AI 如何帮助回收企业将混合废弃物转化为可再利用材料
全球领导人齐聚土耳其,参加 COP31 大会,会议对“零废弃”的强调也提出了一个实际挑战:如何延长产品和材料的使用寿命。在全球范围内,进入经济体系的材料,来自回收或再利用渠道的比例不足 7%。全球每年产生的城市固体垃圾超过 20 亿吨,这一数量到 2050 年可能会翻倍。 AI 和机器人技术正在帮助改变这一轨迹,因为全球各地的创新者都在改进分拣技术,以回收原本可能最终会被填埋的资源。 NVIDIA 可持续发展负责人 Josh Parker 表示:“循环经济的发展依赖于更好地利用现有资源。AI 可
全球领导人齐聚土耳其,参加 COP31 大会,会议对“零废弃”的强调也提出了一个实际挑战:如何延长产品和材料的使用寿命。在全球范围内,进入经济体系的材料,来自回收或再利用渠道的比例不足 7%。全球每年产生的城市固体垃圾超过 20 亿吨,这一数量到 2050 年可能会翻倍。
AI 和机器人技术正在帮助改变这一轨迹,因为全球各地的创新者都在改进分拣技术,以回收原本可能最终会被填埋的资源。
NVIDIA 可持续发展负责人 Josh Parker 表示:“循环经济的发展依赖于更好地利用现有资源。AI 可以帮助我们了解废弃物流的构成,识别其中可以回收的材料,并实现分拣工作的自动化。我们正在为创新者提供计算工具,以提高这些流程的效率,并推动相关技术在更多地方落地应用。”
看看四家 NVIDIA 初创加速计划成员,如何利用 AI 让有价值的材料得以循环利用。
AIRECO 赋予塑料废弃物以新的生命

只有在成本和质量可以与新材料相当的情况下,市场才会采用再生塑料。而这通常无法做到:回收垃圾的质量不稳定,缺少分拣所需的人工劳动力,混合废弃物最终只能降级回收,用于生产低档产品。
AIRECO 公司 (宜科循环) 的创始团队认为,AI 分拣可以降低成本并提高回收质量,使这些材料更具商业价值。该公司使用视觉 AI 对塑料进行更精细的分拣,能够从混合的废品堆中提取材料,进而实现闭环回收,将旧物品重新处理成同一产品的新版本。
AIRECO 创始人兼首席执行官刘郡峯表示:“分拣越精细,可以回收的资源就越多。经过精细分拣的材料,更有可能会被持续循环使用。例如,塑料瓶可以一次又一次地被回收制成新的塑料瓶,而不是最终被用于制造其他难以进一步回收的产品。”
公司在一家回收工厂的试点生产线上使用了 NVIDIA Jetson Orin NX 模组运行推理,包括驱动机械臂从传送带上拾取目标。该测试线上的识别准确率最高可达 95%。
该团队计划在明年的一条完整生产线上,将垃圾处理能力从 1.8 万吨提升到 4.8 万吨,接近原来的三倍,同时将运营成本降低至之前的 85%。
EverestLabs AI 将机器人技术引入回收线

在材料回收设施,即在分离家用可回收物的工厂中,分拣必须在快速移动的传送带上实时完成,这需要快速分析来识别和分拣物品。
EverestLabs AI 公司在分拣线上部署了由计算机视觉引导的机器人。目前,在北美和澳大利亚的相关设施中已部署了大约 150 个。
EverestLabs AI 首席执行官 R. Paul Singh 说:“其他机器人可能有充足的时间来完成任务,而我们没有这样的余裕。因为我们的传送带会以一定的速度不断运行,而且我们必须在材料移动之前快速采取行动。这是一场实时作业。”
EverestLabs 在边缘利用 NVIDIA RTX GPU 运行 AI 推理,利用 NVIDIA 数据中心 GPU 训练模型,并通过 NVIDIA CUDA 进行优化。该公司估计,到目前为止,其部署的系统已识别出大约 400 亿个物品,回收了大约 2.5 万吨材料,并减少了大约 3 万公吨的二氧化碳排放量。
他们的团队持续改进模型,以准确分类和抓取每种物体,同时采集每件物品的材料类型、品牌和包装的元数据。该公司还发布代理式 AI 工具,为回收设施的员工,包括车间经理到负责多个设施的高管,提供可用于实际决策的数据。该公司也希望将这种能力扩展到相关领域。
Greyparrot 帮助回收企业全面掌握废弃物流的情况

回收工厂每天可以处理数万吨垃圾,但长期以来,操作人员只能通过手动采样检查传送带上的垃圾,而采样数量往往不到 1%。
Greyparrot 公司推出了 Analyzer 平台来改变这种状况。它安装在传送带的上方,利用计算机视觉技术,按材质和品牌识别每个经过的物品,即使在灰尘较多或是光线不足的环境中,面对每秒移动 4 米的传送带,该系统也能完成识别。
“废弃物一直在变化。它会随时间、季节以及供应商的不同而变化,”Greyparrot 联合创始人 Ambarish Mitra 说。“以前,操作人员只能根据一个微小的样本进行猜测,现在他们可以准确地看到传送带上的东西。”
Greyparrot 使用 NVIDIA GPU 在数十亿个物品上训练 AI 模型,同时使用 NVIDIA Jetson 模组在边缘实现快速检测。目前,在 20 多个国家和地区部署的 300 多个 Analyzer 系统已完成超过万亿次边界框检测,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称,其效率提升可达 10% 到 30%。在全球包装企业 Amcor,该解决方案帮助食品级塑料的产出率提高了 12%。可口可乐、高露洁 – 棕榄和 Kenvue 等品牌也使用 Greyparrot 技术来评估其包装材料在实际分拣工厂中的回收情况。
reverse.fashion 让废弃衣物焕然一新

欧洲每年产生近 700 万吨使用过的纺织品。其中约四分之一会被单独收集,并经过人工分拣为数百个类别,用途从二手服装转售到像用作家具填充或清洁布料的降级回收。这项工作速度缓慢、成本高昂且招工困难,这使得可重复利用的衣物无法充分发挥其价值。
reverse.fashion 公司正在利用高分辨率计算机视觉技术,推动这一分拣流程的自动化。其系统可识别产品类型、瑕疵、颜色、尺寸、品牌、面料结构、季节属性和风格,并将每种服装分配到最有价值的类别。
reverse.fashion 联合创始人兼首席技术官 Karsten Pufahl 表示:“与传统垃圾分拣相比,我们的 AI 模型必须在极高分辨率下运行,因为人们对纺织品比较挑剔。计算机视觉工作流需要发现细微的瑕疵,以确定每件衣服的质量和潜在价值。”
当纺织品以每秒 3 米的速度穿过传送带时,reverse.fashion 系统会利用十几个视觉 AI 模型对其进行分析。这些模型经过 NVIDIA TensorRT 优化,并运行在边缘的 NVIDIA Jetson 模组。这些模型在工作站和云端的 NVIDIA GPU 上已进行了训练。
据 Pufahl 估计,该系统现在只需一小时,就能完成以前需要一周才能完成的分拣工作。目前该系统正在向欧洲的相关设施中推广。
探索更多 NVIDIA 助力的可持续发展应用。