荒僻道路或大型机场等网络连接可能不稳定的地点，本地处理尤为重要，也能缩短从探测到响应之间的延迟。
该公司表示，其系统可随时间改变信号。这种变化旨在应对习惯化——动物面对重复刺激后逐渐停止反应的过程。固定录音在反复播放后，可能变成背景噪声。
Nozkova 用一句话概括了她的设计理念：“我坚信答案不是使用更响的驱离手段。”她的替代方案是一个会基于已识别物种和观测行为调整响应的系统。
硬件可安装在杆柱、树木及其他现有结构上。客户还可获得用于查看站点内部署、事件和环境状况的软件。该平台能够生成用于监管合规和生物多样性监测的报告，公司表示。
Flox 称，目前约有 150 台设备活跃于北美、欧洲和澳大利亚。据报道，部署地点包括机场周界、铁路走廊、道路、农场、公园、矿区、城市区域及电力变电站。
与国家级交通网络相比，这一规模仍然很小。但它已足以让设备面对不同物种、天气条件和运行环境。这些接触产生的现场数据，是 Flox 认为其优势核心所在。
公司销售实体设备，并在首年后收取年度软件和 AI 订阅费用。它还通过原始设备制造商合作授权软件。Alstom 正通过将 Flox 技术引入铁路设备来测试这一模式。
Nozkova 告诉 TechCrunch，Flox 预计 2026 年营收约为 150 万美元。该公司通过种子前轮和种子轮融资已筹集约 500 万美元。其拟议中的 A 轮融资将为大规模部署提供资金，并将技术拓展到当前野生动物应用以外的领域。
本轮融资尚未宣布完成。因此，Flox 已拥有运行中的系统和付费客户，但下一阶段扩张仍是一项目标融资计划。评估其时间表时，这一区别至关重要。
野生动物碰撞让这不只是一个保护项目
Flox 销售的是安全与运营连续性，动物保护服务于同一结果，而非一项独立使命。
野生动物会进入围绕受控移动设计的基础设施。飞机遵循跑道，列车沿铁轨行驶，汽车沿道路行进。动物不会理解这些运行边界，而它们的路线会因天气、迁徙、食物、施工和人类活动而改变。
航空领域最能体现这一问题的规模。最新的 FAA strike data 记录显示，1990 年至 2025 年间，美国民用航空器共报告约 34.4 万起野生动物撞击事件。2025 年，美国 870 座机场发生约 2.45 万起撞击事件。
FAA 估计，在此期间，这类事故每年给美国民用航空造成的平均损失约为 2.72 亿美元。这一估算涵盖报告的直接及其他货币损失，并未覆盖所有生态或运营后果。
鸟类占美国民用航空器报告撞击事件的 96%。但若将问题笼统视为鸟类控制，可能掩盖物种间的重大差异。FAA 表示，水禽仅占撞击事件的 4%，却占造成损害的撞击事件的 23%。
多数事件也发生在接近地面的高度。约 70% 发生在地面至 500 英尺之间。这一集中性使机场场地及其周边区域成为缓解工作的核心。
这种危险并非理论上的。2025 年 1 月，一架 United Airlines Boeing 737 MAX 9 从芝加哥 O’Hare 起飞时撞上一只郊狼。飞机安全返航，但这起 O’Hare coyote strike 导致飞机接受检查，并扰乱了乘客行程。
铁路在更长且控制程度更低的走廊中面临类似问题。Alstom 表示，瑞典每年记录约 5,000 起动物碰撞。这些事件可能伤害野生动物、损坏列车、延误乘客，并让驾驶员遭受创伤性经历。
法国则从另一个角度反映了运营负担。SNCF 表示，全国每年有超过 8,000 列列车受到游荡动物影响。在布列塔尼，2023 年发生的 120 起动物碰撞扰乱了 660 趟列车服务，并造成逾 15,000 分钟延误。
围栏仍然重要，尤其是在跑道附近和高风险铁路区段。然而，连续围栏成本高昂，也可能割裂栖息地。开口、穿越点、损坏区段和围栏末端同样可能成为可预测的进入点。
人工巡逻具备判断力，却无法持续监测每一条偏远走廊。受训犬只、猎鹰、爆炸驱鸟器、车辆、灯光和警报器都能驱散动物。其效果取决于人员配置、物种、时机、地形和持续跟进。
这给机场运营商、铁路公司、道路管理机构、公用事业单位和土地管理者带来压力。他们需要降低碰撞风险，同时不能完全依赖劳动密集型巡逻或致命性控制手段。他们还需要证据证明，任何自动化响应在部署后仍然有效。
Flox Intelligence 野生动物 AI 瞄准的正是这一空白。它承诺在一台现场设备中实现持续观测、物种分类和定向响应。公司如今必须证明，这种整合能否在精选试验之外改善结果。
其价值主张也超越了单次碰撞。每一次记录到的接触都可能揭示动物从何处进入场地、何时活动达到高峰，以及哪些干预会改变其行为。基础设施运营方可利用这些规律改进围栏、时刻安排、检查和栖息地管理。
这一数据层最终可能与声音本身同样重要。驱离装置针对一只动物作出反应，而映射后的历史数据可影响整个场地的运行方式。因此，Flox 竞争的是安全规划中的一席之地，而不只是跑道旁的一台设备。
物种特定声音是核心机制
Flox 的核心赌注是：当设备在决定如何响应前先识别动物时，野生动物驱离的效果会更好。
系统从一次事件开始，而非持续上传云端视频流。移动触发摄像头和本地模型。模型对画面进行分类，随后设备选择与该物种相关的音频信号。
响应可包括源自生物声学的信号——这一领域研究动物如何发出、接收并回应声音。Flox 将这些信号与计算机视觉和行为观察结合使用，其目标是在不发生物理接触的情况下引导动物离开。
这一流程使自适应野生动物驱离区别于定时播放同一录音的装置。狐狸、鹅、驼鹿和熊的感官优先级并不相同。当它们觅食、迁徙、守卫领地或携带幼崽移动时，反应也并不一致。
情境带来了严苛的技术难题。摄像头必须在不同距离和角度识别动物，有时还要应对雨雪、眩光、黑暗或植被遮挡。它还必须避免将人、阴影、车辆和摇动的植物误判为目标野生动物。
系统随后还需要给出适当响应。错误分类可能触发无关的声音。即便分类正确，如果动物处于紧张、分心状态，或已习惯类似信号，也可能不会移动。
时机同样关键。在动物进入铁路走廊之前发出警告，价值远高于列车抵达后才发出警告。Flox 宣传其响应时间低于两秒，但现实世界的安全性取决于完整的探测与部署几何条件。
该技术最有力的支持证据来自具体运营试验。2022 年至 2024 年间，Flox 与瑞典机场运营商 Swedavia 在 Malmö、Kiruna 和 Umeå 机场合作。
Flox 报告称，在这些试验中，针对 200 多只动物实现了 100% 驱离。接受测试的野生动物据称包括猛禽、鹅、狐狸和有蹄类动物。这些 airport validation results 来自公司本身，因此应视为供应商报告的结果。
Mora Airport 提供了一个更长期的部署案例。Flox 表示，六个月后，喜鹊、乌鸦和其他动物仍持续远离受保护的跑道区域。机场还报告称，对人工巡逻和临时驱赶的依赖有所减少。
这些案例表明，自适应声音可在特定条件下发挥作用。但它们并不能证明该技术在所有机场、物种、季节或景观下均具备独立的性能表现。每项主张背后的规模和研究设计仍是不可或缺的背景。
铁路测试引入了不同的运行模式。Flox 与 Alstom 将 AI 摄像头安装在列车上，以观察瑞典多条线路旁的野生动物。第一阶段用于探测动物，第二阶段则于 2026 年 4 月加入声音驱离功能。
瑞典铁路试验识别出了驼鹿、狍子、狐狸、野猪、家畜和鸟类。Alstom 表示，该系统在识别家畜、乌鸦和鸽子时表现尤为出色。
驼鹿和狍子则需要更多训练，才能达到相当的识别准确率。这一坦承意义重大，因为它说明了为何现场数据至关重要。造成严重碰撞风险的物种，也可能恰恰是最难被可靠识别的物种。
Flox 表示，其模型会从记录到的遭遇事件中学习，并通过变化响应方式来抑制动物产生习惯化反应。不过，“学习”可以指代多种不同过程：可能是定期更新模型、集中设计播放方案，也可能是每台设备内部的自动适应。
运营方需要明确哪些决策由系统自主完成，同时也需要建立对更新、事件审查、误报和干预边界的控制机制。安全领域客户很少会只购买算法，而不购买围绕算法建立的责任追溯流程。
该公司的长期计划是将软件延伸至列车、汽车、无人机、拖拉机和户外机器人。这一转变将推动 Flox 从固定式驱离设备，发展为嵌入移动机器中的野生动物感知层。
这一感知层或许可以向驾驶员发出警告、调整机器路线，或启动驱离措施。然而，每种行动都对应不同的安全要求。识别出动物，并不等同于能够在动物周围安全控制车辆。
自适应驱离仍须胜过既有替代方案
Flox 的竞争对手并非无所作为。它必须优于由屏障、人工、栖息地改造、传感器、声音、犬只和定向移除措施构成的多层组合。
FAA 建议采取综合野生动物管理，而非依赖单一设备。机场项目可改造栖息地、移除食物或水源、驱散动物、管理植被、改善围栏，并在必要时移除野生动物。
自适应声音系统适合纳入这一框架。它无法替代巡检、报告、栖息地工作或应急响应。一项负责任的部署应将 Flox 作为额外一层防护，并将其表现与既有现场数据进行比较。
已有多家公司实现了这一流程的部分自动化。Robin Radar 的 Scarecrow 产品能够识别鸟类并播放针对特定物种的求救声，同时记录活动情况，供运营方回顾发生的事件。
iCHASE 则选择了另一条路径。其系统利用计算机视觉探测鸟类，并将移动激光瞄准目标。响应会随目标而变化，为运营方提供自动化的视觉驱离手段，而非以声音为核心的方案。
这些竞争者揭示了真正的主要对手：自适应系统与静态驱离手段之间的较量。Flox 无须证明声音在所有情况下都优于激光、雷达、犬只或围栏；它需要证明，与感知相连的响应能比重复、缺乏情境判断的信号更持久地发挥作用。
其覆盖更广泛物种的雄心可能有所帮助。机场鸟类系统通常聚焦空中威胁，而 Flox 讨论的动物范围则从鹅类延伸至驼鹿和灰熊。多物种平台有望服务于管理多种基础设施的客户。
但广度也带来风险。一个经过训练、可区分瑞典机场周边鸟类的模型，未必能顺利迁移至澳大利亚道路附近的哺乳动物场景。不同地区会带来新的物种、行为、法律限制、气候和声学环境。
漏报是最显而易见的安全隐患。未被发现的动物会使原有风险继续存在。误报则会带来不同成本，包括不必要的声音、分散注意力的警报、受到干扰的野生动物，以及运营方信任度下降。
此外还存在动物福利问题。不能仅因设备避免使用致命手段，就默认其属于“人道”驱离。声音可能影响目标动物、非目标物种、附近居民，以及动物之间的沟通。
运营方需要了解声音强度、暴露时长、响应方向和非预期迁移的证据。只有系统不会将动物从一条跑道赶向另一处危险区域，将动物驱离某条跑道才有意义。
习惯化反应仍是另一项不确定因素。Flox 表示，变化的信号可避免动物认识到设备并不构成威胁。长期、经过独立审查的数据，将比短期试验或客户推荐意见提供更有力的证据。
该公司宣称，在机场场景中针对超过 200 只动物实现了 100% 驱离率，听起来令人印象深刻。然而，这一数字并未披露基础设施采购方所需要了解的全部统计口径。
采购方应询问如何界定一次成功的驱离事件，也应了解漏检数量、动物远离的持续时间，以及不同物种之间的表现是否存在差异。
天气和维护将影响结果。电池容量会衰减，镜头会积尘，植被会遮挡视野，扬声器也会老化。在受控试点中安装的设备，可能获得比数千台量产设备中单台设备更多的关注。
当设备进入关键基础设施时，网络安全和更新流程同样重要。运营方需要知道谁可以变更模型或声音库，并需要日志记录系统识别了什么、选择了什么以及传输了什么。
本地处理可降低对网络连接的依赖，但并不能消除软件风险。设备群仪表盘、模型分发、合规记录和客户账户仍会形成需要监督的联网组件。
商业执行能力可能成为决定性约束。Flox 希望在维持硬件、软件、现场支持和物种专属数据集的同时，将设备数量从约 150 台扩展至数千台。这是一次重大的运营跃升。
与这一雄心相比，该公司预计的 2026 年营收仍较为有限。其拟议的 1,000 万美元融资将支持扩张，但融资本身并不能验证市场需求或现场可靠性。
Flox 必须证明其安装和支持服务能够在不同客户间重复复制，而不只是展示技术前景。机场、铁路运营商和公共机构通常采购谨慎，因为设备故障可能带来安全和监管后果。
该公司最有力的论点，并不要求每位运营方放弃既有工具。它需要成为协调驱离地点、时机和方式的智能层。
哪些信号将显示 Flox 能否扩展
三项信号将决定 Flox Intelligence 野生动物 AI 能否成为基础设施的一部分，还是停留在一系列前景可期的现场试验。
第一项信号是独立的、按物种划分的性能数据。未来报告应将探测准确率与驱离成功率分开呈现，还应展示漏检、误报、动物返回时间、季节性变化，以及恶劣天气下的结果。
如果其性能在多个独立运营的地点保持一致，这些证据将增强 Flox 的论据。公司试验与由客户控制的评估之间若存在巨大差异，则会削弱其可信度。
第二项信号是 Alstom 铁路项目的结果。这项合作之所以重要，是因为它将软件从固定设备带向穿越不断变化景观的移动设备。成功需要快速识别、适宜的驱离措施，以及与铁路运营的安全整合。
值得关注的是，合作伙伴是否会公布碰撞变化，或高风险野生动物出现频率的可量化下降。仅有探测数量只能说明动物存在，不能证明这项技术能够防止事故。
第三项信号是拟议 Series A 融资后的部署增长。Flox 希望将设备数量从约 150 台提升至数千台。签约客户、重复订单、续约以及更广泛的 OEM 采用，将比融资目标提供更有力的商业证据。
规模化还应揭示订阅模式是否有效。客户必须从监控、模型更新、报告和分析中持续获得足够价值，才会在首次购买硬件后选择续约。
该公司更广阔的愿景值得关注，因为它超越了驱离本身。Nozkova 认为，在户外运行的机器需要更好地理解生物环境。在这一框架下，野生动物识别成为机器感知栈的另一部分。
这一理念可应用于交通、农业、保护、公共事业、采矿和建筑领域。列车可在碰撞前识别动物；拖拉机可避开鸟巢，无人机则可绕开受保护野生动物调整路线。
不过，每个应用场景都需要与其后果相适应的证据和控制措施。农场驱离设备、跑道安全设备和车辆控制系统不能共用一个不加区分的标准。可接受的错误率会随着潜在危害而变化。
对开发者而言，有意思的启示在于，边缘 AI 越来越涉及行为、时机和情境，而不只是分类。如果系统随后采取了错误行动，再正确的标签价值也有限。
对基础设施采购方而言，实际问题更直接：该系统能否在多个季节内减少事故、巡逻时间、延误和动物伤害？仪表盘活动和探测总数只是辅助指标，并非最终结果。
对保护团队而言，挑战在于衡量被驱离的动物去了哪里。有效干预应当保护野生动物，而非只是将冲突转移到监测边界之外。
Flox Intelligence 野生动物 AI 目前已有足够的部署历史，值得严肃关注，但公开证据尚不足以回答这些问题。其下一阶段将检验自适应驱离能否在不同物种、气候和客户运营环境中发挥作用。
对潜在采购方而言，最有用的行动是要求开展以结果为导向、具有明确基线的试点。在安装前后追踪碰撞、闯入事件、误报、重复出现、维护情况以及对非目标物种的影响。
如果 Flox 公布这些结果并将试验转化为续约，它将为户外 AI 的更大主张提供支持。若证据仍局限于经过筛选的成功案例，自适应野生动物驱离仍将是一种吸引人的机制，而非经过验证的基础设施标准。
