Flox Intelligence運用AI讓野生動物遠離火車、機場與道路

前言

一列開往孟買的火車撞上一頭野生野牛，撞擊損壞了引擎，乘客也因此滯留數小時。這類事件並非只發生在某個地區：野生動物與交通設施相遇，可能干擾運輸系統，並使世界各地的動物和人類都面臨風險。航空與鐵路數據顯示，這類事件的影響可能相當重大，從代價高昂的飛機撞擊事故到大範圍的列車延誤皆是如此。在交通運輸與自動駕駛車輛領域工作多年後，Sara Nozkova 得出結論：單純把傳統驅離設備的聲音弄得更大，並不是解決之道。她協助開發了一種不同的方法：透過人工智慧辨識附近的野生動物，並根據動物及其行為選擇合適的應對方式。本文將說明 Flox Intelligence 的技術如何運作、目前應用在哪些地方、公司的成長計畫，以及機器從受控環境走向自然環境時仍面臨哪些挑戰。

摘要

Flox Intelligence 使用現場 AI 裝置辨識附近的野生動物，並發出旨在驅離動物的聲音，而非單靠固定屏障或通用警報。其系統旨在調整應對方式，避免動物對重複訊號習以為常。公司已在多個地區和不同類型的場址部署約 150 台裝置，並銷售用於監控和報告的軟體。Flox 的長期目標，是將技術擴展至在戶外運作的車輛及其他機器。成長計畫包括募集一輪 1,000 萬美元 A 輪融資，以擴大部署規模，並開發目前野生動物應用場景以外的用途。

正文

野生動物與交通設施相遇，造成的後果可能遠不止短暫延誤。一個親身經歷的例子足以說明其中的危險：Sara Nozkova 八歲時，一列開往孟買的火車撞上一頭野生野牛後突然停了下來。撞擊嚴重損壞引擎，必須將火車拖走維修。乘客約八小時後才繼續旅程。這起事件令人難忘，也凸顯了更廣泛的問題：動物與交通設施在世界許多地方都可能發生衝突，不只是在鄉村地區。

其財務與營運影響可能相當顯著。FAA 估計，1990 年至 2025 年間，野生動物撞擊事故平均每年使美國民用航空業損失約 2.72 億美元。在法國，鐵路營運商 SNCF 表示，遊蕩動物每年影響全國超過 8,000 列火車，也是造成延誤的五大原因之一。在布列塔尼，動物於 2023 年遭 120 列火車撞擊，造成 660 班次服務受阻，並導致超過 15,000 分鐘的延誤。這些數字呈現了對交通運輸的干擾，但根本問題也引發了對動物安全與福祉的疑慮。

傳統上用來驅離野生動物的方法包括警笛、燈光、圍欄、獵鷹，以及撲殺。Nozkova 認為，更有效的解決方案應根據動物和當下情況作出回應，而不是一味加強固定訊號。「我確信答案不是把驅離設備弄得更大聲，」她告訴 TechCrunch。她的觀點來自 13 年在交通運輸與自動駕駛車輛領域工作的經驗。這段經歷讓她看到，為可預測環境設計的系統，在自然環境帶來變動條件與生物行為時，可能難以應對。

在依照已知布局和物件打造的場所，例如城市、生產線與倉庫，機器往往能有良好表現。自然環境則截然不同：動物行動難以預測，周遭環境不斷變化，條件也鮮少能完全受控。Nozkova 將這種落差形容為機器感知世界方式的限制。在人工建構環境中運作的系統，到了戶外可能變得不可靠，因為自然環境沒有固定的幾何結構，也不存在一套始終如一、可預期的物件。Flox 的核心理念，是建立一層感知能力，協助機器解讀野生動物活動，而不是把自然視為未知障礙。

為了實現這個理念，Nozkova 加入了位於斯德哥爾摩的 KTH 皇家理工學院 AI 實驗室。在那裡，她開始研發一套系統，能根據附近動物的行為以及動物種類調整驅離方式。這項研究後來發展成 Flox Intelligence，並於 2020 年自 KTH 脫離而成立。該公司入圍今年 TechCrunch Disrupt 的 Startup Battlefield 200 新創提案競賽決賽，活動預定於 10 月 13-15 日在舊金山 Moscone West 舉行。

Flox 的裝置會在現場處理資料，而不是將資料傳送至雲端分析，這種方式稱為邊緣運算。此方法類似自動駕駛車輛所使用的感知系統，不過 Flox 訓練模型辨識的是野生動物行為。動作感測器偵測到動靜後會啟動裝置，接著由攝影機拍攝附近場景，裝置上的模型則辨識動物。裝置會根據辨識結果，發出適合該物種、旨在將其嚇走的聲音。

這套系統也具備從經驗中學習的設計。它不會每次都以相同方式播放同一種訊號，而是可以改變應對方式，目的是降低動物對重複驅離訊號習以為常的風險。這種適應能力是公司方法的核心：考量物種特性的應對方式，可能比通用警報更有效；而變化也可能有助於長期維持效果。目標是阻止動物進入危險區域，而非傷害或移除牠們。

Flox 目前銷售可安裝在電線桿、樹木及其他結構上的電池供電裝置。其軟體平台可讓客戶總覽裝置的部署位置及場址狀況。平台也能產生符合法規要求的報告，並支援其他應用，包括生物多樣性監測。因此，這套系統不只用於驅離野生動物，也旨在提供周遭環境活動的相關資訊。

公司的長期目標，是讓軟體具備足夠的可攜性，能在戶外運作的機器上執行。潛在平台包括火車、汽車與無人機。這項目標呼應了 Nozkova 的更廣泛主張：實體 AI 正從工廠走向複雜的戶外環境。火車、卡車、無人機、拖拉機與機器人等機器，在運作時可能都需要辨識並回應自然環境。Flox 將野生動物智慧視為這些機器感知系統中可能新增的一層能力。

Nozkova 表示，目前北美、歐洲和澳洲共有約 150 台 Flox 裝置正在運作。部署地點包括飛行場及機場周界、道路與鐵路廊道、國家公園、農地、都市區、礦場，以及變電站等重要基礎設施。在交通路線沿線，公司特別指出圍欄末端，以及野生動物廊道上的穿越點是值得部署的地點。動物可能在這些基礎設施附近遇到開口或穿越點，而掌握野生動物活動資訊或有助營運方管理風險。

Flox 的商業模式結合設備銷售與持續性軟體收入。客戶先行購買邊緣運算裝置，第一年後則按年支付軟體與 AI 訂閱費。公司也與原始設備製造商（OEM）合作，合作企業每年支付費用，將 Flox 軟體部署於火車等車輛上。火車製造商 Alstom 是其中一家合作夥伴。這種安排有助於將技術整合至設備中，而不必只依靠安裝在路線旁的獨立裝置。

Nozkova 表示，Flox 預計 2026 年營收將達約 150 萬美元。公司所處的市場中，其他系統也運用技術管理野生動物相遇事件。Robin Radar 的 Scarecrow 使用特定物種的求救聲驅散鳥類，並記錄活動情況。iCHASE 則透過電腦視覺偵測鳥類，再以移動雷射瞄準牠們，並視需要調整應對方式。這些例子展示了面對同一廣泛挑戰的不同方法：辨識野生動物，並影響牠們在可能造成傷害或干擾的地點附近的行動。

Nozkova 表示，Flox 的潛在優勢在於系統涵蓋範圍廣，以及在現場蒐集的資料。她將這些資訊稱為「關於什麼實際上能讓麋鹿或灰熊安全移動的實地真相」。實地資料十分重要，因為系統必須在真實動物與真實環境中運作，而不只是通過受控環境中的展示。然而，公司的長期發展前景也取決於其裝置與軟體能否在不同物種、地點和操作條件下可靠運作。

Flox 在種子前輪和種子輪融資中合計募得約 500 萬美元。種子輪由 Unconventional Ventures 和 Tilia Impact Ventures 領投。Nozkova 表示，各輪共同投資者包括 GENIUS NY、Norrsken、Satgana，以及天使投資人。公司目前正啟動一輪 1,000 萬美元 A 輪融資。公司預計將把大部分新資金用於將部署規模從約 150 台裝置擴大至數千台，並將底層系統延伸至目前野生動物應用以外的領域。

Flox 的方法並不代表可以免除審慎評估的必要。驅離方式必須適合特定物種與環境，營運方也需要確認系統能否在減少危險相遇的同時，不造成其他問題。在機場、鐵路廊道、農業區和重要基礎設施部署，也會帶來各種不同的實際需求。儘管如此，該公司的工作仍在處理戶外自動化的一項重要限制：為受控環境打造的機器，可能需要更好的方法來感知充滿生命且持續變化的周遭環境。如果 Flox 能證明其適應性系統在實地可靠運作，這項技術就可能既能驅離野生動物，也能為更安全地與自然互動的機器奠定基礎。

重點摘要表