人工智慧與機器人如何改變全球廢棄物分類與回收

在全球範圍內，進入經濟體系的材料中只有不到 7% 來自回收或重複利用的資源，而每年產生的都市固體廢棄物則超過 20 億噸——預計到 2050 年，這一數字將近乎翻倍。為了應對日益嚴峻的問題，全球各地的回收設施正日益轉向視覺人工智慧與機器人自動化技術，以便從快速移動的廢棄物串流中精準識別並回收有價值的材料。

四家參與 NVIDIA Inception 計畫的新創公司，正直接在分類線上部署電腦視覺與機器人揀選器，解決塑膠、都市資源回收以及紡織品回收中的瓶頸。

AIRECO 自動化高純度塑膠分類

在台灣，新創公司 AIRECO 正利用視覺人工智慧來解決塑膠回收的經濟問題。由於廢料品質不一、人力成本高昂，且往往被「降級回收」（downcycling）為低階產品，再生塑膠通常難以與原生材料競爭。

AIRECO 的自動化方法專注於精細分類，以支持「閉環回收」（closed-loop recycling），讓廢棄塑膠產品能被重新加工成同等級的產品，而非劣化後的替代品。在台南的一家回收廠中，該公司的試驗線利用 NVIDIA Jetson Orin NX 模組進行推論，並控制機器手臂從輸送帶上揀選目標塑膠。

該測試系統的識別準確率超過 95%。AIRECO 計劃於明年推出完整的生產線，目標是將年處理能力從 1.8 萬噸提升至 4.8 萬噸，同時降低 85% 的營運成本。

EverestLabs 部署快速分類機器人

在資源回收場中，物品在高速輸送帶上移動，傳統的人工分類不僅體力消耗大且具有危險性。總部位於美國的 EverestLabs AI 透過安裝電腦視覺引導的機器人解決了這個問題，這些機器人能夠即時做出快速的揀選決策。

該公司目前在北美和澳洲的回收設施中部署了約 150 台機器人設備。這些系統在 NVIDIA RTX GPU 上運行邊緣推論，並使用 NVIDIA CUDA 在資料中心硬體上訓練模型，能即時對材料、品牌和包裝類型進行分類。

截至目前，EverestLabs 估計其系統已識別了約 400 億個物體，回收了約 2.5 萬噸可回收材料，並減少了約 3 萬公噸的二氧化碳排放。這家新創公司還推出了代理型人工智慧（agentic AI）軟體工具，直接向工廠經理和企業主管提供營運分析數據。

Greyparrot 監控高速廢棄物輸送帶

雖然機器手臂負責物理處理物品，但設施管理者也面臨資訊落差：過去操作員僅能透過手動抽樣不到 1% 的輸送帶內容來監控廢棄物組成。英國新創公司 Greyparrot 開發了 Analyzer 平台，用於持續監控整個廢棄物流程。

Analyzer 安裝在移動速度高達每秒 4 公尺的輸送帶正上方，儘管存在灰塵和光線變化，仍能根據材料和品牌追蹤經過的物體。該系統使用 NVIDIA Jetson 模組進行邊緣處理，並使用 NVIDIA GPU 對數十億個物體進行訓練。

隨著在 20 多個國家部署了 300 多套 Analyzer 系統，該平台已超越 1 兆次的邊界框偵測（bounding-box detections）。自動化監控將稽核 15 噸廢棄物所需的時間從 375 小時縮短至 6 小時。使用 Greyparrot 的設施報告顯示，整體效率提升了 10% 到 30%。全球包裝生產商 Amcor 利用這項技術將其食品級塑膠的產量提升了 12%，而 Coca-Cola、Colgate-Palmolive 和 Kenvue 等消費品牌則利用這些數據來追蹤包裝回收情況。

reverse.fashion 加速服裝分類

紡織品回收面臨著更嚴峻的分類挑戰。歐洲每年產生近 700 萬噸廢舊紡織品，其中約四分之一需透過人工分類成數百個類別——從高端二手轉售到清潔抹布和家具填充物。

總部位於柏林的 reverse.fashion 正在利用高解析度電腦視覺管線實現此工作流程的自動化，該管線運行於經過 NVIDIA TensorRT 軟體優化的 NVIDIA Jetson 邊緣模組上。當服裝以每秒 3 公尺的速度在輸送帶上移動時，十多個視覺模型會評估細微瑕疵、織物結構、尺寸、品牌、顏色、款式和季節。

根據該新創公司的說法，自動化系統在一小時內能完成的分類量，以往需要整整一週的人工分級。這項技術目前正部署於歐洲各地的處理設施，為擴大循環時尚規模和減少紡織廢棄物提供了一條路徑。