Flox Intelligence 希望用先识别动物、再决定如何回应的设备，取代不了解情境的警报。目前约 150 台边缘设备在北美、欧洲和澳大利亚运行。下一关不是再做一次识别演示，而是在设备进入交通与公用设施后，证明自适应驱离能长期有效。
据融资报道，公司正在启动 1,000 万美元 A 轮融资，希望扩张至数千台。这是融资目标，而非已经完成的交易。安装规模扩大，将同时考验维护、物种覆盖与现场支持，而不只是算法。
本地决策闭环，而不只是更响的警笛
Flox 于 2020 年从斯德哥尔摩的 KTH 皇家理工学院孵化独立。创始人兼 CEO Sara Nozkova 此前在交通与自动驾驶领域工作 13 年。她的出发点是：反复制造噪声，与理解眼前是什么动物、正在做什么，解决的不是同一个问题。
Flox Edge 由运动传感器唤醒，摄像头拍摄场景，再用设备本地模型识别。系统结合计算机视觉、生物声学与行为观察，选择针对物种及情境的声音回应。本地处理能减少偏远铁路、公路和机场对网络的依赖，也缩短响应延迟。
公司通过变化信号对抗习惯化，即动物逐渐不再理会重复刺激。狐狸、鹅、驼鹿或熊的反应可能不同，觅食、迁徙或带幼崽时的行为也会改变。识别正确仍不保证动物离开，它可能紧张、分心，或已习惯类似声音。
设备可固定在杆、树或现有结构上。控制台记录部署与事件，公司称还可提供合规和生物多样性报告。客户购买硬件，首年后支付年度软件与 AI 订阅费；另有 OEM 授权路线，Alstom 正测试将其整合到铁路设备。
Nozkova 向 TechCrunch 表示，Flox 早期融资约 500 万美元，预计 2026 年营收约 150 万美元。这些数字与 150 台设备说明业务已有起点，但不代表服务数千台设备的网络已经建成。
不同物种，对应不同的碰撞风险分母
FAA 野生动物撞击数据记录，美国民航在 1990 至 2025 年报告约 344,000 起撞击，其中 2025 年约 24,500 起、涉及 870 个机场。这一时期平均每年估计损失约 2.72 亿美元，不能代表全部生态及运行损害。
鸟类占美国民航报告撞击的 96%。水禽仅占撞击的 4%，却占造成损伤事件的 23%；约 70% 的事件发生在地面至 500 英尺之间。因此不能只问设备能否识别鸟，更要问它能处理哪些物种和情境。
据 AP 报道，2025 年 1 月，一架 United 波音 737 MAX 9 从芝加哥奥黑尔起飞时撞上郊狼，安全返航后需要检查，也打乱旅客行程。地面动物同样重要。Alstom 称瑞典每年约有 5,000 起动物碰撞；SNCF 称法国每年超过 8,000 列列车受游荡动物影响。
2023 年布列塔尼的 120 起动物碰撞扰乱 660 班服务，造成超过 15,000 分钟延误。不过，连续围栏昂贵且割裂栖息地，巡逻也无法覆盖每段走廊。犬、猎鹰、灯光、激光、烟火和栖息地管理仍有用，效果取决于物种、地形和后续行动。
机场与铁路试验，支持的是有条件的结论
2022 至 2024 年，Flox 与 Swedavia 在马尔默、基律纳和于默奥机场合作。公司试验说明称，超过 200 只动物的驱离成功率为 100%，包括猛禽、鹅、狐狸和有蹄类。这是特定条件下的供应商结果，并非所有机场都经独立验证达到的比例。
在 Mora 机场，Flox 称喜鹊、乌鸦及其他动物六个月后仍避开受保护跑道区域，机场对巡逻与临时惊吓手段的依赖下降。这个时间跨度更长，但采购方仍需知道成功定义、漏检数量、返回间隔、物种细分和逐季表现。
Flox 与 Alstom 最初在列车上安装 AI 摄像头，观察瑞典线路旁的动物；第二阶段于 2026 年 4 月加入声音驱离。铁路试验报告列出驼鹿、狍、狐狸、野猪、家畜和鸟类。
Alstom 称家畜、乌鸦和鸽子的识别尤其好，驼鹿与狍则需要更多训练。这一点重要，因为高风险物种也可能更难识别。检测次数只能说明动物在场，不能说明碰撞减少；行驶列车的时间窗口和空间关系，也不同于固定设备。
Flox 宣传响应低于两秒，但安全裕量还包括摄像头位置、距离和动物移动方向，而非推理时间本身。关于系统学习的说法也需明确：周期模型更新、重新设计声音库和自主本地适应，对应不同监督要求。
自适应声音须纳入分层安全与动物福利方案
FAA 主张综合野生动物管理，包括栖息地、食物水源、植被、围栏、驱散及必要时移除。Flox 可以补充一层，不能取代检查、报告或应急处置。类似自动化路线还包括 Robin Radar 的 Scarecrow 物种特定惊叫，以及 iCHASE 由视觉引导的移动激光。
漏检会让危险继续存在，误报则产生不必要的声音、干扰警报和信任下降。雨雪、黑暗、眩光和植被也会挑战摄像头。在瑞典机场有效的模型，不一定能原样适用于澳大利亚公路旁的哺乳动物。
非致命不自动等于无害。声音强度、暴露时间、非目标物种与附近居民受到的影响，以及动物最终被赶到哪里，都很重要。把动物从受保护区域赶向另一危险处，不能算安全成功。证明长期不习惯化，需要独立观察，不能只靠筛选过的成功案例。
正式运行还会遇到镜头脏污、电池衰弱、扬声器退化和植被变化。运营方需要掌握模型与声音库修改权限，采用签名及受控更新，并保存事件记录。本地处理降低网络依赖，却不消除控制台、账户或机群软件分发的风险。
基础设施的证明，应是续约与事故减少
三类进展会实质增强其理由：在困难季节开展独立、物种级识别与驱离评估；Alstom 数据显示碰撞或高风险侵入减少；设备扩张时出现复购、续约与更广 OEM 采用。融资目标或繁忙控制台不能替代这些结果。
Flox 还希望将感知层带入汽车、无人机、拖拉机和户外机器人。提醒驾驶员、改变路线和直接控制车辆，安全责任各不相同。农场驱离器、跑道设备与车辆控制功能，不能共用一个不分场景的可接受错误标准。
合理的机会，是帮助运营方决定何时、何地、如何干预，并用事件历史改善围栏、巡检和栖息地规划。要确立这个角色，Flox 必须证明事故、延误、巡逻工作与动物伤害长期下降，而不只是标签更准或检测数量增加。