إعادة التدوير لديك كذبة — والحل يتطلب الفيزياء، لا ChatGPT

شاهدتُ صينية بولي بروبيلين سليمة تمامًا — من النوع الذي تشتري فيه السوشي — تنزلق من طرف حزام ناقل وتسقط في حاوية مكتوب عليها "مخلفات". "مخلفات" هي الكلمة المهذّبة. إنها تعني مكب النفايات. تعني الحرق. تعني الفشل.

كانت الصينية سوداء. كانت تلك جريمتها الوحيدة.

كنتُ واقفًا في منشأة لاسترداد المواد في أوروبا، من النوع الذي يعالج عشرات الآلاف من أطنان النفايات سنويًا، وكنتُ أشاهد جهاز الفرز البصري المتطور لديهم — آلة تكلّف أكثر من معظم الشقق — وهو يتجاهل بشكل منهجي كل جسم داكن اللون يمر تحت مستشعراته. ليس لأن الآلة كانت معطلة. بل لأن فيزياء مستشعرها جعلت البلاستيك الأسود غير مرئي حرفيًا.

غيّرت تلك اللحظة مسار شركتي. في Veriprajna، نبني أنظمة ذكاء اصطناعي عميقة لمشكلات صناعية، وقد جئتُ إلى هذه المنشأة متوقعًا أن أجد مشكلة برمجية. فجوة في التصنيف. شيئًا يمكننا ضبطه. لكنني بدلًا من ذلك وجدتُ ثقبًا في الطيف الكهرومغناطيسي — ولا قدر من التعلّم الآلي يمكنه ملؤه.

حجم ما نرميه بعيدًا

إليك رقمًا ينبغي أن يزعجك: من بين 353 مليون طن من النفايات البلاستيكية المُنتَجة عالميًا كل عام، لا يُعاد تدوير سوى 9% منها فحسب. نصفها يذهب إلى مكب النفايات. ويُحرَق خُمسها. أما البقية فيُساء التعامل معها — وهي عبارة ملطّفة لـ"إلقائها في مكان نفضّل ألا نفكر فيه."

تزيد أنواع البلاستيك الأسود هذه الصورة سوءًا. فهي تشكّل ما بين 3% و15% من إجمالي تدفق النفايات البلاستيكية حسب مكانك. في منشأة تعالج 50,000 طن سنويًا، يعني ذلك آلاف الأطنان من المواد — بولي بروبيلين، وبولي إيثيلين، وABS، وبولي ستايرين — تُطرَد من تدفق إعادة التدوير، لا لأنه لا يمكن إعادة تدويرها، بل لأن الآلات لا تستطيع رؤيتها.

وهذه المواد ليست عديمة القيمة. فالبولي بروبيلين الأسود المُعاد تدويره يُتداول بسعر 1,130–1,200 دولارًا للطن. أما ABS المُعاد تدويره فيُباع بسعر 800–1,100 دولار. والمنشأة المتوسطة الحجم الواحدة ترمي بعيدًا قيمة تفوق 2 مليون دولار من القيمة القابلة للاسترداد كل عام. هذا ليس خطأ تقريب. إنه نموذج عمل ينتظر من يُطلقه.

لا يمكنك إعادة تدوير ما لا تستطيع رؤيته. وفي الوقت الراهن، الصناعة بأكملها عمياء عن 15% من تدفق النفايات.

لماذا تكون الصينية السوداء غير مرئية لروبوت إعادة التدوير؟

الإجابة تكمن في صبغة تُسمى الكربون الأسود. تُنتَج من الاحتراق غير الكامل للنفط، وهي السبب في أن معظم أنواع البلاستيك الأسود سوداء. وهي أيضًا واحدة من أكثر مواد امتصاص الضوء فعالية على الإطلاق.

تستخدم أجهزة الفرز القياسية لإعادة التدوير التحليل الطيفي بالأشعة تحت الحمراء القريبة — NIR — العاملة بين 0.9 و1.7 ميكرومتر. وطريقة عملها أنيقة: تُغرِق مصابيح الهالوجين الحزام الناقل بالضوء. وعندما يصطدم ذلك الضوء بزجاجة بلاستيكية ملوّنة أو شفافة، يرتد بأطوال موجية محددة مُمتصّة — بصمة طيفية تخبر المستشعر "هذه PET" أو "هذه HDPE." فيُطلَق القاذف الهوائي. وتسقط الزجاجة في الحاوية الصحيحة.

لكن عندما يصطدم الضوء نفسه بالكربون الأسود، فإنه لا يرتد. تمتص الصبغة الفوتونات عبر نطاق NIR بأكمله وتحوّلها إلى حرارة. فلا يستقبل المستشعر شيئًا. ولأن الحزام الناقل نفسه عادةً ما يكون مطاطًا أسود، ترى الآلة جسمًا أسود على خلفية سوداء يعيد إشارة صفرية. وبالنسبة لخوارزمية الفرز، يبدو الحزام فارغًا.

أتذكّر أنني شرحتُ هذا لأحد المستثمرين في وقت مبكر. قال: "ألا يمكنك ببساطة تدريب نموذج أفضل على البكسلات الداكنة؟" فعرضتُ قراءة طيفية لصينية PP سوداء تحت NIR. كانت خطًا مسطحًا. ضجيجًا. قلتُ له: لا توجد بيانات هنا. لا يمكنك تدريب نموذج على لا شيء.

توقّف برهة، ثم قال: "وماذا عن GPT؟"

يردني هذا السؤال أكثر مما أودّ الاعتراف به.

لماذا لا يمكنك ببساطة استخدام نموذج لغوي كبير (LLM) لهذا؟

أريد أن أكون صريحًا بشأن أمرٍ ما، لأن دورة الضجيج الحالية حول الذكاء الاصطناعي خلقت وهمًا خطيرًا: لا يمكنك أن تخرج من مشكلة فيزيائية عبر كتابة الأوامر (prompt).

النماذج اللغوية الكبيرة محركات نصية احتمالية. تتنبأ بالرمز (token) التالي بناءً على أنماط في بيانات تدريبها. وهي مذهلة فيما تفعله. لكنها تتطلب مُدخَلات. وفي حالة فرز البلاستيك الأسود، فإن المُدخَل من مستشعر NIR القياسي مجموعة خالية — خط مسطح من الضجيج لا يمكن تمييزه عن خلفية الحزام الناقل.

إذا أجبرتَ نموذجًا توليديًا على تصنيف ذلك الضجيج، فقد يخمّن. قد يقول "على الأرجح بولي بروبيلين" لأن PP شائع. لكن التخمين ليس استشعارًا. وفي خط إعادة تدوير صناعي حيث يجعل التلوث الذي يتجاوز 1–2% البالة بأكملها غير قابلة للبيع، يكون التخمين الواثق أسوأ من عدم وجود إجابة على الإطلاق. إنه هلوسة ذات عواقب مادية.

وهناك أيضًا مشكلة زمن الاستجابة. قرارات الفرز الصناعي تحدث في أجزاء من الألف من الثانية — والحزام الناقل الذي يعمل بسرعة 3 أمتار في الثانية لا ينتظر استدعاء API لخادم سحابي. فبحلول الوقت الذي يعيد فيه نموذج سحابي إجابته الخاطئة الواثقة، تكون الصينية قد وصلت بالفعل إلى حاوية المخلفات.

لا يمكن لغلاف نموذج لغوي كبير (LLM wrapper) أن يهلوس فوتونات لم يلتقطها المستشعر قط. فإذا لم تكن البيانات موجودة، فالنموذج أعمى — مهما بلغ عدد معاملاته.

هذا هو الفرق الذي أعود إليه دائمًا بين ما أسميه "أغلفة الذكاء الاصطناعي" والتقنية العميقة. فالغلاف يأخذ نموذج شخص آخر ويضع عليه واجهة مستخدم. أما التقنية العميقة فتغيّر فيزياء القياس. وكنا بحاجة إلى تغيير القياس.

ماذا يحدث عندما تُزيح الطول الموجي؟

امتصاص الكربون الأسود ليس لا نهائيًا. فله حدود. وتصبح هذه الحدود قابلة للاستغلال عندما تنتقل من الأشعة تحت الحمراء القريبة إلى الأشعة تحت الحمراء متوسطة الموجة — نطاق MWIR، وتحديدًا بين 2.7 و5.3 ميكرومتر.

هنا حيث تصبح كيمياء البوليمرات صاخبة.

في نطاق NIR، تلتقط اهتزازات "التوافقيات" — أصداءً خافتة للروابط الجزيئية. وهي دقيقة، يسهل أن يطمسها الكربون الأسود. لكن في نطاق MWIR، تصطدم بما يُسمى الاهتزازات الأساسية: روابط الشد C-H، واهتزازات الشد الكربونيلية C=O، وأنماط الحلقة العطرية. هذه الإشارات أقوى بأوامر مقدارية. قوية بما يكفي لاختراق صبغة الكربون الأسود والوصول إلى المستشعر.

في المرة الأولى التي رأى فيها فريقي قراءة طيفية نظيفة لصينية بولي بروبيلين سوداء تحت MWIR، ساد لحظة من الذهول الحقيقي. كنا نحدّق في خطوط مسطحة منذ أسابيع. ثم فجأة — قمم. حادة، متمايزة، لا لبس فيها. كان نطاق امتصاص C-H عند 3.4 ميكرومتر هناك تمامًا، واضحًا كأي رسم في كتاب دراسي. إلا أن هذه لم تكن عيّنة من كتاب دراسي. كانت صينية طعام مهشّمة وقذرة انتُشلت من تدفق نفايات حقيقي.

التفتُّ إلى مهندسي وقلت: "كانت الصينية تتحدث دائمًا. لكننا كنا نستمع على التردد الخاطئ فحسب."

هذه هي الفكرة الجوهرية. لم نجعل البلاستيك أكثر وضوحًا. بل غيّرنا المكان الذي نظرنا فيه.

كيف يعمل التصوير فرط الطيفي بـMWIR فعليًا؟

بنينا نظامنا حول Specim FX50، وهي حاليًا الكاميرا فرط الطيفية الوحيدة القابلة للتطبيق تجاريًا التي تغطي النطاق الكامل 2.7–5.3 ميكرومتر اللازم لهذا التطبيق. وعبارة "القابلة للتطبيق تجاريًا" تحمل عبئًا كبيرًا في تلك الجملة، لأن هذه ليست كاميرا ويب تثبّتها على ناقل.

مادة الكاشف هي أنتيمونيد الإنديوم — وهو شبه موصل نادر حساس للإشعاع الحراري. ولأنك في جوهر الأمر تكتشف بصمات حرارية عند هذه الأطوال الموجية، يجب تبريد المستشعر إلى درجات حرارة فائقة الانخفاض — نحو 77 كلفن، أو ما يقارب سالب 196 درجة مئوية — باستخدام مبرّد ستيرلينغ مدمج. وإن لم تبرّده، أعمى المستشعر نفسه بضجيجه الحراري الخاص.

تلتقط الكاميرا 154 نطاقًا طيفيًا لكل بكسل في مجال رؤيتها، منتجةً مكعب بيانات ثلاثي الأبعاد: الموضع المكاني إضافةً إلى الطول الموجي. وبمعدل 380 إطارًا في الثانية، تواكب الأحزمة الناقلة التي تعمل بسرعة تتجاوز مترين في الثانية.

كتبتُ عن بنية المستشعر الكاملة والفيزياء الكامنة وراءها في ورقتنا البيضاء التفاعلية — تفاصيل هندسة التبريد فائق الانخفاض وحدها قد تملأ مقالًا خاصًا بها. لكن النقطة الأساسية هي: ما تراه الكاميرا ليس اللون. إنها ترى الكيمياء. صينية PP سوداء وغطاء PS أسود يبدوان متطابقين لعينيك. تحت MWIR، لهما بصمتان طيفيتان مختلفتان تمامًا — قمم مختلفة، وأنماط امتصاص مختلفة، وهويات جزيئية مختلفة.

توقفنا عن ممارسة الرؤية الحاسوبية وبدأنا ممارسة الرؤية الكيميائية. لا ترى الكاميرا "أشكالًا سوداء." بل ترى تدفقًا من البصمات الجزيئية.

الذكاء الاصطناعي الذي يقرأ الكيمياء، لا الصور

التقاط بيانات فرط طيفية من 154 نطاقًا بسرعة صناعية يولّد حجمًا هائلًا من المعلومات. ويصبح السؤال: كيف تصنّفها بسرعة كافية لتفعيل نفّاث هواء قبل أن يسقط الجسم عن الحزام؟

الغريزة القياسية في الذكاء الاصطناعي هي اللجوء إلى شبكة عصبية التفافية ثنائية البُعد — من النوع الذي يشغّل التعرف على الصور. ResNet، وYOLO، البُنى التي تستطيع التمييز بين قطة وكلب. لكن فرز النفايات يكسر كل افتراض تعتمد عليه تلك الشبكات. الزجاجة المهشّمة لا تبدو كزجاجة. وشظية صينية ممزقة ليس لها شكل يمكن التعرف عليه. وشظية من بلاستيك سيارات أسود متطابقة مكانيًا مع شظية من تغليف طعام أسود.

الشكل غير موثوق. أما الكيمياء فموثوقة.

لذا نتعامل مع المشكلة بوصفها معالجة إشارات، لا التعرف على الصور. فلكل بكسل على الحزام الناقل، نستخرج متجهًا أحادي البُعد من 154 قيمة — الطيف عند تلك النقطة. ونُغذّي ذلك المتجه في شبكة عصبية التفافية أحادية البُعد (1D-CNN).

فبدلًا من نوى مربّعة تنزلق فوق صورة بحثًا عن الحواف والقوام، تنزلق نوانا الخطية فوق الطيف بحثًا عن بصمات جزيئية: انخفاض حاد عند 3.4 ميكرومتر، وكتف عريض عند 4.0، وقمة ثنائية محددة تقول "هذه بولي ستايرين، لا بولي إيثيلين." وتتعلّم الشبكة قواعد نحو الروابط الكيميائية.

كان هناك أسبوع جادل فيه أحد مهندسيي بأنه ينبغي أن نجرّب بنية Transformer بدلًا من ذلك — آليات الانتباه، النهج نفسه الذي يشغّل GPT. على الورق كان الأمر منطقيًا. لكن عمليًا، جعل التعقيدُ الحسابي التربيعي الاستدلالَ بطيئًا جدًا بالنسبة لحزام يتحرك بسرعة 3 أمتار في الثانية. يعمل نظامنا 1D-CNN في أقل من 5 ميلي ثانية على عتاد طرفي. كان Transformer لا يزال "ينتبه" إلى السياق الشامل للطيف بينما كان نظامنا قد صنّف البكسل بالفعل وأطلق القاذف.

نحن لا نعمل في السحابة. هناك وحدة NVIDIA Jetson AGX Orin موضوعة على آلة الفرز. البيانات لا تغادر المنشأة أبدًا. فبحلول الوقت الذي يكون فيه نظام سحابي قد أنهى رحلته ذهابًا وإيابًا، يكون نفّاث الهواء لدينا قد أعاد توجيه الصينية بالفعل إلى الحاوية الصحيحة.

دمج طريقتين للرؤية

يُخبرك MWIR بماهية الشيء. لكن دقته المكانية أقل من كاميرا قياسية وهو باهظ الثمن. لذا ندمجه مع RGB.

تتولى كاميرا ملوّنة عالية الدقة التقطيع — إيجاد حدود الأجسام على الحزام. فتُنشئ قناعًا: "هناك عنصر عند هذه الإحداثيات." وتلتقط كاميرا MWIR البيانات الطيفية. ويُراكِب محرّك الدمج لدينا قناع RGB على مكعب بيانات MWIR ويستعلم عن الطيف داخل حدود كل جسم. ويصنّف نظام 1D-CNN المادة.

المُخرَج إلى روبوت الفرز هو حزمة بيانات مركّبة: الجسم رقم 452 هو بولي بروبيلين أسود، يقع عند هذه الإحداثيات، موجّه بهذه الزاوية. التقطه. ضعه في الحاوية رقم ثلاثة.

يتيح لنا هذا النهج الهجين استخدام RGB الرخيص والسريع للعمل المكاني، مع الاحتفاظ بـMWIR الباهظ والكثيف بالمعلومات للقرار الذي يهم: مِمَّ صُنِع هذا الشيء؟

لماذا لا تفعل الصناعة هذا بالفعل؟

يسألني الناس هذا باستمرار. إذا كان MWIR ناجحًا، فلماذا لا يستخدمه كل مصنع لإعادة التدوير؟

ثلاثة أسباب.

أولًا، حاجز العتاد. كاميرات الأشعة تحت الحمراء المبرّدة بالتبريد فائق الانخفاض والمزوّدة بكواشف أشباه موصلات نادرة ليست سلعًا اعتيادية. لا يمكنك طلب واحدة من كتالوج إلكترونيات استهلاكية. Specim FX50 موجودة، لكن دمجها في خط فرز يتعامل مع نفايات العالم الحقيقي — أجسام قذرة ومبتلّة ومتراكبة وبسرعة — يتطلب هندسة كبيرة.

ثانيًا، حاجز الذكاء الاصطناعي. البرامج الثابتة لآلات الفرز القياسية مصممة لبيانات NIR. لا يمكنك ببساطة استبدال المستشعر وتتوقع أن يعمل البرنامج الموجود. بنية 1D-CNN، والمعالجة الطيفية المسبقة، وخط دمج المستشعرات — كل هذا مصمم خصيصًا. وهنا تعيش Veriprajna. نحن نوفّر طبقة الذكاء لعتاد بُني لعصر مختلف من الاستشعار.

ثالثًا، القصور الذاتي. لسنوات، كانت إجابة الصناعة عن البلاستيك الأسود "لا تستخدمه" أو "تقبّل الخسارة." وطُلب من العلامات التجارية التحول إلى صبغات قابلة للكشف. فعل ذلك بعضها. ولم يفعله معظمها، لأن الكربون الأسود رخيص، ومستقر تحت الأشعة فوق البنفسجية، ويتيح للمصنّعين استخدام مواد أولية مُعاد تدويرها مختلطة الألوان — وهو الشيء نفسه الذي يجعل إعادة التدوير مجدية اقتصاديًا في المقام الأول.

يتيح الكربون الأسود للمصنّعين استخدام محتوى مُعاد تدويره. لكنه أيضًا يجعل المنتج النهائي غير مرئي لمستشعرات إعادة التدوير. فالصبغة التي تُمكّن الدائرية تدمّرها في الوقت نفسه.

لائحة التغليف ونفايات التغليف في الاتحاد الأوروبي تفرض حسم المسألة. فبحلول عام 2030، يجب أن يكون كل التغليف قابلًا لإعادة التدوير — لا نظريًا، بل بشكل قابل للإثبات، في منشآت صناعية فعلية. وإذا لم يستطع جهاز الفرز رؤيته، فهو قانونيًا غير قابل لإعادة التدوير. وهذا الموعد النهائي التنظيمي يركّز الأذهان.

الاقتصاديات التي تجعل هذا حتميًا

تعلّمتُ أنك عندما تبيع تقنية عميقة لمشغّلين صناعيين، تفتح الحجة البيئية الباب لكن جدول البيانات يُبرم الصفقة.

لنأخذ منشأة استرداد مواد أوروبية متوسطة الحجم تعالج 50,000 طن سنويًا. محتوى البلاستيك الأسود: 5%، أو 2,500 طن. حاليًا، تذهب تلك المادة إلى الحرق برسم بوابة إضافةً إلى ضريبة كربون تبلغ نحو 100 يورو للطن — بتكلفة قدرها 250,000 يورو سنويًا لمجرد إتلاف مادة قيّمة.

ومع فرز MWIR الذي يسترد 90% من ذلك التدفق ويبيع الحبيبات المفروزة بسعر 900 يورو للطن، تتغير الحسابات جذريًا: 2.25 مليون يورو من الإيرادات المجمّعة وتكاليف التخلص المُتجنَّبة. وفي مقابل نفقات رأسمالية للنظام تبلغ نحو 300,000 دولار، تكون فترة الاسترداد أقل من شهرين.

شاهدتُ مديري منشآت يجرون هذه العملية الحسابية على ظهر مظروف ثم يسألون فورًا متى يمكننا التركيب. الاقتصاديات ليست هامشية. إنها ساحقة.

للاطلاع على التفصيل التقني الكامل — بما في ذلك بيانات التمييز الطيفي، وتفاصيل بنية 1D-CNN، وخط دمج المستشعرات — نشرتُ ورقة بحثية مفصّلة تتعمق أكثر مما أستطيع في مقال.

ما يدور حوله هذا حقًا

أسستُ Veriprajna لأنني آمنتُ بأن أصعب المشكلات الصناعية لا يمكن حلها بتغليف واجهة برمجة تطبيقات (API). فهي تتطلب فهم فيزياء القياس، وبناء خط المستشعرات الصحيح، وتصميم بُنى ذكاء اصطناعي تطابق بنية البيانات — لا بنية دورة الضجيج.

إعادة تدوير البلاستيك الأسود دراسة حالة في سبب أهمية التقنية العميقة. لم تكن المشكلة قط أننا نفتقر إلى الذكاء. كانت المشكلة أننا نفتقر إلى الإشارة. كنا نسلّط الضوء الخاطئ ثم نلوم الذكاء الاصطناعي على عدم رؤيته أي شيء.

عندما يخبرك أحدهم أن الذكاء الاصطناعي يمكنه حل كل شيء، اسأله: يحلّه بأي بيانات؟ إذا لم يستطع المستشعر التقاط الواقع، فالنموذج مجرد مولّد أرقام عشوائية باهظ الثمن جدًا.

هناك ملايين الأطنان من البوليمر القابل تمامًا لإعادة التدوير قابعة في مكبات النفايات الآن بسبب صبغة تمتص الأشعة تحت الحمراء القريبة. ليس لأن الكيمياء خاطئة. وليس لأن الاقتصاديات لا تنجح. بل لأن المستشعر بُني لعالمٍ يكون فيه كل شيء درجةً مريحةً من الأزرق أو الأخضر.

العالم ليس بهذه الملاءمة. والحل ليس أمرًا (prompt) أفضل. إنه فوتون أفضل.