Tu reciclaje es una mentira: la solución exige física, no ChatGPT

Vi cómo una bandeja de polipropileno en perfecto estado —de las que usan para vender sushi— se deslizaba por el extremo de una cinta transportadora y caía en un contenedor marcado como «residuo». Residuo es la palabra educada. Significa vertedero. Significa incineración. Significa fracaso.

La bandeja era negra. Ese era su único delito.

Yo estaba de pie en una Planta de Recuperación de Materiales en Europa, de esas que procesan decenas de miles de toneladas de residuos al año, y observaba cómo su clasificador óptico de última generación —una máquina que cuesta más que la mayoría de los apartamentos— ignoraba sistemáticamente cada objeto de color oscuro que pasaba bajo sus sensores. No porque la máquina estuviera averiada. Porque la física de su sensor hacía que el plástico negro fuera literalmente invisible.

Ese momento cambió la trayectoria de mi empresa. En Veriprajna construimos sistemas de IA profunda para problemas industriales, y había llegado a esta planta esperando encontrar un problema de software. Una brecha de clasificación. Algo que pudiéramos ajustar. En cambio, encontré un agujero en el espectro electromagnético, y ninguna cantidad de aprendizaje automático podía llenarlo.

La magnitud de lo que estamos tirando

Aquí va una cifra que debería inquietarte: de los 353 millones de toneladas de residuos plásticos generados en el mundo cada año, solo el 9% se recicla. La mitad va al vertedero. Una quinta parte se incinera. El resto se gestiona de forma inadecuada, un eufemismo para «arrojado en algún lugar en el que preferiríamos no pensar».

Los plásticos negros empeoran este panorama. Constituyen entre el 3% y el 15% del flujo total de residuos plásticos, según dónde te encuentres. En una planta que procesa 50.000 toneladas al año, eso son miles de toneladas de material —polipropileno, polietileno, ABS, poliestireno— que se expulsa del flujo de reciclaje no porque no pueda reciclarse, sino porque las máquinas no pueden verlo.

Y este material no carece de valor. El polipropileno negro reciclado se cotiza a 1.130-1.200 $ por tonelada. El ABS reciclado alcanza los 800-1.100 $. Una sola planta de tamaño medio está desperdiciando más de 2 millones de dólares en valor recuperable cada año. Eso no es un error de redondeo. Es un modelo de negocio esperando ser liberado.

No puedes reciclar lo que no puedes ver. Y en este momento, toda la industria es ciega al 15% del flujo de residuos.

¿Por qué una bandeja negra es invisible para un robot de reciclaje?

La respuesta reside en un pigmento llamado negro de carbón. Se produce a partir de la combustión incompleta del petróleo, y es la razón por la que la mayoría de los plásticos negros son negros. También es uno de los absorbedores de luz más eficaces jamás fabricados.

Los clasificadores de reciclaje estándar utilizan espectroscopía de infrarrojo cercano —NIR— que opera entre 0,9 y 1,7 micrómetros. Su funcionamiento es elegante: unas lámparas halógenas inundan la cinta transportadora con luz. Cuando esa luz incide sobre una botella de plástico de color o transparente, rebota con longitudes de onda específicas absorbidas, una huella espectral que le dice al sensor «esto es PET» o «esto es HDPE». El eyector neumático se dispara. La botella cae en el contenedor correcto.

Pero cuando esa misma luz incide sobre el negro de carbón, no rebota. El pigmento absorbe los fotones en todo el rango NIR y los convierte en calor. El sensor no recibe nada. Y como la propia cinta transportadora suele ser de caucho negro, la máquina ve un objeto negro sobre un fondo negro que devuelve señal cero. Para el algoritmo de clasificación, la cinta parece vacía.

Recuerdo haberle explicado esto a un inversor al principio. Me dijo: «¿No puedes simplemente entrenar un modelo mejor con los píxeles oscuros?». Saqué una lectura espectral de una bandeja de PP negro bajo NIR. Era una línea plana. Ruido. Le dije: aquí no hay datos. No se puede entrenar un modelo con nada.

Hizo una pausa y luego dijo: «¿Y qué hay de GPT?».

Me hacen esta pregunta más de lo que me gustaría admitir.

¿Por qué no puedes simplemente usar un LLM para esto?

Quiero ser directo con algo, porque el actual ciclo de entusiasmo por la IA ha creado una ilusión peligrosa: no puedes salir de un problema de física a base de prompts.

Los grandes modelos de lenguaje son motores de texto probabilísticos. Predicen el siguiente token basándose en patrones de sus datos de entrenamiento. Son extraordinarios en lo que hacen. Pero requieren una entrada. En el caso de la clasificación de plástico negro, la entrada de un sensor NIR estándar es un conjunto vacío: una línea plana de ruido indistinguible del fondo de la cinta transportadora.

Si obligaras a un modelo generativo a clasificar ese ruido, podría adivinar. Podría decir «probablemente polipropileno» porque el PP es común. Pero adivinar no es detectar. En una línea de reciclaje industrial donde una contaminación superior al 1-2% deja una bala entera invendible, una suposición segura es peor que ninguna respuesta. Es una alucinación con consecuencias físicas.

También está el problema de la latencia. Las decisiones de clasificación industrial ocurren en milisegundos; una cinta que corre a 3 metros por segundo no espera a una llamada de API a un servidor en la nube. Para cuando un modelo basado en la nube devuelve su respuesta equivocada pero segura, la bandeja ya está en el contenedor de residuos.

Un envoltorio de LLM no puede alucinar fotones que el sensor nunca capturó. Si los datos no existen, el modelo es ciego, por muchos parámetros que tenga.

Esta es la distinción a la que sigo volviendo entre lo que yo llamo «envoltorios de IA» y la tecnología profunda. Un envoltorio toma el modelo de otra persona y le pone una interfaz de usuario encima. La tecnología profunda cambia la física de la medición. Nosotros necesitábamos cambiar la medición.

¿Qué ocurre cuando desplazas la longitud de onda?

La absorción del negro de carbón no es infinita. Tiene límites. Y esos límites se vuelven aprovechables cuando pasas del infrarrojo cercano al infrarrojo de onda media, la banda MWIR, específicamente entre 2,7 y 5,3 micrómetros.

Aquí es donde la química de los polímeros se vuelve estridente.

En el rango NIR captas vibraciones de «sobretono», ecos tenues de los enlaces moleculares. Son sutiles, fácilmente ahogados por el negro de carbón. Pero en el MWIR alcanzas las vibraciones fundamentales: los enlaces de estiramiento C-H, los estiramientos carbonilo C=O, los modos del anillo aromático. Estas señales son órdenes de magnitud más fuertes. Lo bastante fuertes como para atravesar el pigmento de negro de carbón y llegar al sensor.

La primera vez que mi equipo vio una lectura espectral limpia de una bandeja de polipropileno negro bajo MWIR, hubo un momento de genuina incredulidad. Llevábamos semanas mirando líneas planas. Y entonces, de repente: picos. Nítidos, definidos, inconfundibles. La banda de absorción C-H de 3,4 micrómetros estaba ahí mismo, tan clara como cualquier diagrama de libro de texto. Salvo que esto no era una muestra de libro de texto. Era una bandeja de comida aplastada y sucia sacada de un flujo de residuos real.

Me volví hacia mi ingeniero y le dije: «La bandeja siempre estuvo hablando. Simplemente estábamos escuchando en la frecuencia equivocada».

Esa es la idea central. No hicimos el plástico más visible. Cambiamos dónde mirábamos.

¿Cómo funciona realmente la imagen hiperespectral MWIR?

Construimos nuestro sistema en torno a la Specim FX50, que actualmente es la única cámara hiperespectral comercialmente viable que cubre el rango completo de 2,7-5,3 micrómetros necesario para esta aplicación. Y «comercialmente viable» está haciendo un gran esfuerzo en esa frase, porque esto no es una cámara web que atornillas a una cinta transportadora.

El material del detector es antimoniuro de indio, un semiconductor exótico sensible a la radiación térmica. Como en esencia estás detectando firmas de calor en estas longitudes de onda, el sensor debe enfriarse a temperaturas criogénicas —unos 77 kelvin, o aproximadamente 196 grados Celsius bajo cero— mediante un enfriador Stirling integrado. Si no lo enfrías, el sensor se ciega a sí mismo con su propio ruido térmico.

La cámara capta 154 bandas espectrales para cada píxel de su campo de visión, generando un cubo de datos tridimensional: posición espacial más longitud de onda. A 380 fotogramas por segundo, mantiene el ritmo de cintas transportadoras que corren a más de 2 metros por segundo.

Escribí sobre la arquitectura completa del sensor y la física que hay detrás en nuestro whitepaper interactivo: solo los detalles de ingeniería del enfriamiento criogénico podrían llenar su propio ensayo. Pero el punto clave es este: lo que la cámara ve no es color. Ve química. Una bandeja de PP negro y una tapa de PS negro parecen idénticas a tus ojos. Bajo MWIR, tienen firmas espectrales completamente diferentes: picos diferentes, patrones de absorción diferentes, identidades moleculares diferentes.

Dejamos de hacer visión por computadora y empezamos a hacer visión química. La cámara no ve «formas negras». Ve un flujo de huellas moleculares.

La IA que lee química, no imágenes

Captar datos hiperespectrales de 154 bandas a velocidad industrial genera un volumen enorme de información. La pregunta pasa a ser: ¿cómo la clasificas lo bastante rápido para disparar un chorro de aire antes de que el objeto se caiga de la cinta?

El instinto estándar en la IA es recurrir a una red neuronal convolucional 2D, del tipo que impulsa el reconocimiento de imágenes. ResNet, YOLO, las arquitecturas que pueden distinguir un gato de un perro. Pero la clasificación de residuos rompe cada suposición en la que se basan esas redes. Una botella aplastada no parece una botella. Un fragmento de bandeja rasgado no tiene forma reconocible. Una esquirla de plástico negro de automoción es espacialmente idéntica a una esquirla de envase de comida negro.

La forma no es fiable. La química sí.

Así que tratamos el problema como procesamiento de señales, no como reconocimiento de imágenes. Para cada píxel de la cinta transportadora, extraemos un vector unidimensional de 154 valores: el espectro en ese punto. Alimentamos ese vector a una red neuronal convolucional 1D.

En lugar de núcleos cuadrados que se deslizan sobre una imagen buscando bordes y texturas, nuestros núcleos lineales se deslizan sobre el espectro buscando firmas moleculares: una caída brusca a 3,4 micrómetros, un hombro ancho a 4,0, un pico doblete específico que dice «esto es poliestireno, no polietileno». La red aprende la gramática de los enlaces químicos.

Hubo una semana en la que uno de mis ingenieros defendió que deberíamos probar una arquitectura Transformer en su lugar: mecanismos de atención, el mismo enfoque que impulsa GPT. Sobre el papel tenía sentido. En la práctica, la complejidad computacional cuadrática hacía que la inferencia fuera demasiado lenta para una cinta que se mueve a 3 metros por segundo. Nuestra 1D-CNN se ejecuta en menos de 5 milisegundos en hardware de borde. El Transformer todavía estaba «atendiendo» al contexto global del espectro mientras nuestro sistema ya había clasificado el píxel y disparado el eyector.

No funcionamos en la nube. Hay una NVIDIA Jetson AGX Orin instalada en la máquina de clasificación. Los datos nunca salen de la planta. Para cuando un sistema basado en la nube habría terminado su viaje de ida y vuelta, nuestro chorro de aire ya ha redirigido la bandeja al contenedor correcto.

Fusionando dos formas de ver

El MWIR te dice qué es algo. Pero tiene menor resolución espacial que una cámara estándar y es caro. Así que lo fusionamos con RGB.

Una cámara de color de alta resolución se encarga de la segmentación: encontrar los límites de los objetos en la cinta. Crea una máscara: «hay un objeto en estas coordenadas». La cámara MWIR capta los datos espectrales. Nuestro motor de fusión superpone la máscara RGB sobre el cubo de datos MWIR y consulta el espectro dentro del límite de cada objeto. La 1D-CNN clasifica el material.

La salida hacia el robot de clasificación es un paquete de datos compuesto: el objeto n.º 452 es polipropileno negro, ubicado en estas coordenadas, orientado en este ángulo. Recógelo. Ponlo en el contenedor tres.

Este enfoque híbrido nos permite usar RGB barato y rápido para el trabajo espacial y reservar el MWIR caro y denso en información para la decisión que importa: ¿de qué está hecho esto?

¿Por qué la industria no hace esto ya?

La gente me pregunta esto constantemente. Si el MWIR funciona, ¿por qué no lo usa cada planta de reciclaje?

Tres razones.

Primera, la barrera del hardware. Las cámaras de infrarrojos enfriadas criogénicamente con detectores de semiconductores exóticos no son artículos de consumo masivo. No puedes pedir una en un catálogo de electrónica de consumo. La Specim FX50 existe, pero integrarla en una línea de clasificación que maneja residuos del mundo real —objetos sucios, mojados, superpuestos y a gran velocidad— requiere una ingeniería considerable.

Segunda, la barrera de la IA. El firmware estándar de las máquinas de clasificación está diseñado para datos NIR. No puedes simplemente cambiar el sensor y esperar que el software existente funcione. La arquitectura 1D-CNN, el preprocesamiento espectral, la canalización de fusión de sensores: todo esto es a medida. Aquí es donde vive Veriprajna. Aportamos la capa de inteligencia para hardware que fue construido para una era diferente de la detección.

Tercera, la inercia. Durante años, la respuesta de la industria al plástico negro fue «no lo uses» o «acepta la pérdida». Se les decía a las marcas que cambiaran a pigmentos detectables. Algunas lo hicieron. La mayoría no, porque el negro de carbón es barato, estable a los rayos UV y permite a los fabricantes usar materia prima reciclada de colores mezclados, justamente lo que hace que el reciclaje sea económicamente viable en primer lugar.

El negro de carbón permite a los fabricantes usar contenido reciclado. Pero también hace que el producto final sea invisible para los sensores de reciclaje. El pigmento que posibilita la circularidad la destruye simultáneamente.

El Reglamento de Envases y Residuos de Envases de la UE está forzando la cuestión. Para 2030, todos los envases deben ser reciclables, no en teoría, sino de forma demostrable, en plantas industriales reales. Si el clasificador no puede verlo, es legalmente no reciclable. Ese plazo regulatorio está concentrando las mentes.

La economía que hace esto inevitable

He aprendido que cuando vendes tecnología profunda a operadores industriales, el argumento ambiental abre la puerta, pero la hoja de cálculo cierra el trato.

Considera una PRM europea de tamaño medio que procesa 50.000 toneladas al año. Contenido de plástico negro: 5%, o 2.500 toneladas. Actualmente, ese material va a incineración con una tarifa de entrada más impuesto sobre el carbono de aproximadamente 100 € por tonelada: un coste de 250.000 € anuales solo para destruir material valioso.

Con la clasificación MWIR recuperando el 90% de ese flujo y vendiendo los granzas clasificados a 900 € por tonelada, las cuentas cambian drásticamente: 2,25 millones de euros en ingresos combinados y costes de eliminación evitados. Frente a un desembolso de capital del sistema de alrededor de 300.000 $, el periodo de amortización es inferior a dos meses.

He visto a gerentes de planta hacer este cálculo en el reverso de un sobre y luego preguntar de inmediato cuándo podemos instalarlo. La economía no es marginal. Es abrumadora.

Para el desglose técnico completo —incluidos los datos de diferenciación espectral, los detalles de la arquitectura 1D-CNN y la canalización de fusión de sensores— he publicado un artículo de investigación detallado que profundiza más de lo que puedo en un ensayo.

De qué trata esto realmente

Fundé Veriprajna porque creía que los problemas industriales más difíciles no podían resolverse envolviendo una API. Requieren comprender la física de la medición, construir la canalización de sensores adecuada y diseñar arquitecturas de IA que coincidan con la estructura de los datos, no con la estructura del ciclo de entusiasmo.

El reciclaje de plástico negro es un caso de estudio de por qué la tecnología profunda importa. El problema nunca fue que nos faltara inteligencia. El problema era que nos faltaba señal. Estábamos alumbrando con la luz equivocada y luego culpando a la IA por no ver nada.

Cuando alguien te diga que la IA puede resolverlo todo, pregúntale: ¿resolverlo con qué datos? Si el sensor no puede captar la realidad, el modelo no es más que un generador de números aleatorios muy caro.

Hay millones de toneladas de polímero perfectamente reciclable en los vertederos ahora mismo a causa de un pigmento que absorbe la luz infrarroja cercana. No porque la química sea errónea. No porque la economía no funcione. Porque el sensor fue construido para un mundo donde todo es un cómodo tono de azul o verde.

El mundo no es tan cómodo. Y la solución no es un prompt mejor. Es un fotón mejor.