Flox Intelligenceは、状況を理解しない警報を、まず動物を識別してから対応を選ぶ機器へ置き換えたいと考える。約150台が北米、欧州、オーストラリアで稼働している。次の課題は識別の実演ではなく、交通・公共設備に組み込まれても適応型の忌避が有効であり続けることだ。
資金調達報道によると、同社は数千台への拡大に向け、1,000万ドルのシリーズAを開始する。調達目標であって完了した投資ではない。設置拡大はアルゴリズムだけでなく、保守、対象種、現場支援を試す。
大きなサイレンではなく現地での判断ループ
Floxは2020年、ストックホルムのKTH王立工科大学から独立した。創業者兼CEOのSara Nozkovaは交通と自動運転に13年間携わっていた。繰り返す騒音と、どの動物が何をしているかの理解は、同じ課題を解くものではないという発想だ。
Flox Edgeは動作センサーで起動し、カメラ画像を撮って機器内の識別モデルを実行する。コンピュータービジョン、生物音響学、行動観察を組み合わせ、種と状況に応じた音を選ぶ。現地処理は遠隔の線路、道路、空港で通信依存と応答遅延を抑える。
同社は刺激の反復に動物が反応しなくなる「馴化」への対策として信号を変える。キツネ、ガン、ヘラジカ、クマでは反応が異なり、採食、移動、子連れでも変わる。正しい識別だけでは移動を保証できず、緊張、注意散漫、似た音への慣れも影響する。
機器は柱、木、既存構造物に取り付けられる。管理画面は配置とイベントを記録し、同社によれば法令対応や生物多様性の報告も可能だ。顧客は機器を買い、初年度以降はソフトとAIの年額契約を払う。OEMライセンスもあり、Alstomが鉄道機器への統合を試している。
NozkovaはTechCrunchに、過去の調達額は約500万ドル、2026年売上見込みは約150万ドルと述べた。150台という設置数と合わせて事業の出発点は示すが、数千台のサービス網が既に存在する証拠ではない。
衝突リスクの分母は動物種で異なる
FAAの野生動物衝突データは1990～2025年の米国民間航空で約34万4,000件を記録し、2025年だけで870空港、約2万4,500件だった。この期間の年平均金銭損失推計は約2億7,200万ドルで、生態系や運航への全被害を表すものではない。
鳥類は米国民間航空の報告衝突の96％を占める。水鳥は件数の4％でも損傷を伴う衝突の23％で、全体の約70％は地上から500フィートまでで起きる。問うべきは鳥を見つけられるかだけでなく、どの種と状況に対応できるかだ。
APの報道では2025年1月、Unitedの737 MAX 9がシカゴ・オヘア離陸中にコヨーテと衝突し、安全に引き返したが点検と旅客への影響が生じた。地上動物も重要だ。Alstomはスウェーデンで年約5,000件の動物衝突、SNCFはフランスで年8,000本超の列車が徘徊動物の影響を受けるとする。
ブルターニュでは2023年の120件の衝突が660便に影響し、遅延は1万5,000分を超えた。ただし連続した柵は高価で生息地を分断し、巡回もすべての区間を覆えない。犬、タカ、光、レーザー、火薬、環境整備は今も有用で、効果は種、地形、継続対応による。
空港・鉄道試験が支えるのは限定条件付きの結論
2022～2024年、FloxはSwedaviaとマルメ、キルナ、ウメオ空港で試験した。同社の試験報告は、猛禽、ガン、キツネ、有蹄類を含む200頭羽超で100％の忌避を報告する。特定条件での提供企業の結果であり、全空港で独立確認された率ではない。
モーラ空港では、カササギ、カラスなどが6カ月後も保護された滑走路区域を避け、巡回とその場しのぎの威嚇への依存が減ったとFloxはいう。より長期の例だが、成功の定義、見逃し、戻るまでの時間、種別、季節ごとの成績が必要だ。
FloxとAlstomはまず列車にAIカメラを付け、スウェーデンの路線沿いを観察した。第二段階で2026年4月に音の忌避を追加した。鉄道試験報告は、ヘラジカ、ノロジカ、キツネ、イノシシ、家畜、鳥類を挙げる。
Alstomによれば家畜、カラス、ハトの識別は特によく、ヘラジカとノロジカには追加学習が必要だった。危険な種ほど識別も難しい可能性がある。検出件数は存在を示すだけで衝突減少を示さず、走行列車は固定機器と時間条件や位置関係も違う。
Floxは2秒未満の反応を掲げるが、安全余裕にはカメラ配置、距離、動物の進行方向も含まれ、推論時間だけではない。「学習」も、定期モデル更新、音源庫の再設計、機器内の自律適応では監督要件が異なるため明確にすべきだ。
適応型の音は多層の安全・福祉計画の一部
FAAは生息環境、餌と水、植生、柵、追い払い、必要時の除去を含む総合管理を支持する。Floxは点検、報告、緊急対応の代替ではなく追加層になれる。自動化の例にはRobin RadarのScarecrowによる種別の警戒音や、iCHASEの視覚誘導型移動レーザーがある。
見逃しは危険を残し、誤検知は不要な音や注意をそらす警報、信頼低下を生む。雨雪、暗闇、逆光、植生はカメラの障害だ。スウェーデンの空港で機能したモデルが、オーストラリアの道路脇の哺乳類へそのまま移せるとは限らない。
非致死的だから無害とは限らない。音量、曝露時間、対象外の種や住民への影響、移動先を評価する必要がある。保護区域から別の危険へ追いやるのは安全上の成功ではない。馴化への長期効果には、選ばれた成功例より独立観察が重要だ。
実運用では汚れたレンズ、弱った電池、劣化したスピーカー、植生変化が加わる。運用者にはモデルと音源庫の変更権限、署名・管理された更新、イベント記録が必要だ。現地処理は通信依存を減らすが、管理画面、アカウント、機器群への配布リスクを消さない。
インフラの根拠は契約更新と事故減少
大きな裏付けになるのは三つだ。厳しい季節を含む独立した種別検出・忌避結果、Alstomによる衝突や高リスク侵入の減少、拡大時の再注文・更新・OEM採用である。調達目標や忙しい管理画面では代用できない。
Floxは自動車、ドローン、トラクター、屋外ロボットへの感知層も目指す。運転者への警告、経路変更、車両制御では安全責任が違う。農場の忌避器、滑走路機器、車両制御機能に一律の許容誤り基準は使えない。
可能性があるのは、いつ、どこで、どう介入するかを支え、イベント履歴で柵、点検、生息地計画も改善する仕組みだ。その役割を確立するには、Floxは正しいラベルや検出数だけでなく、事故、遅延、巡回作業、動物被害が持続的に減ることを示さなければならない。