英伟达博客：四家初创公司用视觉 AI 和机器人分拣混合垃圾

NVIDIA 在 11 月 10 日的博客中，把镜头对准了废物回收行业。文章以 COP31 在土耳其召开、会议聚焦零废弃为背景，给出两个前提数字：全球进入经济系统的材料中，来自回收或再利用的不足 7%；城市固体废物每年超过 20 亿吨，到 2050 年可能接近翻倍。

NVIDIA 可持续发展负责人 Josh Parker 的解释是，循环经济依赖更好地利用已有材料，而 AI 的作用在于搞清楚废物流里到底有什么、哪些可以回收，并把分拣这项劳动自动化。文章随后介绍了四家 NVIDIA Inception 成员公司，分别对应塑料、混合可回收物、纺织品三个场景。

第一家是台湾的 AIRECO。塑料回收的困境在于质量不稳定和人工分拣成本高，混合废料往往只能降级处理。AIRECO 用视觉 AI 对塑料做更细的分类，让材料有可能回到闭环回收。它在台南一座回收厂的试产线上用 NVIDIA Jetson Orin NX 模块跑推理，驱动机械臂从传送带上抓取目标物，试产线的识别准确率超过 95%。公司计划在明年的量产线上把年处理能力从 1.8 万吨提升到 4.8 万吨，同时把运营成本降低 85%。

第二家是美国的 EverestLabs AI，直接面向处理家庭可回收物的材料回收厂。这类产线的约束是实时性：传送带按固定速度运行，机器必须在物料移走之前完成识别与抓取。EverestLabs 在边缘用 NVIDIA RTX GPU 跑推理，在数据中心 GPU 上训练模型，并针对 CUDA 做优化，目前约 150 台视觉引导机器人部署在北美和澳大利亚的设施中。按其估算，这些系统累计识别了约 400 亿个物体，回收了约 2.5 万吨材料，避免了约 3 万吨二氧化碳排放。公司还在把智能体工具交给回收厂的现场管理者，用来输出可执行的运营数据。

第三家是英国的 Greyparrot。回收厂每天可能处理上万吨废物，但运营方过去只能靠人工抽样判断传送带上有什么，采样比例不到 1%。Greyparrot 的 Analyzer 平台架设在传送带上方，用计算机视觉逐件识别材质与品牌，即使在粉尘环境或光线不佳、传送带速度高达每秒 4 米时也能工作。目前有 300 多套系统运行在 20 多个国家，累计完成超过 1 万亿次边界框检测；把检查 15 吨废物所需的时间从 375 小时压缩到 6 小时。使用方报告的效率提升在 10% 到 30% 之间，包装企业 Amcor 的食品级塑料产出率因此提高了 12%，可口可乐、高露洁和 Kenvue 等品牌也在用它测量包装在真实分拣厂中的回收情况。

第四家是柏林的 reverse.fashion，面对的是欧洲每年近 700 万吨废旧纺织品。这些衣物中约四分之一被单独收集，再靠人工分成数百个品类，工作慢、成本高、招工难。它的高分辨率视觉系统会识别品类、瑕疵、颜色、尺码、品牌、面料结构、季节和风格，据此把每件衣服归入价值最高的类别。传送带速度每秒 3 米，每件纺织品要经过十几个视觉模型，这些模型用 NVIDIA TensorRT 优化、运行在边缘的 Jetson 模块上。据其联合创始人估计，系统一小时的分拣量相当于过去一周。

把四个案例放在一起，可以看到同一条技术路径：视觉模型负责识别，边缘算力负责实时性，机械臂或数据分析负责执行，而它们共同要回答的是一个经济学问题——分拣得越细，再生材料的质量和成本就越有可能与原生材料竞争。

接下来值得观察的是这些数字能否在更多工厂复现：AIRECO 明年的量产线是否能达到 4.8 万吨和降本 85% 的目标，EverestLabs 的智能体工具会不会真正改变现场管理方式，以及品牌方对回收料的需求能否跟上分拣能力的扩张。