Ihr Recycling ist eine Lüge – und die Lösung erfordert Physik, nicht ChatGPT

Ich sah zu, wie ein einwandfreies Tablett aus Polypropylen — die Art, in der man Sushi kauft — vom Ende eines Förderbandes segelte und in einen Behälter mit der Aufschrift "Reststoff" fiel. Reststoff ist das höfliche Wort. Es bedeutet Deponie. Es bedeutet Verbrennung. Es bedeutet Scheitern.

Das Tablett war schwarz. Das war sein einziges Verbrechen.

Ich stand in einer Sortieranlage für Wertstoffe in Europa, der Art von Ort, der Zehntausende Tonnen Abfall pro Jahr verarbeitet, und ich beobachtete ihren hochmodernen optischen Sortierer — eine Maschine, die mehr kostet als die meisten Wohnungen — dabei, wie er systematisch jedes dunkel gefärbte Objekt ignorierte, das unter seinen Sensoren vorbeizog. Nicht weil die Maschine kaputt war. Sondern weil die Physik ihres Sensors schwarzen Kunststoff buchstäblich unsichtbar machte.

Dieser Moment veränderte die Bahn meines Unternehmens. Bei Veriprajna bauen wir tiefe KI-Systeme für industrielle Probleme, und ich war in diese Anlage gekommen und hatte erwartet, ein Softwareproblem zu finden. Eine Klassifikationslücke. Etwas, das wir hätten justieren können. Stattdessen fand ich ein Loch im elektromagnetischen Spektrum — und kein noch so großes Maß an maschinellem Lernen konnte es füllen.

Das Ausmaß dessen, was wir wegwerfen

Hier ist eine Zahl, die Sie beunruhigen sollte: von den 353 Millionen Tonnen Kunststoffabfall, die weltweit jedes Jahr anfallen, werden nur 9 % recycelt. Die Hälfte landet auf Deponien. Ein Fünftel wird verbrannt. Der Rest wird nicht ordnungsgemäß entsorgt — ein Euphemismus für "irgendwo hingekippt, wo wir lieber nicht darüber nachdenken".

Schwarze Kunststoffe machen dieses Bild noch schlimmer. Sie machen je nach Standort zwischen 3 % und 15 % des gesamten Kunststoffabfallstroms aus. In einer Anlage, die 50.000 Tonnen pro Jahr verarbeitet, sind das Tausende Tonnen Material — Polypropylen, Polyethylen, ABS, Polystyrol — die aus dem Recyclingstrom ausgeschleust werden, nicht weil sie nicht recycelt werden können, sondern weil die Maschinen sie nicht sehen können.

Und dieses Material ist nicht wertlos. Recyceltes schwarzes Polypropylen wird zu 1.130–1.200 $ pro Tonne gehandelt. Recyceltes ABS erzielt 800–1.100 $. Eine einzelne mittelgroße Anlage wirft jedes Jahr über 2 Millionen $ an rückgewinnbarem Wert weg. Das ist kein Rundungsfehler. Das ist ein Geschäftsmodell, das darauf wartet, freigesetzt zu werden.

Man kann nicht recyceln, was man nicht sehen kann. Und im Moment ist die gesamte Branche blind für 15 % des Abfallstroms.

Warum ist ein schwarzes Tablett für einen Recyclingroboter unsichtbar?

Die Antwort liegt in einem Pigment namens Ruß. Es entsteht aus der unvollständigen Verbrennung von Erdöl, und es ist der Grund, warum die meisten schwarzen Kunststoffe schwarz sind. Es ist außerdem einer der wirksamsten Lichtabsorber, die je hergestellt wurden.

Standard-Recyclingsortierer verwenden Nahinfrarot-Spektroskopie — NIR — die zwischen 0,9 und 1,7 Mikrometern arbeitet. Die Funktionsweise ist elegant: Halogenlampen fluten das Förderband mit Licht. Wenn dieses Licht auf eine farbige oder klare Kunststoffflasche trifft, wird es zurückgeworfen, wobei bestimmte Wellenlängen absorbiert werden — ein spektraler Fingerabdruck, der dem Sensor sagt "das ist PET" oder "das ist HDPE". Der pneumatische Auswerfer feuert. Die Flasche landet im richtigen Behälter.

Aber wenn dasselbe Licht auf Ruß trifft, wird es nicht zurückgeworfen. Das Pigment absorbiert die Photonen über den gesamten NIR-Bereich und wandelt sie in Wärme um. Der Sensor empfängt nichts. Und weil das Förderband selbst in der Regel aus schwarzem Gummi besteht, sieht die Maschine ein schwarzes Objekt auf schwarzem Hintergrund, das kein Signal zurückgibt. Für den Sortieralgorithmus sieht das Band leer aus.

Ich erinnere mich, dass ich das einem Investor früh erklärte. Er sagte: "Kann man nicht einfach ein besseres Modell auf den dunklen Pixeln trainieren?" Ich rief einen Spektralverlauf eines schwarzen PP-Tabletts unter NIR auf. Es war eine flache Linie. Rauschen. Ich sagte ihm: Hier gibt es keine Daten. Man kann kein Modell auf nichts trainieren.

Er hielt inne und sagte dann: "Was ist mit GPT?"

Ich bekomme diese Frage öfter gestellt, als ich zugeben möchte.

Warum kann man dafür nicht einfach ein LLM verwenden?

Ich möchte in einer Sache direkt sein, denn der aktuelle KI-Hype-Zyklus hat eine gefährliche Illusion geschaffen: man kann sich nicht per Prompt aus einem physikalischen Problem herausmanövrieren.

Große Sprachmodelle sind probabilistische Textmaschinen. Sie sagen das nächste Token auf Basis von Mustern in ihren Trainingsdaten voraus. Sie sind außergewöhnlich in dem, was sie tun. Aber sie brauchen Eingaben. Im Fall der Sortierung schwarzen Kunststoffs ist die Eingabe eines Standard-NIR-Sensors eine leere Menge — eine flache Linie aus Rauschen, nicht unterscheidbar vom Hintergrund des Förderbandes.

Wenn man ein generatives Modell zwingen würde, dieses Rauschen zu klassifizieren, könnte es raten. Es könnte "wahrscheinlich Polypropylen" sagen, weil PP häufig ist. Aber Raten ist kein Erfassen. In einer industriellen Recyclinglinie, in der eine Verunreinigung über 1–2 % einen ganzen Ballen unverkäuflich macht, ist eine selbstbewusste Vermutung schlimmer als gar keine Antwort. Es ist eine Halluzination mit physischen Folgen.

Es gibt auch das Latenzproblem. Industrielle Sortierentscheidungen fallen in Millisekunden — ein Förderband, das mit 3 Metern pro Sekunde läuft, wartet nicht auf einen API-Aufruf an einen Cloud-Server. Bis ein cloudbasiertes Modell seine selbstbewusst falsche Antwort zurückgibt, ist das Tablett bereits im Reststoffbehälter.

Ein LLM-Wrapper kann keine Photonen halluzinieren, die vom Sensor nie erfasst wurden. Wenn die Daten nicht existieren, ist das Modell blind — ganz gleich, wie viele Parameter es hat.

Das ist die Unterscheidung, auf die ich immer wieder zurückkomme, zwischen dem, was ich "KI-Wrapper" nenne, und Deep Tech. Ein Wrapper nimmt das Modell eines anderen und setzt eine Benutzeroberfläche darauf. Deep Tech verändert die Physik der Messung. Wir mussten die Messung verändern.

Was passiert, wenn man die Wellenlänge verschiebt?

Die Absorption von Ruß ist nicht unendlich. Sie hat Grenzen. Und diese Grenzen werden ausnutzbar, wenn man vom Nahinfrarot in das mittelwellige Infrarot übergeht — das MWIR-Band, genauer gesagt zwischen 2,7 und 5,3 Mikrometern.

Hier wird die Polymerchemie laut.

Im NIR-Bereich erfasst man "Obertonschwingungen" — schwache Echos molekularer Bindungen. Sie sind subtil und werden von Ruß leicht übertönt. Aber im MWIR trifft man auf die fundamentalen Schwingungen: die C-H-Streckschwingungen, die C=O-Carbonyl-Streckschwingungen, die aromatischen Ringmoden. Diese Signale sind um Größenordnungen stärker. Stark genug, um durch das Rußpigment hindurchzudringen und den Sensor zu erreichen.

Als mein Team zum ersten Mal einen sauberen Spektralverlauf eines schwarzen Polypropylen-Tabletts unter MWIR sah, gab es einen Moment echter Ungläubigkeit. Wir hatten wochenlang auf flache Linien gestarrt. Und dann plötzlich — Spitzen. Scharf, ausgeprägt, unverkennbar. Das C-H-Absorptionsband bei 3,4 Mikrometern war genau da, so deutlich wie jedes Diagramm aus einem Lehrbuch. Nur dass dies keine Lehrbuchprobe war. Es war ein zerdrücktes, schmutziges Lebensmitteltablett, das aus einem echten Abfallstrom gezogen wurde.

Ich wandte mich an meinen Ingenieur und sagte: "Das Tablett hat die ganze Zeit gesprochen. Wir haben nur auf der falschen Frequenz zugehört."

Das ist die Kernerkenntnis. Wir haben den Kunststoff nicht sichtbarer gemacht. Wir haben verändert, wo wir hingeschaut haben.

Wie funktioniert MWIR-Hyperspektralbildgebung eigentlich?

Wir haben unser System um die Specim FX50 herum aufgebaut, die derzeit die einzige kommerziell einsetzbare Hyperspektralkamera ist, die den gesamten für diese Anwendung nötigen Bereich von 2,7–5,3 Mikrometern abdeckt. Und "kommerziell einsetzbar" leistet in diesem Satz eine Menge Schwerstarbeit, denn dies ist keine Webcam, die man an ein Förderband schraubt.

Das Detektormaterial ist Indiumantimonid — ein exotischer Halbleiter, der auf Wärmestrahlung reagiert. Weil man bei diesen Wellenlängen im Grunde Wärmesignaturen erfasst, muss der Sensor auf kryogene Temperaturen heruntergekühlt werden — etwa 77 Kelvin oder ungefähr minus 196 Grad Celsius — mithilfe eines integrierten Stirling-Kühlers. Kühlt man ihn nicht, blendet sich der Sensor mit seinem eigenen thermischen Rauschen selbst.

Die Kamera erfasst 154 Spektralbänder für jedes Pixel in ihrem Sichtfeld und erzeugt einen dreidimensionalen Datenwürfel: räumliche Position plus Wellenlänge. Mit 380 Bildern pro Sekunde hält sie mit Förderbändern Schritt, die schneller als 2 Meter pro Sekunde laufen.

Ich habe über die vollständige Sensorarchitektur und die Physik dahinter in unserem interaktiven Whitepaper geschrieben — allein die technischen Details der kryogenen Kühlung könnten einen eigenen Aufsatz füllen. Aber der entscheidende Punkt ist dieser: Was die Kamera sieht, ist keine Farbe. Sie sieht Chemie. Ein schwarzes PP-Tablett und ein schwarzer PS-Deckel sehen für Ihre Augen identisch aus. Unter MWIR haben sie völlig unterschiedliche Spektralsignaturen — unterschiedliche Spitzen, unterschiedliche Absorptionsmuster, unterschiedliche molekulare Identitäten.

Wir hörten auf, Computer Vision zu betreiben, und begannen mit chemischem Sehen. Die Kamera sieht keine "schwarzen Formen". Sie sieht einen Strom molekularer Fingerabdrücke.

Die KI, die Chemie liest, keine Bilder

Die Erfassung von 154-Band-Hyperspektraldaten mit industrieller Geschwindigkeit erzeugt eine enorme Menge an Informationen. Die Frage wird: Wie klassifiziert man sie schnell genug, um eine Luftdüse auszulösen, bevor das Objekt vom Band fällt?

Der Standardinstinkt in der KI ist, zu einem 2D-Convolutional Neural Network zu greifen — der Art, die Bilderkennung antreibt. ResNet, YOLO, die Architekturen, die eine Katze von einem Hund unterscheiden können. Aber die Abfallsortierung durchbricht jede Annahme, auf die sich diese Netzwerke stützen. Eine zerdrückte Flasche sieht nicht wie eine Flasche aus. Ein zerrissenes Tablettfragment hat keine erkennbare Form. Ein Splitter aus schwarzem Automobilkunststoff ist räumlich identisch mit einem Splitter aus schwarzer Lebensmittelverpackung.

Die Form ist unzuverlässig. Die Chemie ist es nicht.

Also behandeln wir das Problem als Signalverarbeitung, nicht als Bilderkennung. Für jedes Pixel auf dem Förderband extrahieren wir einen eindimensionalen Vektor aus 154 Werten — das Spektrum an diesem Punkt. Wir speisen diesen Vektor in ein 1D-Convolutional Neural Network ein.

Anstatt dass quadratische Kernel über ein Bild gleiten und nach Kanten und Texturen suchen, gleiten unsere linearen Kernel über das Spektrum und suchen nach molekularen Signaturen: ein scharfer Abfall bei 3,4 Mikrometern, eine breite Schulter bei 4,0, eine bestimmte Doublet-Spitze, die sagt "das ist Polystyrol, nicht Polyethylen". Das Netzwerk erlernt die Grammatik der chemischen Bindungen.

Es gab eine Woche, in der einer meiner Ingenieure argumentierte, wir sollten stattdessen eine Transformer-Architektur ausprobieren — Attention-Mechanismen, derselbe Ansatz, der GPT antreibt. Auf dem Papier ergab das Sinn. In der Praxis machte die quadratische Rechenkomplexität die Inferenz zu langsam für ein Band, das sich mit 3 Metern pro Sekunde bewegt. Unser 1D-CNN läuft in unter 5 Millisekunden auf Edge-Hardware. Der Transformer "beachtete" noch den globalen Kontext des Spektrums, während unser System das Pixel bereits klassifiziert und den Auswerfer ausgelöst hatte.

Wir laufen nicht in der Cloud. Da sitzt ein NVIDIA Jetson AGX Orin auf der Sortiermaschine. Die Daten verlassen die Anlage nie. Bis ein cloudbasiertes System seinen Rundlauf beendet hätte, hat unsere Luftdüse das Tablett bereits in den richtigen Behälter umgelenkt.

Die Verschmelzung zweier Sehweisen

MWIR sagt Ihnen, was etwas ist. Aber es hat eine geringere räumliche Auflösung als eine Standardkamera und es ist teuer. Also verschmelzen wir es mit RGB.

Eine hochauflösende Farbkamera übernimmt die Segmentierung — das Finden der Objektgrenzen auf dem Band. Sie erzeugt eine Maske: "an diesen Koordinaten befindet sich ein Objekt". Die MWIR-Kamera erfasst die Spektraldaten. Unsere Fusionsengine legt die RGB-Maske über den MWIR-Datenwürfel und fragt das Spektrum innerhalb jeder Objektgrenze ab. Das 1D-CNN klassifiziert das Material.

Die Ausgabe an den Sortierroboter ist ein zusammengesetztes Datenpaket: Objekt Nr. 452 ist schwarzes Polypropylen, befindet sich an diesen Koordinaten, ausgerichtet in diesem Winkel. Nimm es auf. Leg es in Behälter drei.

Dieser hybride Ansatz erlaubt uns, günstiges, schnelles RGB für die räumliche Arbeit zu nutzen und das teure, informationsdichte MWIR für die Entscheidung zu reservieren, die zählt: Woraus besteht dieses Ding?

Warum macht die Branche das nicht längst?

Diese Frage stellen mir die Leute ständig. Wenn MWIR funktioniert, warum nutzt es dann nicht jede Recyclinganlage?

Drei Gründe.

Erstens die Hardwarehürde. Kryogen gekühlte Infrarotkameras mit exotischen Halbleiterdetektoren sind keine Massenware. Man kann sie nicht aus einem Katalog für Unterhaltungselektronik bestellen. Die Specim FX50 existiert, aber ihre Integration in eine Sortierlinie, die realen Abfall verarbeitet — schmutzige, nasse, sich überlappende Objekte in hoher Geschwindigkeit — erfordert erhebliche Ingenieursarbeit.

Zweitens die KI-Hürde. Die Firmware von Standard-Sortiermaschinen ist für NIR-Daten ausgelegt. Man kann nicht einfach den Sensor austauschen und erwarten, dass die vorhandene Software funktioniert. Die 1D-CNN-Architektur, die spektrale Vorverarbeitung, die Sensorfusions-Pipeline — all das ist maßgeschneidert. Hier ist Veriprajna zu Hause. Wir liefern die Intelligenzschicht für Hardware, die für eine andere Ära des Sensings gebaut wurde.

Drittens die Trägheit. Jahrelang lautete die Antwort der Branche auf schwarzen Kunststoff "nicht verwenden" oder "den Verlust hinnehmen". Marken wurde geraten, auf detektierbare Pigmente umzusteigen. Einige taten es. Die meisten nicht, weil Ruß billig, UV-stabil ist und Herstellern erlaubt, gemischtfarbige recycelte Rohstoffe zu verwenden — genau das, was Recycling überhaupt erst wirtschaftlich tragfähig macht.

Ruß erlaubt Herstellern, recycelten Anteil zu verwenden. Aber er macht das Endprodukt auch unsichtbar für Recyclingsensoren. Das Pigment, das Kreislaufwirtschaft ermöglicht, zerstört sie zugleich.

Die Verpackungs- und Verpackungsabfallverordnung der EU erzwingt die Auseinandersetzung mit dem Thema. Bis 2030 muss jede Verpackung recycelbar sein — nicht theoretisch, sondern nachweislich, in tatsächlichen Industrieanlagen. Wenn der Sortierer sie nicht sehen kann, ist sie rechtlich nicht recycelbar. Diese regulatorische Frist konzentriert die Gedanken.

Die Wirtschaftlichkeit, die dies unausweichlich macht

Ich habe gelernt: Wenn man Deep Tech an Industriebetreiber verkauft, öffnet das Umweltargument die Tür, aber die Tabellenkalkulation schließt den Deal ab.

Betrachten wir eine mittelgroße europäische MRF, die 50.000 Tonnen pro Jahr verarbeitet. Anteil schwarzer Kunststoff: 5 % oder 2.500 Tonnen. Derzeit geht dieses Material zur Verbrennung, bei einer Anliefergebühr plus CO2-Steuer von etwa 100 € pro Tonne — Kosten von 250.000 € jährlich allein, um wertvolles Material zu vernichten.

Wenn die MWIR-Sortierung 90 % dieses Stroms zurückgewinnt und die sortierten Pellets zu 900 € pro Tonne verkauft, verschiebt sich die Rechnung dramatisch: 2,25 Millionen € an kombinierten Erlösen und vermiedenen Entsorgungskosten. Gegenüber einer Systeminvestition von rund 300.000 $ beträgt die Amortisationszeit weniger als zwei Monate.

Ich habe zugesehen, wie Anlagenleiter diese Rechnung auf einem Briefumschlag anstellten und dann sofort fragten, wann wir installieren können. Die Wirtschaftlichkeit ist nicht marginal. Sie ist überwältigend.

Für die vollständige technische Aufschlüsselung — einschließlich der Daten zur spektralen Differenzierung, der Details der 1D-CNN-Architektur und der Sensorfusions-Pipeline — habe ich ein detailliertes Forschungspapier veröffentlicht, das tiefer geht, als ich es in einem Aufsatz kann.

Worum es hier wirklich geht

Ich gründete Veriprajna, weil ich glaubte, dass die schwierigsten industriellen Probleme nicht dadurch gelöst werden können, dass man eine API umhüllt. Sie erfordern das Verständnis der Physik der Messung, den Aufbau der richtigen Sensor-Pipeline und die Gestaltung von KI-Architekturen, die zur Struktur der Daten passen — nicht zur Struktur des Hype-Zyklus.

Das Recycling schwarzen Kunststoffs ist eine Fallstudie dafür, warum Deep Tech wichtig ist. Das Problem war nie, dass es uns an Intelligenz fehlte. Das Problem war, dass es uns an Signal fehlte. Wir strahlten das falsche Licht aus und gaben dann der KI die Schuld, dass sie nichts sah.

Wenn Ihnen jemand sagt, KI könne alles lösen, fragen Sie ihn: Lösen mit welchen Daten? Wenn der Sensor die Realität nicht erfassen kann, ist das Modell nur ein sehr teurer Zufallszahlengenerator.

Es gibt genau in diesem Moment Millionen Tonnen einwandfrei recycelbaren Polymers auf Deponien, wegen eines Pigments, das Nahinfrarotlicht absorbiert. Nicht weil die Chemie falsch ist. Nicht weil die Wirtschaftlichkeit nicht stimmt. Sondern weil der Sensor für eine Welt gebaut wurde, in der alles einen praktischen Blau- oder Grünton hat.

Die Welt ist nicht so praktisch. Und die Lösung ist kein besserer Prompt. Es ist ein besseres Photon.