网格智算：“不堆算力”的AI大脑如何填补林下场景空白 | 水下项目

网格智算发布GridAI大脑，无人机林下无GNSS自主飞行实现商业化

2025年成立的网格智算正试图填补无人机行业在林下场景的空白。该公司推出自研的智能化底座“GridAI大脑”，首次实现无人机在林下无GNSS（全球导航卫星系统）信号环境下的自主飞行、毫米级测径和自动避障。目前，该产品已实现小批量商业化交付。

林下环境因树木遮蔽，长期被行业视为自动化作业的难点。传统无人机导航设备在此类场景中容易因GNSS信号丢失而无法定位，通讯信号强衰减也导致远程图传和人工操控难以实时、连贯进行。此外，传统SLAM（同步定位与地图构建）技术难以处理树枝随风摆动等时刻微变化的环境复杂纹理。

国家林草局数据显示，2025年我国森林蓄积量达209.88亿立方米，全国木材产量约1.4亿立方米。联合国粮农组织数据显示，全球圆木年采伐量约40亿立方米。这些数据背后，是伐区蓄积量核算、树木胸径测量等大量劳动密集型工作，传统人工作业模式成本高、效率低且存在安全风险。

网格智算市场负责人钱敏表示，只有构建一种可端侧离线运行的实时高精度空间感知和随动控制的具身智能方案，才能有效解决林下“全拒止”环境下的作业需求。

网格智算的解决方案基于自研的“网格域学习技术”。该公司首席科学家代豪拥有三十多年技术积累，于1996年首创异构架构结合高性能计算的算法体系，被特聘为国家高性能计算工程技术研究中心研究员。

网格智算认为，当下主流的无人机智能方案大多基于深度学习框架，依赖海量人工标注图片训练模型，依靠二维静态像素特征识别物体。但林下环境动态多变，光照明暗不定、树枝交错遮挡，同一物体在不同角度、光线下的像素特征可能完全改变，导致基于深度学习的无人机难以有效识别环境并执行任务。

网格智算的解法是构建一种通过动力类型、物理尺寸达成空间位移的动态控制函数，以适应不同载体或动力方式的变化。其自研的GridAI大脑基于网格域学习机制，在解析连续视频流的过程中同步保留时间、空间双重维度信息，使设备具备识别、理解真实空间的能力。

具体而言，网格域学习对物理世界做了三个层面的“网格化”处理：一是场景中离散的、可追踪的实体网格；二是为每个实体赋予随时间变化的属性网格，包括位置、速度、运动方向；三是定义实体之间关系的关系网格，例如确认“鸟窝在两根树杈中间”。

网格智算表示，GridAI解析的是场景底层空间结构和物体关系，这些信息不受光线、天气干扰，因此环境鲁棒性更强。此外，不同于深度学习训练动辄需要数万、数十万张标注图，GridAI仅需几十至数百张样本即可完成训练，整体算力需求、硬件功耗大幅降低。公司提供的测试数据显示，GridAI仅需学习客户提供的30张树杈上鸟窝的照片，就可以在58张测试图上实现误报0、漏报1，准确率达到98.3%。

钱敏介绍，网格智算选择切入林业赛道源于偶然。2025年，公司与一家国有林场沟通时了解到，全球林业林下测绘仍几乎依靠人工作业，存在巨大的自动化替代需求。头部无人机厂商在净空、高空飞行领域已经非常成熟，但林下是尚未被填补的空白。

目前，网格智算搭载GridAI大脑的无人机已完成中国林科院技术验证，公司与中林重庆、浙江飞流等头部林业企业达成深度合作。

不过，网格智算的定位并不只是林下作业无人机提供商。钱敏表示，GridAI本质上是一个通用的智能大脑，可以集成在芯片智能模组上，应用于具身机器人的机械臂、无人车或水下机器人，赋予这些硬件设备自主感知、理解物理空间并进行决策和执行的能力。例如，当岸基雷达在有杂波干扰定位不准时，GridAI能够将目标在视觉坐标系与雷达坐标系下进行转换并高精融合，提供抗噪声的雷视一体解决方案。

GridAI大脑的通用性正在向更多行业拓展。在仓储物流领域，公司与北京广嘉、固高股份等合作，GridAI可配合多SKU多工序的机械臂工作，覆盖货品单件拣选、打包及包裹分拣等场景。此外，公司还与深圳联通建立了战略合作伙伴关系。

未来，网格智算计划以GridAI大脑为纽带，联合产业链上下游，为农林业、物流仓储业等重点行业提供更完整的智能解决方案。