AI 如何帮助回收商把混合垃圾变成可再利用材料

视觉 AI 与机器人从由旧衣物、瓶子和混合可回收物组成的传送带上挑出值得回收的物品，使数千吨材料免于进入垃圾填埋场。

当世界各国领导人齐聚土耳其参加 COP31 时，本次大会对零废弃的强调聚焦了一个现实挑战：如何让产品和材料使用得更久。在全球范围内，进入经济体系的材料中只有不到 7%来自回收或再利用的来源。城市固体废弃物的产生量每年超过 20 亿吨，这一数字到 2050 年可能接近翻倍。

AI 和机器人技术正在帮助改变这一趋势，全球的创新者们正在改进分拣，以回收那些原本会被送往垃圾填埋场的资源。

NVIDIA 可持续发展负责人 Josh Parker 表示：“更循环的经济依赖于更好地利用我们已有的东西。AI 可以帮助我们了解废物流中有什么，识别哪些可以回收，并自动完成分拣工作。我们正在为创新者提供计算工具，使这些流程更高效，并推广到更多地方。”

看看 NVIDIA Inception 初创企业加速计划的四家成员公司如何应用 AI，让有价值的材料持续循环流通。

AIRECO 让塑料废弃物重获新生

回收塑料只有在成本和质量能与新材料竞争时才会被使用。但通常它难以企及： incoming 废弃物质量参差不齐，分拣依赖于难以招募的体力劳动者，混合废料最终只能被降级为低档产品。

总部位于台湾的初创公司 AIRECO 的创始人相信，AI 分拣可以降低回收成本、提升回收质量，让这些材料更具商业价值。该公司利用视觉 AI 对塑料进行更精细的分拣，使材料能够从混合废料堆中被挑选出来进行闭环回收，即把用过的物品重新加工成同类产品的新版本。

AIRECO 创始人兼 CEO Chun-Feng Liu 表示：“分拣得越精细，可回收的就越多。精细分拣后的材料更有可能留在循环中——一个塑料瓶可以一次又一次地回收成塑料瓶，而不是变成难以进一步回收的其他产品。”

该公司使用 NVIDIA Jetson Orin NX 模块，在台南一家回收工厂的试点产线上运行推理，包括驱动机械臂从传送带上抓取目标物。测试产线上的识别准确率超过 95%。

在计划于明年建成的完整产线上，该团队的目标是将年废弃物处理能力从 18,000 吨提升近三倍至 48,000 吨，同时将运营成本降低 85%。

EverestLabs AI 让机器人上岗回收产线

在负责分拣家庭可回收物的材料回收设施中，分拣必须在高速运转的传送带上实时完成——这需要快速分析以识别和分拣物品。

美国初创公司 EverestLabs AI 在这些分拣产线上部署了由计算机视觉引导的机器人。目前约有 150 台机器人部署在北美和澳大利亚的各个设施中。

“其他机器人有无限的时间完成任务，”EverestLabs AI 的 CEO R. Paul Singh 说，“我们没有那种奢侈条件，因为我们的传送带会以固定的速度运转，我们必须在物料移走之前快速行动。这是一场实时博弈。”

EverestLabs 在边缘端的 NVIDIA RTX GPU 上运行 AI 推理，并在 NVIDIA 数据中心 GPU 上训练其模型，使用 NVIDIA CUDA 进行优化。该公司估计，其已部署的系统迄今已识别约 400 亿个物体，回收约 25,000 吨物料，并避免约 30,000 公吨二氧化碳排放。

他们的团队不断改进模型，以正确分类并拣选每一种物体，同时捕捉每种物料的材质、品牌和包装等元数据。他们还在推出智能体 AI 工具，为回收设施的工作人员——从现场经理到负责多个设施的高管——提供可操作的数据，并希望将这种能力扩展到相邻行业。

Greyparrot 让回收商清晰洞察废物流

回收厂每天可处理数万吨垃圾，但运营方长期以来只能通过手动采样不足 1% 的垃圾来判断传送带上的情况。

英国初创公司 Greyparrot 打造了 Analyzer 平台来改变这一现状。它安装在传送带上方，利用计算机视觉按材质和品牌识别每一个经过的物体，即使环境多尘或传送带上光线不佳、传送带速度高达每秒 4 米也能胜任。

“垃圾时刻都在变化。它随小时、季节、供应商而变，”Greyparrot 联合创始人 Ambarish Mitra 说，“以前运营方只能基于极小的样本进行猜测，现在他们能确切看到传送带上的东西。”

Greyparrot 使用 NVIDIA GPU 在数十亿个物体上训练 AI 模型，同时由 NVIDIA Jetson 模块在边缘端进行快速检测。迄今已有 300 多套 Analyzer 系统在 20 多个国家运行，完成了超过一万亿次边界框检测——将检查 15 吨垃圾所需的时间从 375 小时缩短到仅 6 小时。

使用 Analyzer 实时数据的设施报告效率提升了 10% 到 30%。在全球包装公司 Amcor，该解决方案帮助将食品级塑料的产率提高了 12%。包括可口可乐、高露洁棕榄和 Kenvue 在内的品牌也在使用 Greyparrot 技术，在实际分拣厂中衡量其包装的回收情况。

reverse.fashion 让被丢弃的衣物获得第二次机会

欧洲每年产生近 700 万吨废旧纺织品。其中约四分之一被单独收集，并由人工分拣成数百个类别，用途从古着转售到降级回收用作家具填充物或清洁抹布。这项工作缓慢、成本高昂且难以招到人手，导致可再利用服装的价值被埋没。

总部位于柏林的初创公司 reverse.fashion 正在利用高分辨率计算机视觉帮助自动化这项工作。其系统识别产品类型、缺陷、颜色、尺寸、品牌、织物结构、季节和风格，并将每件衣物归入最具价值的类别。

reverse.fashion 联合创始人兼首席技术官 Karsten Pufahl 表示：“与传统的垃圾分类相比，我们的 AI 模型必须以非常高的分辨率运行，因为人类对纺织品很挑剔。” “计算机视觉流水线需要发现细小的缺陷，以确定每件服装的质量和潜在价值。”

每件由 Reverse Fashion 分析的纺织品在传送带上以每秒 3 米的速度移动时，会经过十多个视觉 AI 模型，这些模型使用 NVIDIA TensorRT 软件进行优化，并在边缘端运行于 NVIDIA Jetson 模块上。这些模型在工作站和云端的 NVIDIA GPU 上进行训练。

Pufahl 估计，该系统一小时内分拣的衣物相当于过去一周的分拣量，目前正推广到欧洲的设施中。

了解更多 由 NVIDIA 驱动的可持续发展应用。