声明:文档由AI根据原文生成。
2026年11月,全球领导人齐聚土耳其参加第31届联合国气候变化大会(COP31),"零废弃"议题成为焦点。会议提出的现实挑战在于:如何延长产品和材料的使用寿命。数据显示,全球进入经济体系的材料中,来自回收或再利用渠道的比例不足7%;每年产生的城市固体垃圾超过20亿吨,预计到2050年可能翻倍。
AI与机器人技术正试图改变这一轨迹。全球创新者持续改进分拣技术,以回收原本可能填埋处理的资源。NVIDIA可持续发展负责人Josh Parker指出,循环经济的发展依赖于更好地利用现有资源,AI可帮助识别废弃物流构成、定位可回收材料并实现分拣自动化,NVIDIA正为创新者提供计算工具以提高流程效率。
![]()
再生塑料的市场化瓶颈在于成本与质量稳定性。回收垃圾质量参差不齐、人工分拣劳动力短缺、混合废弃物降级回收等问题,导致再生材料难以与新材料竞争。
AIRECO(宜科循环)采用视觉AI对塑料进行精细化分拣,从混合废品堆中提取材料,实现闭环回收——将旧物品重新处理为同一产品的新版本。该公司创始人兼首席执行官刘郡峯表示,分拣越精细,可回收资源越多,经过精细分拣的材料更可能被持续循环使用,例如塑料瓶可反复回收制成新塑料瓶,而非最终流入难以进一步回收的产品链。
AIRECO在回收工厂试点生产线上使用NVIDIA Jetson Orin NX模组运行推理,驱动机械臂从传送带拾取目标,识别准确率最高达95%。该团队计划于2027年在完整生产线上将垃圾处理能力从1.8万吨提升至4.8万吨,同时将运营成本降至原有的85%。
![]()
材料回收设施需在快速运转的传送带上实时完成分拣,这对分析速度和识别精度提出极高要求。EverestLabs AI在北美和澳大利亚的相关设施中已部署约150台计算机视觉引导机器人。
该公司首席执行官R. Paul Singh强调,其传送带持续运转,必须在材料移动前快速采取行动,"这是一场实时作业"。EverestLabs在边缘端利用NVIDIA RTX GPU运行AI推理,以NVIDIA数据中心GPU训练模型,并通过NVIDIA CUDA优化。据估计,其系统迄今已识别约400亿个物品,回收约2.5万吨材料,减少约3万公吨二氧化碳排放。
该公司持续改进模型以准确分类和抓取各类物体,同时采集每件物品的材料类型、品牌及包装元数据,并已发布代理式AI工具,为回收设施从车间经理到多设施高管提供决策数据支持。
![]()
传统回收工厂日处理数万吨垃圾,操作人员仅能通过不足1%的手动采样检查传送带。Greyparrot推出的Analyzer平台安装于传送带上方,利用计算机视觉按材质和品牌识别每个经过的物品,即使在灰尘较多或光线不足环境下,面对每秒4米移动的传送带仍能完成识别。
Greyparrot联合创始人Ambarish Mitra指出,废弃物随时间、季节及供应商持续变化,以往操作人员只能依据微小样本猜测,现在可准确掌握传送带实况。该公司使用NVIDIA GPU在数十亿个物品上训练AI模型,以NVIDIA Jetson模组实现边缘快速检测。目前,Analyzer系统已在20多个国家和地区部署300余套,完成超过万亿次边界框检测,将检查15吨垃圾所需时间从375小时缩短至6小时。
使用Analyzer实时数据的设施报告称效率提升10%至30%。在全球包装企业Amcor,该方案帮助食品级塑料产出率提高12%;可口可乐、高露洁-棕榄和Kenvue等品牌亦采用Greyparrot技术评估其包装材料在实际分拣工厂中的回收表现。
![]()
欧洲每年产生近700万吨废旧纺织品,其中约四分之一经单独收集后由人工分拣为数百个类别,用途涵盖二手转售至家具填充、清洁布料等降级回收。该流程速度缓慢、成本高昂且招工困难,制约可重复利用衣物的价值释放。
reverse.fashion利用高分辨率计算机视觉技术推动分拣自动化,系统可识别产品类型、瑕疵、颜色、尺寸、品牌、面料结构、季节属性及风格,将每件服装分配至最有价值类别。该公司联合创始人兼首席技术官Karsten Pufahl表示,与传统垃圾分拣相比,其AI模型须在极高分辨率下运行以发现细微瑕疵,确定每件衣服的质量与潜在价值。
当纺织品以每秒3米速度穿过传送带时,reverse.fashion系统利用十几个视觉AI模型进行分析。这些模型经NVIDIA TensorRT优化,运行于边缘端NVIDIA Jetson模组,并在工作站及云端NVIDIA GPU上完成训练。据Pufahl估计,该系统现仅需一小时即可完成以往一周的分拣工作量,目前正在向欧洲相关设施推广。