網格智算：“不堆算力”的AI大腦如何填補林下場景空白 | 水下項目

無人機市場從消費級到工業級早已競爭激烈，但林下環境卻始終是一塊未被充分開發的領域。根據國家林草局統計，2025年中國森林蓄積量已達209.88億立方米，全國木材產量約1.4億立方米；聯合國糧農組織數據則指出，全球圓木年採伐量約為40億立方米。龐大的產量背後，伐區蓄積量核算、樹木胸徑測量等作業仍大量依賴人工，不僅成本高、效率低，還伴隨諸多安全風險。然而，林下環境的特殊性讓自動化解決方案長期難以落地——樹木遮蔽導致GNSS信號丟失，無人機無法定位；通訊訊號嚴重衰減使遠程圖傳和人工操控難以連續進行；傳統SLAM技術也無法應對樹枝隨風擺動這類動態變化的複雜紋理。

網格智算市場負責人錢敏指出，唯有開發一種能夠在端側離線運行的實時高精度空間感知與隨動控制具身智能方案，才能有效解決林下「全拒止」環境的作業需求。這家成立於2025年的公司，憑藉自研的「網格域學習技術」實現高精度空間理解，並由模型自動生成最優控制函數，進而達成複雜避障等控制能力。其推出的通用智能化底座「GridAI大腦」，已首次讓無人機在林下無GNSS訊號的條件下自主飛行，完成毫米級樹徑測量與自動避障，目前產品已進入小批量商業化交付階段。網格智算的核心技術路徑與主流深度學習框架截然不同。當前多數無人機智能方案依賴海量圖像數據與人工標註，透過二維靜態像素特徵辨識物體。

但林下光照明暗不定、樹枝交錯遮擋，同一物體在不同角度與光線下像素特徵劇烈變化，導致深度學習模型難以有效運作。為突破此瓶頸，必須讓載體在運動過程中能持續控制中間狀態，即當物理空間發生變化時，載體能快速隨動修正。這要求算法具備兩項能力：一是快速感知空間變化並抓取與運動關鍵相關的變量，二是對機器載體本身的物理狀態進行感知。網格智算的解法是建構一個基於動力類型與物理尺寸的動態控制函數，以適應不同載體與動力方式的變化。GridAI大腦運用網格域學習機制，在解析連續視頻流的同時同步保留時間與空間雙重維度信息，使設備能識別並理解真實空間。

舉例來說，煙火沒有固定紋理與清晰形狀，傳統AI模型容易將其與雲霧混淆，但GridAI可以透過判斷煙霧異常的空間運動軌跡做出正確辨識。具體而言，網格域學習對物理世界進行三層「網格化」處理：第一層是場景中離散、可追蹤的實體網格；第二層是為每個實體賦予隨時間變化的屬性網格，如位置、速度、運動方向；第三層則是定義實體間關係的關係網格，例如「鳥窩位於兩根樹杈之間」。這種做法本質上模仿人類認知世界的方式——不僅看像素，還識別物體、捕捉動態、釐清空間關係。透過即時捕捉空間中物體在不同時間狀態下的變化，推演運動規律並預判軌跡。

搭載GridAI的無人機在劃定林下作業範圍後，無需事先掃描建模，即可即時構建動態空間場，自主規劃路徑、避開障礙，並完成測徑作業，全程不需要飛手介入。由於GridAI解析的是場景底層空間結構與物體關係，不受光線與天氣干擾，環境魯棒性更強。此外，不同於深度學習訓練動輒需要數萬張標註圖像，GridAI僅需幾十至數百張樣本即可完成訓練，整體算力需求與硬體功耗大幅降低。例如，只需學習客戶提供的30張樹杈上鳥窩的照片，便能對58張測試圖達到零誤報、僅一個漏報，準確率達98.3%。錢敏透露，網格智算選擇先切入林業賽道其實是源於偶然。

2025年，團隊與一家國有林場溝通時才發現，全球林業林下測繪幾乎仍全數仰賴人工作業，自動化替代需求極為迫切，且能滿足精準、高效、安全的要求。「這讓我們重新審視整個工業無人機行業的競爭格局。頭部廠商在淨空、高空飛行已經非常成熟，但林下卻是尚未被填補的空白。」目前，搭載GridAI大腦的無人機已通過中國林科院技術驗證，並與中林重慶、浙江飛流等頭部林業企業建立深度合作。不過，網格智算的定位並非只是林下作業無人機供應商。錢敏表示，其產品本質上是一個通用的智能大腦，能夠集成在晶片智能模組上，應用於具身機器人的機械臂、無人車或水下機器人，賦予這些硬體設備自主感知、理解物理空間，並進行決策與執行的能力。

例如，當岸基雷達受雜波干擾而定位不準時，GridAI能夠將目標在視覺座標系與雷達座標系之間進行轉換並高精度融合，提供抗噪聲的雷視一體解決方案。GridAI大腦的通用性正持續向更多行業拓展。在倉儲物流領域，網格智算與北京廣嘉、固高股份等合作，憑藉小數據、低算力、高精度、高泛化的能力，配合多SKU多工序的機械臂，涵蓋貨品單件揀選、打包及包裹分揀等需求。此外，公司也與深圳聯通建立戰略合作夥伴關係。

未來，網格智算將以GridAI大腦為核心，聯合產業鏈上下游，為農林業、物流倉儲業等重點行業提供更完整的智慧解決方案，從視覺感知、裝備自動化控制到更多應用場景，打造一個跨場景通用的「智能大腦」，讓機器設備真正「理解」複雜的物理世界，具備自主行動能力。