Votre recyclage est un mensonge — et la solution relève de la physique, pas de ChatGPT

J'ai vu une barquette en polypropylène en parfait état — le genre dans lequel on achète des sushis — filer au bout d'un tapis roulant et tomber dans un bac étiqueté « résidu ». Résidu, c'est le mot poli. Ça veut dire décharge. Ça veut dire incinération. Ça veut dire échec.

La barquette était noire. C'était son seul crime.

Je me trouvais dans un centre de tri des matières en Europe, le genre d'endroit qui traite des dizaines de milliers de tonnes de déchets par an, et je regardais leur trieur optique dernier cri — une machine qui coûte plus cher que la plupart des appartements — ignorer systématiquement chaque objet de couleur sombre qui passait sous ses capteurs. Non pas parce que la machine était en panne. Parce que la physique de son capteur rendait le plastique noir littéralement invisible.

Ce moment a changé la trajectoire de mon entreprise. Chez Veriprajna, nous concevons des systèmes d'IA de pointe pour des problèmes industriels, et j'étais venu dans ce centre en m'attendant à trouver un problème logiciel. Une lacune de classification. Quelque chose que nous pourrions ajuster. Au lieu de cela, j'ai trouvé un trou dans le spectre électromagnétique — et aucune quantité d'apprentissage automatique ne pouvait le combler.

L'ampleur de ce que nous jetons

Voici un chiffre qui devrait vous déranger : sur les 353 millions de tonnes de déchets plastiques générés chaque année dans le monde, seuls 9 % sont recyclés. La moitié finit en décharge. Un cinquième est incinéré. Le reste est mal géré — un euphémisme pour « déversé quelque part où l'on préfère ne pas penser ».

Les plastiques noirs aggravent ce tableau. Ils représentent entre 3 % et 15 % du flux total de déchets plastiques selon l'endroit où vous vous trouvez. Dans un centre qui traite 50 000 tonnes par an, cela représente des milliers de tonnes de matière — polypropylène, polyéthylène, ABS, polystyrène — qui sont éjectées du flux de recyclage non pas parce qu'elles ne peuvent pas être recyclées, mais parce que les machines ne les voient pas.

Et cette matière n'est pas sans valeur. Le polypropylène noir recyclé se négocie à $1,130–$1,200 la tonne. L'ABS recyclé atteint $800–$1,100. À lui seul, un centre de taille moyenne jette plus de $2 millions de valeur récupérable chaque année. Ce n'est pas une erreur d'arrondi. C'est un modèle économique qui n'attend qu'à être débloqué.

On ne peut pas recycler ce que l'on ne voit pas. Et à l'heure actuelle, tout le secteur est aveugle à 15 % du flux de déchets.

Pourquoi une barquette noire est-elle invisible pour un robot de recyclage ?

La réponse tient dans un pigment appelé noir de carbone. Il est produit par la combustion incomplète du pétrole, et c'est la raison pour laquelle la plupart des plastiques noirs sont noirs. C'est aussi l'un des absorbeurs de lumière les plus efficaces jamais fabriqués.

Les trieurs de recyclage standard utilisent la spectroscopie dans le proche infrarouge — NIR — fonctionnant entre 0,9 et 1,7 micromètre. Le principe est élégant : des lampes halogènes inondent le tapis roulant de lumière. Lorsque cette lumière frappe une bouteille en plastique colorée ou transparente, elle est renvoyée avec certaines longueurs d'onde absorbées — une empreinte spectrale qui indique au capteur « ceci est du PET » ou « ceci est du PEHD ». L'éjecteur pneumatique se déclenche. La bouteille atterrit dans le bon bac.

Mais lorsque cette même lumière frappe le noir de carbone, elle n'est pas renvoyée. Le pigment absorbe les photons sur toute la gamme NIR et les convertit en chaleur. Le capteur ne reçoit rien. Et comme le tapis roulant lui-même est généralement en caoutchouc noir, la machine voit un objet noir sur un fond noir qui ne renvoie aucun signal. Pour l'algorithme de tri, le tapis semble vide.

Je me souviens d'avoir expliqué cela à un investisseur au tout début. Il m'a dit : « Ne pouvez-vous pas simplement entraîner un meilleur modèle sur les pixels sombres ? » J'ai affiché le relevé spectral d'une barquette en PP noir sous NIR. C'était une ligne plate. Du bruit. Je lui ai dit : il n'y a aucune donnée ici. On ne peut pas entraîner un modèle sur du néant.

Il a marqué une pause, puis a dit : « Et GPT ? »

On me pose cette question plus souvent que je ne voudrais l'admettre.

Pourquoi ne pas simplement utiliser un LLM pour cela ?

Je veux être direct sur un point, car le cycle d'engouement actuel autour de l'IA a créé une illusion dangereuse : on ne peut pas s'extraire d'un problème de physique à coups de prompts.

Les grands modèles de langage sont des moteurs de texte probabilistes. Ils prédisent le token suivant en fonction des motifs présents dans leurs données d'entraînement. Ils sont extraordinaires dans ce qu'ils font. Mais ils ont besoin de données d'entrée. Dans le cas du tri du plastique noir, l'entrée fournie par un capteur NIR standard est un ensemble vide — une ligne plate de bruit impossible à distinguer du fond du tapis roulant.

Si vous forciez un modèle génératif à classer ce bruit, il pourrait deviner. Il pourrait dire « probablement du polypropylène » parce que le PP est courant. Mais deviner n'est pas mesurer. Dans une ligne de recyclage industrielle où une contamination supérieure à 1–2 % rend une balle entière invendable, une supposition assurée est pire que pas de réponse du tout. C'est une hallucination aux conséquences physiques.

Il y a aussi le problème de latence. Les décisions de tri industriel se prennent en millisecondes — un tapis roulant qui avance à 3 mètres par seconde n'attend pas un appel d'API vers un serveur cloud. Le temps qu'un modèle hébergé dans le cloud renvoie sa mauvaise réponse pleine d'assurance, la barquette est déjà dans le bac à résidus.

Un wrapper de LLM ne peut pas halluciner des photons qui n'ont jamais été captés par le capteur. Si la donnée n'existe pas, le modèle est aveugle — quel que soit son nombre de paramètres.

C'est la distinction sur laquelle je reviens sans cesse, entre ce que j'appelle les « wrappers d'IA » et le deep tech. Un wrapper prend le modèle de quelqu'un d'autre et lui ajoute une interface utilisateur. Le deep tech change la physique de la mesure. Nous devions changer la mesure.

Que se passe-t-il lorsqu'on décale la longueur d'onde ?

L'absorption du noir de carbone n'est pas infinie. Elle a des limites. Et ces limites deviennent exploitables lorsqu'on passe du proche infrarouge au moyen infrarouge — la bande MWIR, plus précisément entre 2,7 et 5,3 micromètres.

C'est là que la chimie des polymères hausse le ton.

Dans la gamme NIR, vous captez des vibrations « harmoniques » — de faibles échos des liaisons moléculaires. Elles sont subtiles, facilement noyées par le noir de carbone. Mais dans le MWIR, vous atteignez les vibrations fondamentales : les liaisons d'élongation C-H, les élongations carbonyle C=O, les modes du cycle aromatique. Ces signaux sont plus forts de plusieurs ordres de grandeur. Assez forts pour percer le pigment de noir de carbone et atteindre le capteur.

La première fois que mon équipe a vu un relevé spectral net d'une barquette en polypropylène noir sous MWIR, il y a eu un moment d'incrédulité sincère. Cela faisait des semaines que nous fixions des lignes plates. Et puis soudain — des pics. Nets, distincts, indéniables. La bande d'absorption C-H à 3,4 micromètres était bien là, aussi claire que n'importe quel schéma de manuel. Sauf que ce n'était pas un échantillon de manuel. C'était une barquette alimentaire écrasée et sale, tirée d'un vrai flux de déchets.

Je me suis tourné vers mon ingénieur et j'ai dit : « La barquette a toujours parlé. Nous écoutions simplement sur la mauvaise fréquence. »

C'est là l'idée centrale. Nous n'avons pas rendu le plastique plus visible. Nous avons changé l'endroit où nous regardions.

Comment fonctionne réellement l'imagerie hyperspectrale MWIR ?

Nous avons conçu notre système autour de la Specim FX50, qui est actuellement la seule caméra hyperspectrale commercialement viable couvrant toute la plage de 2,7 à 5,3 micromètres nécessaire à cette application. Et « commercialement viable » porte beaucoup dans cette phrase, car il ne s'agit pas d'une webcam que l'on visse sur un tapis roulant.

Le matériau du détecteur est l'antimoniure d'indium — un semi-conducteur exotique sensible au rayonnement thermique. Comme vous détectez essentiellement des signatures thermiques à ces longueurs d'onde, le capteur doit être refroidi à des températures cryogéniques — environ 77 kelvins, soit à peu près moins 196 degrés Celsius — à l'aide d'un refroidisseur Stirling intégré. Si vous ne le refroidissez pas, le capteur s'aveugle lui-même avec son propre bruit thermique.

La caméra capture 154 bandes spectrales pour chaque pixel de son champ de vision, générant un cube de données tridimensionnel : position spatiale plus longueur d'onde. À 380 images par seconde, elle suit le rythme de tapis roulants avançant à plus de 2 mètres par seconde.

J'ai décrit l'architecture complète du capteur et la physique qui la sous-tend dans notre livre blanc interactif — les détails techniques du seul refroidissement cryogénique pourraient remplir un essai à part entière. Mais l'essentiel est le suivant : ce que la caméra voit, ce n'est pas la couleur. Elle voit la chimie. Une barquette en PP noir et un couvercle en PS noir semblent identiques à vos yeux. Sous MWIR, ils ont des signatures spectrales complètement différentes — des pics différents, des schémas d'absorption différents, des identités moléculaires différentes.

Nous avons cessé de faire de la vision par ordinateur pour faire de la vision chimique. La caméra ne voit pas des « formes noires ». Elle voit un flux d'empreintes moléculaires.

L'IA qui lit la chimie, pas les images

Capturer des données hyperspectrales à 154 bandes à vitesse industrielle génère un volume d'informations énorme. La question devient : comment les classer assez vite pour déclencher un jet d'air avant que l'objet ne tombe du tapis ?

L'instinct standard en IA consiste à recourir à un réseau neuronal convolutif 2D — le genre qui alimente la reconnaissance d'images. ResNet, YOLO, les architectures capables de distinguer un chat d'un chien. Mais le tri des déchets brise toutes les hypothèses sur lesquelles reposent ces réseaux. Une bouteille écrasée ne ressemble pas à une bouteille. Un fragment de barquette déchiré n'a aucune forme reconnaissable. Un éclat de plastique automobile noir est spatialement identique à un éclat d'emballage alimentaire noir.

La forme n'est pas fiable. La chimie, si.

Nous traitons donc le problème comme du traitement du signal, et non comme de la reconnaissance d'images. Pour chaque pixel du tapis roulant, nous extrayons un vecteur unidimensionnel de 154 valeurs — le spectre en ce point. Nous injectons ce vecteur dans un réseau neuronal convolutif 1D.

Au lieu de noyaux carrés qui glissent sur une image à la recherche de contours et de textures, nos noyaux linéaires glissent sur le spectre à la recherche de signatures moléculaires : une chute brutale à 3,4 micromètres, un large épaulement à 4,0, un pic en doublet spécifique qui dit « ceci est du polystyrène, pas du polyéthylène ». Le réseau apprend la grammaire des liaisons chimiques.

Il y a eu une semaine où l'un de mes ingénieurs a défendu l'idée d'essayer plutôt une architecture Transformer — des mécanismes d'attention, la même approche qui alimente GPT. Sur le papier, cela avait du sens. En pratique, la complexité de calcul quadratique rendait l'inférence trop lente pour un tapis avançant à 3 mètres par seconde. Notre 1D-CNN s'exécute en moins de 5 millisecondes sur du matériel en périphérie. Le Transformer était encore en train de « prêter attention » au contexte global du spectre alors que notre système avait déjà classé le pixel et déclenché l'éjecteur.

Nous ne fonctionnons pas dans le cloud. Un NVIDIA Jetson AGX Orin est installé sur la machine de tri. Les données ne quittent jamais le site. Le temps qu'un système hébergé dans le cloud ait terminé son aller-retour, notre jet d'air a déjà redirigé la barquette dans le bon bac.

Fusionner deux façons de voir

Le MWIR vous dit ce qu'est un objet. Mais il a une résolution spatiale inférieure à celle d'une caméra standard et il est coûteux. Nous le fusionnons donc avec la RVB.

Une caméra couleur haute résolution se charge de la segmentation — trouver les contours des objets sur le tapis. Elle crée un masque : « il y a un objet à ces coordonnées ». La caméra MWIR capte les données spectrales. Notre moteur de fusion superpose le masque RVB sur le cube de données MWIR et interroge le spectre à l'intérieur de chaque contour d'objet. Le 1D-CNN classe le matériau.

La sortie transmise au robot de tri est un paquet de données composite : l'objet n° 452 est en polypropylène noir, situé à ces coordonnées, orienté selon cet angle. Prends-le. Mets-le dans le bac trois.

Cette approche hybride nous permet d'utiliser la RVB, peu coûteuse et rapide, pour le travail spatial et de réserver le MWIR, coûteux et riche en informations, à la décision qui compte : de quoi cet objet est-il fait ?

Pourquoi le secteur ne le fait-il pas déjà ?

On me pose constamment la question. Si le MWIR fonctionne, pourquoi chaque usine de recyclage ne l'utilise-t-elle pas ?

Trois raisons.

D'abord, la barrière matérielle. Les caméras infrarouges refroidies cryogéniquement dotées de détecteurs à semi-conducteurs exotiques ne sont pas des produits de grande consommation. On ne peut pas en commander une dans un catalogue d'électronique grand public. La Specim FX50 existe, mais son intégration dans une ligne de tri qui traite des déchets réels — objets sales, humides, qui se chevauchent, à grande vitesse — exige une ingénierie considérable.

Ensuite, la barrière de l'IA. Le micrologiciel des machines de tri standard est conçu pour des données NIR. On ne peut pas simplement remplacer le capteur et s'attendre à ce que le logiciel existant fonctionne. L'architecture 1D-CNN, le prétraitement spectral, le pipeline de fusion des capteurs — tout cela est sur mesure. C'est là que Veriprajna intervient. Nous fournissons la couche d'intelligence pour du matériel conçu pour une autre ère de la détection.

Enfin, l'inertie. Pendant des années, la réponse du secteur au plastique noir était « ne l'utilisez pas » ou « acceptez la perte ». On a demandé aux marques de passer à des pigments détectables. Certaines l'ont fait. La plupart ne l'ont pas fait, car le noir de carbone est bon marché, stable aux UV, et permet aux fabricants d'utiliser une matière première recyclée de couleurs mélangées — précisément ce qui rend le recyclage économiquement viable au départ.

Le noir de carbone permet aux fabricants d'utiliser du contenu recyclé. Mais il rend aussi le produit final invisible aux capteurs de recyclage. Le pigment qui rend la circularité possible la détruit en même temps.

Le règlement de l'UE sur les emballages et les déchets d'emballages force la donne. D'ici 2030, tous les emballages devront être recyclables — non pas en théorie, mais de façon prouvable, dans de véritables installations industrielles. Si le trieur ne peut pas le voir, il est juridiquement non recyclable. Cette échéance réglementaire mobilise les esprits.

L'économie qui rend cela inévitable

J'ai appris que lorsqu'on vend du deep tech à des exploitants industriels, l'argument environnemental ouvre la porte mais c'est le tableur qui conclut l'affaire.

Prenons un centre de tri européen de taille moyenne traitant 50 000 tonnes par an. Teneur en plastique noir : 5 %, soit 2 500 tonnes. Actuellement, cette matière part à l'incinération moyennant des frais de traitement et une taxe carbone d'environ 100 € la tonne — un coût de 250 000 € par an rien que pour détruire une matière de valeur.

Avec un tri MWIR récupérant 90 % de ce flux et vendant les granulés triés à 900 € la tonne, le calcul change radicalement : 2,25 millions d'euros de revenus combinés et de coûts d'élimination évités. Face à une dépense d'investissement pour le système d'environ 300 000 $, le délai de rentabilisation est de moins de deux mois.

J'ai vu des responsables de site faire ce calcul au dos d'une enveloppe puis demander immédiatement quand nous pouvons procéder à l'installation. L'intérêt économique n'est pas marginal. Il est écrasant.

Pour l'analyse technique complète — y compris les données de différenciation spectrale, les détails de l'architecture 1D-CNN et le pipeline de fusion des capteurs — j'ai publié un article de recherche détaillé qui va plus loin que je ne peux le faire dans un essai.

Ce dont il s'agit vraiment

J'ai fondé Veriprajna parce que je croyais que les problèmes industriels les plus difficiles ne pouvaient pas être résolus en enveloppant une API. Ils exigent de comprendre la physique de la mesure, de construire le bon pipeline de capteurs et de concevoir des architectures d'IA qui épousent la structure des données — et non la structure du cycle d'engouement.

Le recyclage du plastique noir est une étude de cas illustrant pourquoi le deep tech compte. Le problème n'a jamais été que nous manquions d'intelligence. Le problème, c'est que nous manquions de signal. Nous braquions la mauvaise lumière puis reprochions à l'IA de ne rien voir.

Quand quelqu'un vous dit que l'IA peut tout résoudre, demandez-lui : résoudre avec quelles données ? Si le capteur ne peut pas capter la réalité, le modèle n'est qu'un générateur de nombres aléatoires très coûteux.

Il y a en ce moment même des millions de tonnes de polymère parfaitement recyclable qui gisent dans des décharges à cause d'un pigment qui absorbe la lumière proche infrarouge. Non pas parce que la chimie est mauvaise. Non pas parce que l'économie ne fonctionne pas. Parce que le capteur a été conçu pour un monde où tout est d'une teinte commode de bleu ou de vert.

Le monde n'est pas aussi commode. Et la solution n'est pas un meilleur prompt. C'est un meilleur photon.