Что такое Flox Intelligence и какую задачу решает
Flox Intelligence - шведский стартап, выделившийся из KTH Royal Institute of Technology в Стокгольме в 2020 году. Компания делает edge-устройства, которые защищают критическую инфраструктуру от диких животных и обрабатывают данные на месте, а не в облаке. В октябре 2026 года она вышла в финал конкурса Startup Battlefield 200 на TechCrunch Disrupt в Сан-Франциско (TechCrunch).
Как это работает в двух строках: датчик движения будит устройство, камера получает кадр, встроенная модель распознаёт вид животного, после чего устройство издаёт подходящий этому виду звук и меняет сигналы, чтобы звери не привыкали к одному и тому же раздражителю. Вся обработка идёт на самом устройстве, интернет для реакции не нужен.
Основательница Сара Ножкова провела 13 лет в транспорте и автономных транспортных средствах. Она пришла в AI-лабораторию KTH в Стокгольме и начала собирать систему, которая меняет реакцию в зависимости от того, что животное рядом делает и к какому виду относится.
Проблема измеряется в деньгах и в сорванных рейсах. FAA оценивает, что столкновения с дикой природой обходились гражданской авиации США в среднем примерно в $272 млн в год в период с 1990 по 2025 год. Французский оператор SNCF сообщает, что бродячие животные влияют более чем на 8 000 поездов по стране ежегодно и входят в пять главных причин задержек. В Бретани за 2023 год 120 поездов столкнулись с животными: это нарушило 660 рейсов и привело к более чем 15 000 минут задержек.
Сейчас устройства Flox работают на аэродромах, вдоль автомобильных и железных дорог, в национальных парках, на сельхозугодьях и подстанциях. По данным компании, в поле около 150 устройств: в Северной Америке, Европе и Австралии. Модель продажи - железо плюс годовая подписка на софт и AI.
Дальше разберём, как устроен локальный инференс, где подход упирается в ограничения и на чём компания планирует зарабатывать.
Как устроен edge-инференс в полевых условиях
Цепочка целиком выглядит так: датчик движения фиксирует движение и будит устройство, камера получает кадр, встроенные модели определяют, что за животное рядом, и устройство издаёт видоспецифичный звук. Система учится на опыте и варьирует ответы, чтобы животные не привыкали к повторяющимся сигналам (TechCrunch).
Почему edge, а не облако. На перегоне, на периметре аэродрома или на подстанции нет ни стабильного интернета, ни розетки. Отправка кадров на сервер добавляет задержку и требует канала, а реакция нужна за секунды, пока животное ещё на подходе. Устройства работают от батарей и крепятся на столбы, деревья и другие конструкции, то есть монтаж не требует ни кабельной трассы, ни питания на месте.
Датчик движения и камера AI: как работает пробуждение
Датчик движения - первый триггер и главный инструмент энергосбережения. Камера и вычислительный модуль не работают постоянно: они включаются только тогда, когда рядом что-то движется. Если объект не попал в кадр или не распознан, звуковая реакция не запускается и заряд не тратится. Порядок событий простой: движение, пробуждение, кадр, классификация, решение о звуке.
Такая схема экономит батарею, но переносит часть рисков на сенсорику. Устройство должно проснуться достаточно быстро, чтобы успеть снять животное, которое движется в сторону путей или полосы. Чем позже сработал триггер, тем меньше времени на отпугивание.
Модели компьютерного зрения на устройстве: что внутри
Flox не раскрывает ни архитектуру моделей, ни вычислительную платформу, ни энергопотребление. Из открытых материалов известно только то, что модели встроенные, работают на устройстве и умеют определять вид животного. Список видов, на которых обучены модели, тоже не публикуется. Точность распознавания и задержка инференса - ключевые метрики для такого продукта, но конкретных цифр нет, поэтому всё сказанное про качество распознавания здесь ограничено заявлениями компании.
Что можно утверждать: обновления моделей и данные, которые устройства собирают в поле, работают как актив. Полевые данные о поведении животных сложно получить, не имея парка устройств на реальных объектах. По словам основательницы, преимущество Flox именно в широте системы и в накопленных полевых данных о поведении зверей.
Видоспецифичный звук и адаптация сигналов
После классификации устройство выбирает звук под конкретный вид. Для птиц и для копытных сигналы разные: то, что пугает ворону, не работает против оленя. Второй слой - варьирование: система не повторяет один и тот же сигнал, поэтому реакция животного угасает медленнее, чем при фиксированной сирене. Ножкова описывает свою логику так: «Я была убеждена, что ответ - не более громкое отпугивающее средство».
Конкретные наборы звуков, их частоты и уровень громкости Flox не публикует, так что оценить, насколько аудиосигналы отличаются от обычных промышленных отпугивателей, снаружи нельзя.
Чем Flox отличается от сирен, ограждений и лазеров
Традиционный набор для защиты путей, дорог и аэродромов - сирены, огни, заборы, соколы и отстрел. Общий принцип у них один: постоянный или повторяющийся раздражитель, который не меняется в зависимости от того, кто именно подошёл.
| Подход | Как работает | Что учитывать |
|---|---|---|
| Сирены и огни | Звуковой или световой раздражитель с фиксированным сигналом | Предсказуемый сигнал со временем становится фоновым шумом |
| Заборы | Физический барьер вдоль путей, дорог и по периметру | Дорого на длинных участках, нужен ремонт, есть разрывы и обходы |
| Соколы | Биологический метод отпугивания | Зависит от расписания и погоды, ограничен по площади |
| Отстрел | Сокращение численности животных у инфраструктуры | Регуляторные и этические ограничения, применяется точечно |
| Robin Radar, Scarecrow | Радар обнаруживает птиц, система отпугивания реагирует | Фокус на птицах и на радиолокационном обнаружении |
| iCHASE | Лазерное отпугивание птиц | Специализация на птицах |
| Flox Intelligence | Датчик движения, камера, модель на устройстве, видоспецифичный звук | Работает автономно, данные не уходят в облако, публичных метрик точности нет |
Почему статичные сирены перестают работать
Животные привыкают к повторяющимся сигналам. Одинаковая сирена через какое-то время перестаёт вызывать реакцию: зверь возвращается на путь или на полосу, а громкость уже ничего не меняет. Проблема не в уровне децибел, а в предсказуемости сигнала. Варьирование и привязка к виду животного бьют именно в эту точку.
Измеренных цифр по снижению привыкания Flox не публикует, поэтому корректно говорить о механике, а не о подтверждённом результате.
Robin Radar и iCHASE: чем отличаются конкуренты
Robin Radar Systems делает радары для обнаружения птиц и систему Scarecrow для отпугивания. Израильская iCHASE применяет лазеры против птиц. Flox работает звуком и заявляет более широкий охват видов: не только пернатые. Аргумент компании - широта системы и накопленные полевые данные.
Независимого сравнения эффективности трёх решений в открытых источниках нет. Разумный способ оценивать такие продукты - смотреть, какую конкретную задачу закрывает каждое устройство: обнаружение птиц радаром, лазерное отпугивание или адаптивная реакция на разные виды животных.
Где уже работают устройства Flox: сценарии и кейсы
По данным компании, в поле около 150 устройств: Северная Америка, Европа и Австралия. Объекты разные: аэродромы, обочины дорог, железнодорожные участки, национальные парки, сельхозугодья и подстанции. Масштаб пока соответствует стадии пилотов и ранних серийных поставок, а не массовой эксплуатации. Ниже - что именно решается на каждом типе объектов.
Аэропорты и авиация: защита от птиц и животных
Столкновения с птицами и зверями на аэродромах дорого стоят и напрямую влияют на безопасность полётов: по оценке FAA, гражданская авиация США теряла на этом около $272 млн в год в среднем за 1990-2025 годы. Ту же статистику и цифры по железным дорогам приводит в своём разборе TechCrunch.
Логика применения в авиации: устройства ставят по периметру и в зонах подхода, чтобы отпугивать животных до того, как они выйдут на лётное поле или в створ глиссады. Речь о классе задач, которые решает такое устройство; публичных данных о том, что Flox работает по контракту с FAA, нет.
Железные дороги: меньше столкновений и задержек
Ущерб на железной дороге считается не только в разбитых локомотивах. SNCF сообщает, что бродячие животные влияют более чем на 8 000 поездов во Франции ежегодно и входят в пять главных причин задержек. В Бретани за 2023 год 120 поездов столкнулись с животными: 660 нарушенных рейсов и более 15 000 минут задержек.
Здесь OEM-партнёрство с Alstom весит больше, чем в других сегментах: производитель железнодорожной техники и систем может встраивать устройства в свои решения, а это короткий путь к крупным операторам без собственной длинной дистрибуции.
Дороги, нацпарки, сельхозугодья и подстанции
На дорогах задача - сократить ДТП с животными на участках с высокой плотностью зверей, где стандартные знаки и ограждения не покрывают всю длину. В национальных парках добавляется вторая функция: платформа генерирует отчёты, пригодные для мониторинга биоразнообразия и для соблюдения нормативных требований. На сельхозугодьях система защищает урожай, на подстанциях - предотвращает короткие замыкания и повреждения оборудования, когда зверь заходит на территорию объекта.
Бизнес-модель и экономика Flox Intelligence
Бизнес строится на двух потоках: батарейные устройства и годовая подписка на софт и AI. Клиент покупает железо, а умная часть продукта живёт по подписке.
Железо + подписка: как это работает
Подписка покрывает софт, AI и платформу: заказчик видит, где развёрнуты устройства и что происходит на объекте, а также получает отчёты для регуляторов и внутренней аналитики. Цены Flox не публикует, поэтому unit-экономику снаружи не посчитать. Для поставщика это регулярная выручка и повод обновлять модели, для клиента - зависимость: без продления подписки интеллектуальная часть системы перестаёт развиваться, хотя сами устройства продолжают работать.
OEM-партнёрство с Alstom: что это даёт
Alstom - один из крупнейших игроков железнодорожного рынка. OEM-партнёрство означает, что устройства Flox могут поставляться внутри чужих решений, а не только напрямую. Для стартапа это способ получить доступ к операторам инфраструктуры через канал партнёра. Публичных данных о том, приносит ли партнёрство выручку уже сейчас, нет.
Планы Series A и масштабирование до тысяч устройств
Flox привлекла около $5 млн на pre-seed и seed, ожидает выручку порядка $1,5 млн к концу 2026 года и открывает раунд Series A на $10 млн. Цель - вырасти примерно с 150 устройств до нескольких тысяч.
Разрыв между текущим парком и целью измеряется десятками раз, и упирается он не только в модели. Это производство, логистика, монтаж и сервис на нескольких континентах, то есть классическая проблема масштабирования AI-железа. Примеры проектов, которые не прошли именно эту часть, разобраны в материале о закрытых AI-продуктах.
Ограничения и технические вызовы edge-AI для дикой природы
Устройство работает в самой недружелюбной среде для электроники: пыль, влага, перепады температур и животные, которые не читают документацию. Ниже - ограничения, которые стоит держать в голове при оценке любых систем такого класса.
Ложные срабатывания и точность распознавания
Модель на устройстве всегда ограничена вычислительным бюджетом. Чем компактнее модель, тем выше шанс ошибиться на редком виде, в сумерках, в дождь или когда животное частично перекрыто кустами. Ложный пуск расходует заряд и звучит впустую, пропуск означает, что животное осталось у путей. Публичных метрик точности и полноты распознавания Flox не приводит, поэтому сравнить её с конкурентами по качеству нельзя.
Привыкание животных: можно ли обмануть надолго
Варьирование сигналов замедляет привыкание, но не отменяет его. Животные адаптируются к любому раздражителю, если он не подкреплён реальной угрозой. Данных для оценки долгосрочного эффекта мало: парк около 150 устройств и короткая история установок. Это фундаментальное ограничение подхода, а не баг конкретной прошивки.
Энергопотребление, погода и разнообразие видов
Устройства батарейные. Датчик движения экономит заряд, но камера, инференс и звук его тратят, а конкретную автономность Flox не публикует. На морозе ёмкость батарей падает, оптику забивает грязь и снег, и всё это снижает шанс получить чёткий кадр в нужный момент.
Третий фактор - разнообразие видов. Набор животных, на которых обучены модели, не раскрыт, а фауна Австралии, Скандинавии и Северной Америки различается радикально. Каждый новый регион означает новые данные и новую валидацию, а не просто обновление прошивки.
Валидация в поле
Главный вопрос для заказчика: измерили ли эффект. Правильная метрика - снижение числа столкновений на конкретном участке, а не количество срабатываний устройства. Независимых исследований эффективности Flox не публикует, поэтому перед запуском разумно закладывать собственный пилот с замером инцидентов до и после установки.
Куда движется «nature intelligence» для автономных машин
Долгосрочная цель Flox выходит за рамки отпугивания: компания хочет сделать софт достаточно портативным, чтобы он запускался на машинах. В открытом интервью эта мысль обрывается на общей формулировке, конкретный сценарий не раскрыт, но направление читается: распознавание животных нужно и для защиты объектов, и для тех, кто едет по этой территории сам.
Ножкова формулирует проблему автономных систем прямо: «Мы научили машины быть блестящими, но только внутри сред, которые мы для них спроектировали. Города, заводские линии, склады. Фиксированная геометрия, известные объекты. Выходя в природу, я своими глазами видела, как те же машины быстро слепнут. Потому что природа сложна и всегда жива».
Это тот же разрыв, который edge-AI во Flox пытается закрыть. Городской автопилот обучен на известных объектах, а в лесу или в поле перед ним оказывается движущаяся цель без разметки и без правил. Если модель умеет распознавать вид и поведение животного на борту при ограниченном питании, применить её можно шире, чем сирену у путей. Пока речь о видении, а не о готовом продукте.
Что это значит для рынка AI и практических применений
Flox - пример узкой задачи, где edge-инференс уместен по объективным причинам: нет стабильной связи, нет розетки, а реакция нужна за секунды. Когда облако физически недоступно, модель ужимается до размеров устройства, и это компромисс между точностью, памятью и энергопотреблением, который одновременно ускоряет срабатывание.
Практический вывод для тех, кто работает с AI: сбор данных в поле становится активом. Парк устройств, которые видят животных в реальных условиях, даёт датасет о поведении, которого нет у тех, кто строит модели в лаборатории. Второй вывод про модульность: софт, умеющий работать в непредсказуемой среде, пригодится и в автономных машинах, и в мониторинге биоразнообразия, где отчёты уже сейчас генерируются как побочный продукт основной функции.
Ограничения остаются: парк измеряется сотнями устройств, независимых замеров эффективности нет, а данные для обучения моделей в каждом регионе придётся собирать заново. Для частного пользователя продукт недоступен: Flox продаёт B2B-решения, встраивается в партнёрские продукты через OEM-модель и работает по подписке. Если вы не оператор инфраструктуры и не производитель, технологию стоит держать в поле зрения как показательный кейс edge-AI, а не как инструмент для немедленного использования. Рынок AI-железа, где часть проектов не выдерживает масштабирования, об этом напоминает: разбор закрытых AI-продуктов полезно прочитать до того, как строить планы вокруг парка устройств.