2025 年成立的网格智算，以自研「网格域学习」机制打造 GridAI 大脑，首次让无人机在无 GNSS、无远程图传、无人工介入的林下全拒止环境完成自主飞行、毫米级测径与自动避障，产品已实现小批量商业化交付。
林下场景的难点不是「飞不起来」，而是飞进去之后什么都收不到。树冠遮蔽让三类主流技术同时失效：
信号被树冠遮挡后丢失，无人机无法定位自身坐标。
端侧离线运行，实时构建动态空间场，不依赖外部定位。
通讯信号强衰减，飞手无法实时看画面、连贯介入。
自主规划路径、避障、测径，全程零飞手介入。
树枝随风摆动造成纹理时刻微变，SLAM 无法处理动态环境。
解析底层空间结构与物体关系，不受表面纹理变化干扰。
网格智算市场负责人钱敏的判断是：「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』环境的作业需求。」
主流无人机智能方案基于深度学习框架，靠二维静态像素特征识别物体。但林下环境光照明暗不定、树枝交错遮挡，同一物体变换角度与光线后像素特征完全改变，模型识别能力骤降。
GridAI 的解法不是堆数据，而是模仿人类认知世界的方式——不只看像素，还识别物体、捕捉动态、理清空间关系。具体做了三个层面的「网格化」处理：
场景中离散的、可追踪的实体。先把「有什么」找出来。
为每个实体赋予随时间变化的位置、速度、运动方向。
定义实体之间的关系，如确认「鸟窝在两根树杈中间」。
因为解析的是场景底层空间结构和物体关系，而非表面像素，这些信息不受光线、天气干扰。一个典型例子：烟火没有固定纹理和清晰形状，传统 AI 模型难以将其与云区分开，而 GridAI 可以通过判断烟雾异常于云雾的空间运动轨迹做出识别。
搭载 GridAI 的无人机在划定林下作业范围后，无需提前扫描建模即可作业。
深度学习训练动辄需要数万、数十万张标注图，而 GridAI 仅需几十至数百张样本即可完成训练，整体算力需求与硬件功耗大幅降低。一组客户实测数据：
网格智算选择先切入林业赛道源于一次偶然——2025 年与一家国有林场沟通时发现，全球林业林下测绘几乎仍靠人工作业。「头部厂商在净空、高空飞行已经非常成熟，但林下却是尚未被填补的空白。」
钱敏对定位的表述很直接：「我们的产品本质上是一个通用的智能大脑。」可集成于芯片智能模组，应用于机械臂、无人车或水下机器人。公司还与深圳联通建立了战略合作伙伴关系。
本文核心数据（98.3% 准确率、30 张样本训练等）均来自企业单方披露，未见第三方独立复测，读者宜以此为背景判断技术成熟度。报道中提及的「中国林科院技术验证」与多家企业合作，亦未公开验证报告原文。
但抛开宣传口径，「不堆算力、不堆数据」的技术路线本身值得关注——在行业普遍追逐大模型、大数据的当下，网格智算首席科学家代豪（1996 年首创异构架构结合高性能计算的算法体系，国家高性能计算工程技术研究中心研究员）选择回到空间结构的底层建模，用几十张样本替代数万张标注图，本质是用「先验结构」换「暴力数据」。
当大模型路线的算力成本与数据天花板日益显现，「结构先验 + 小数据」的具身智能路径，可能正在打开一条被主流忽视的岔路——这比单个产品的成败更值得行业跟踪。
GridAI 大脑已应用于林下无人机并小批量交付，仓储物流等场景合作推进中。产品合作与商务对接可通过公开渠道联系网格智算。
网格智算 · GridAI 大脑 → 商务合作