당신의 재활용은 거짓말입니다 — 해결책은 ChatGPT가 아니라 물리학입니다
저는 완벽하게 멀쩡한 폴리프로필렌 트레이 — 초밥을 사면 담겨 있는 그런 종류 — 가 컨베이어 벨트 끝에서 미끄러져 '잔재물'이라고 표시된 통으로 떨어지는 것을 지켜봤습니다. 잔재물은 점잖은 표현입니다. 그것은 매립을 의미합니다. 소각을 의미합니다. 실패를 의미합니다.
그 트레이는 검은색이었습니다. 그것이 그것의 유일한 죄였죠.
저는 유럽의 한 물질 회수 시설에 서 있었습니다. 연간 수만 톤의 폐기물을 처리하는 그런 곳이었죠. 그리고 저는 그들의 최첨단 광학 선별기 — 웬만한 아파트보다 비싼 기계 — 가 센서 아래를 지나가는 모든 어두운 색 물체를 체계적으로 무시하는 것을 지켜보고 있었습니다. 기계가 고장 났기 때문이 아닙니다. 센서의 물리학이 검정 플라스틱을 말 그대로 보이지 않게 만들었기 때문입니다.
그 순간이 제 회사의 궤적을 바꿨습니다. Veriprajna에서 우리는 산업 문제를 위한 심층 AI 시스템을 구축하며, 저는 소프트웨어 문제를 발견할 것으로 기대하고 이 시설을 찾아왔습니다. 분류의 공백. 우리가 조정할 수 있는 무언가. 그런데 저는 전자기 스펙트럼 안의 구멍을 발견했습니다 — 그리고 그 어떤 양의 기계 학습으로도 그것을 메울 수 없었습니다.
우리가 버리고 있는 것의 규모
여기 당신을 불편하게 만들 숫자가 하나 있습니다: 매년 전 세계에서 발생하는 3억 5,300만 톤의 플라스틱 폐기물 중, 단 9%만이 재활용됩니다. 절반은 매립지로 갑니다. 5분의 1은 소각됩니다. 나머지는 잘못 관리됩니다 — '우리가 생각하고 싶지 않은 어딘가에 버려진다'는 것을 완곡하게 표현한 말이죠.
검정 플라스틱은 이 그림을 더 나쁘게 만듭니다. 그것들은 지역에 따라 전체 플라스틱 폐기물 흐름의 3%에서 15% 사이를 차지합니다. 연간 5만 톤을 처리하는 시설에서 그것은 수천 톤의 물질 — 폴리프로필렌, 폴리에틸렌, ABS, 폴리스티렌 — 이며, 재활용할 수 없어서가 아니라 기계가 그것을 볼 수 없어서 재활용 흐름에서 배출됩니다.
그리고 이 물질은 무가치하지 않습니다. 재활용된 검정 폴리프로필렌은 톤당 $1,130–$1,200에 거래됩니다. 재활용된 ABS는 $800–$1,100을 받습니다. 중간 규모의 시설 하나가 200만 달러가 넘는 회수 가능한 가치를 매년 버리고 있습니다. 그것은 반올림 오차가 아닙니다. 그것은 잠금 해제되기를 기다리는 비즈니스 모델입니다.
볼 수 없는 것은 재활용할 수 없습니다. 그리고 지금 이 순간, 업계 전체가 폐기물 흐름의 15%를 보지 못하고 있습니다.
왜 검정 트레이는 재활용 로봇에게 보이지 않는가?
그 답은 카본 블랙이라는 안료에 있습니다. 그것은 석유의 불완전 연소로 생산되며, 대부분의 검정 플라스틱이 검은 이유입니다. 또한 지금까지 제조된 것 중 가장 효과적인 광흡수체 중 하나입니다.
표준 재활용 선별기는 근적외선 분광법 — NIR — 을 사용하며, 0.9에서 1.7 마이크로미터 사이에서 작동합니다. 그 작동 방식은 우아합니다: 할로겐 램프가 컨베이어 벨트에 빛을 쏟아붓습니다. 그 빛이 유색 또는 투명한 플라스틱 병에 닿으면, 특정 파장이 흡수된 채로 반사되어 돌아옵니다 — 센서에게 '이것은 PET다' 또는 '이것은 HDPE다'라고 알려주는 스펙트럼 지문이죠. 공압 배출기가 발사됩니다. 병은 올바른 통에 떨어집니다.
하지만 그 동일한 빛이 카본 블랙에 닿으면, 그것은 반사되어 돌아오지 않습니다. 그 안료는 NIR 전 범위에 걸쳐 광자를 흡수하여 열로 변환합니다. 센서는 아무것도 받지 못합니다. 그리고 컨베이어 벨트 자체가 일반적으로 검정 고무이기 때문에, 기계는 검은 배경 위의 검은 물체가 신호를 전혀 반환하지 않는 것을 봅니다. 선별 알고리즘에게 벨트는 비어 있는 것처럼 보입니다.
초기에 한 투자자에게 이것을 설명했던 기억이 납니다. 그는 '그냥 어두운 픽셀에 대해 더 나은 모델을 훈련시킬 수는 없나요?'라고 말했습니다. 저는 NIR 아래에서 검정 PP 트레이의 스펙트럼 판독값을 띄웠습니다. 그것은 평평한 선이었습니다. 잡음이었죠. 저는 그에게 말했습니다: 여기에는 데이터가 없습니다. 아무것도 없는 것으로는 모델을 훈련시킬 수 없습니다.
그는 잠시 멈추더니 말했습니다. 'GPT는 어때요?'
저는 이 질문을 인정하고 싶은 것보다 더 자주 받습니다.
왜 이것에 그냥 LLM을 쓸 수는 없는가?
저는 이것에 대해 솔직하게 말하고 싶습니다. 현재의 AI 과대광고 주기가 위험한 착각을 만들어냈기 때문입니다: 물리학 문제는 프롬프트로 빠져나갈 수 없습니다.
대규모 언어 모델은 확률적 텍스트 엔진입니다. 그것들은 훈련 데이터의 패턴에 기반하여 다음 토큰을 예측합니다. 그것들이 하는 일에는 비범합니다. 하지만 그것들은 입력을 필요로 합니다. 검정 플라스틱 선별의 경우, 표준 NIR 센서로부터의 입력은 공집합입니다 — 컨베이어 벨트 배경과 구별할 수 없는 평평한 잡음 선이죠.
생성 모델에게 그 잡음을 분류하도록 강요한다면, 그것은 추측할지도 모릅니다. PP가 흔하기 때문에 '아마도 폴리프로필렌'이라고 말할 수도 있습니다. 하지만 추측은 감지가 아닙니다. 오염이 1–2%를 넘으면 베일 전체가 판매 불가능해지는 산업용 재활용 라인에서, 자신 있는 추측은 답이 아예 없는 것보다 더 나쁩니다. 그것은 물리적 결과를 동반한 환각입니다.
지연 시간 문제도 있습니다. 산업용 선별 결정은 밀리초 단위로 이루어집니다 — 초당 3미터로 달리는 컨베이어는 클라우드 서버로의 API 호출을 기다리지 않습니다. 클라우드 기반 모델이 자신 있는 오답을 반환할 때쯤이면, 트레이는 이미 잔재물 통에 들어가 있습니다.
LLM 래퍼는 센서가 애초에 포착하지 못한 광자를 환각할 수 없습니다. 데이터가 존재하지 않으면, 모델은 매개변수가 아무리 많아도 앞을 보지 못합니다.
이것이 제가 'AI 래퍼'라고 부르는 것과 딥테크 사이에서 제가 계속 되돌아오게 되는 구분입니다. 래퍼는 다른 누군가의 모델을 가져다가 그 위에 사용자 인터페이스를 씌웁니다. 딥테크는 측정의 물리학을 바꿉니다. 우리는 측정을 바꿔야 했습니다.
파장을 이동시키면 무슨 일이 일어나는가?
카본 블랙의 흡수는 무한하지 않습니다. 그것에는 한계가 있습니다. 그리고 그 한계는 근적외선에서 중파장 적외선으로 이동할 때 활용 가능해집니다 — MWIR 대역, 구체적으로는 2.7에서 5.3 마이크로미터 사이입니다.
바로 이곳에서 고분자 화학이 크게 목소리를 냅니다.
NIR 범위에서는 '배음' 진동 — 분자 결합의 희미한 메아리 — 을 포착합니다. 그것들은 미묘하고, 카본 블랙에 쉽게 묻혀버립니다. 하지만 MWIR에서는 기본 진동에 도달합니다: C-H 신축 결합, C=O 카보닐 신축, 방향족 고리 모드입니다. 이 신호들은 몇 자릿수나 더 강합니다. 카본 블랙 안료를 뚫고 센서에 도달할 만큼 충분히 강하죠.
우리 팀이 MWIR 아래에서 검정 폴리프로필렌 트레이의 깨끗한 스펙트럼 판독값을 처음 봤을 때, 진정한 불신의 순간이 있었습니다. 우리는 몇 주 동안 평평한 선들을 응시해 왔었죠. 그런데 갑자기 — 피크가 나타났습니다. 날카롭고, 뚜렷하고, 명백했습니다. 3.4 마이크로미터 C-H 흡수 대역이 바로 거기에, 여느 교과서 다이어그램만큼이나 선명하게 있었습니다. 다만 이것은 교과서 샘플이 아니었습니다. 그것은 실제 폐기물 흐름에서 끄집어낸, 으스러지고 더러운 음식 트레이였습니다.
저는 제 엔지니어를 향해 말했습니다. '트레이는 항상 말하고 있었어. 우리가 그저 엉뚱한 주파수에서 듣고 있었을 뿐이야.'
그것이 핵심 통찰입니다. 우리는 플라스틱을 더 잘 보이게 만들지 않았습니다. 우리는 우리가 보는 곳을 바꿨습니다.
MWIR 초분광 이미징은 실제로 어떻게 작동하는가?
우리는 Specim FX50을 중심으로 시스템을 구축했으며, 이는 현재 이 응용 분야에 필요한 전체 2.7–5.3 마이크로미터 범위를 포괄하는 유일한 상용화 가능 초분광 카메라입니다. 그리고 그 문장에서 '상용화 가능'이라는 말은 아주 많은 무게를 감당하고 있습니다. 왜냐하면 이것은 컨베이어에 볼트로 조여 붙이는 웹캠이 아니기 때문입니다.
검출기 소재는 인듐 안티모나이드입니다 — 열복사에 민감한 이색적인 반도체죠. 이 파장에서는 본질적으로 열 신호를 감지하는 것이기 때문에, 센서는 극저온 — 약 77켈빈, 즉 대략 영하 196도 섭씨 — 까지 통합형 스털링 냉각기를 사용하여 냉각되어야 합니다. 냉각하지 않으면, 센서는 자신의 열 잡음으로 스스로를 보지 못하게 만듭니다.
카메라는 154개의 스펙트럼 대역을 시야 내 모든 픽셀에 대해 포착하여, 공간적 위치와 파장으로 이루어진 3차원 데이터 큐브를 생성합니다. 초당 380프레임으로, 초당 2미터 이상으로 달리는 컨베이어 벨트와 보조를 맞춥니다.
저는 전체 센서 아키텍처와 그 이면의 물리학에 대해 우리의 인터랙티브 백서에서 다뤘습니다 — 극저온 냉각의 공학적 세부 사항만으로도 그 자체로 하나의 에세이를 채울 수 있을 정도입니다. 하지만 핵심은 이것입니다: 카메라가 보는 것은 색이 아닙니다. 그것은 화학을 봅니다. 검정 PP 트레이와 검정 PS 뚜껑은 당신의 눈에는 똑같아 보입니다. MWIR 아래에서 그것들은 완전히 다른 스펙트럼 지문을 가집니다 — 다른 피크, 다른 흡수 패턴, 다른 분자 정체성이죠.
우리는 컴퓨터 비전을 하는 것을 멈추고 화학 비전을 하기 시작했습니다. 카메라는 '검은 형체'를 보지 않습니다. 그것은 분자 지문의 흐름을 봅니다.
그림이 아니라 화학을 읽는 AI
산업용 속도로 154대역 초분광 데이터를 포착하면 엄청난 양의 정보가 생성됩니다. 문제는 이것이 됩니다: 물체가 벨트에서 떨어지기 전에 에어젯을 작동시킬 만큼 빠르게 그것을 어떻게 분류하는가?
AI에서의 표준적 본능은 2D 합성곱 신경망 — 이미지 인식을 구동하는 종류 — 에 손을 뻗는 것입니다. ResNet, YOLO, 고양이와 개를 구별할 수 있는 아키텍처들이죠. 하지만 폐기물 선별은 그 네트워크들이 의존하는 모든 가정을 깨뜨립니다. 으스러진 병은 병처럼 보이지 않습니다. 찢어진 트레이 조각에는 알아볼 수 있는 형태가 없습니다. 검정 자동차 플라스틱 조각은 검정 식품 포장 조각과 공간적으로 동일합니다.
형태는 신뢰할 수 없습니다. 화학은 그렇지 않습니다.
그래서 우리는 이 문제를 신호 처리로 취급합니다. 이미지 인식이 아니라요. 컨베이어 벨트 위의 모든 픽셀에 대해, 우리는 154개 값의 1차원 벡터 — 그 지점의 스펙트럼 — 를 추출합니다. 우리는 그 벡터를 1D 합성곱 신경망에 입력합니다.
정사각형 커널이 가장자리와 질감을 찾으며 이미지 위를 미끄러지는 대신, 우리의 선형 커널은 분자 신호를 찾으며 스펙트럼 위를 미끄러집니다: 3.4 마이크로미터에서의 급격한 하강, 4.0에서의 넓은 어깨, '이것은 폴리에틸렌이 아니라 폴리스티렌이다'라고 말하는 특정 이중 피크. 네트워크는 화학 결합의 문법을 학습합니다.
제 엔지니어 중 한 명이 대신 트랜스포머 아키텍처 — 어텐션 메커니즘, GPT를 구동하는 것과 같은 접근 방식 — 를 시도해야 한다고 주장했던 한 주가 있었습니다. 서류상으로는 말이 됐습니다. 실제로는, 이차 계산 복잡도 때문에 초당 3미터로 움직이는 벨트에 비해 추론이 너무 느렸습니다. 우리의 1D-CNN은 5밀리초 미만으로 엣지 하드웨어에서 실행됩니다. 트랜스포머가 여전히 스펙트럼의 전역적 맥락에 '주의를 기울이는' 동안, 우리 시스템은 이미 픽셀을 분류하고 배출기를 발사했습니다.
우리는 클라우드에서 실행하지 않습니다. 선별 기계 위에는 NVIDIA Jetson AGX Orin이 놓여 있습니다. 데이터는 결코 시설을 떠나지 않습니다. 클라우드 기반 시스템이 왕복을 마쳤을 때쯤이면, 우리의 에어젯은 이미 트레이를 올바른 통으로 방향을 바꿔 놓았습니다.
두 가지 보는 방식의 융합
MWIR는 무언가가 무엇인지 알려줍니다. 하지만 그것은 표준 카메라보다 공간 해상도가 낮고 비쌉니다. 그래서 우리는 그것을 RGB와 융합합니다.
고해상도 컬러 카메라는 분할(세그먼테이션)을 담당합니다 — 벨트 위 물체들의 경계를 찾는 것이죠. 그것은 마스크를 생성합니다: '이 좌표에 물품이 있다.' MWIR 카메라는 스펙트럼 데이터를 포착합니다. 우리의 융합 엔진은 RGB 마스크를 MWIR 데이터 큐브 위에 겹쳐 놓고 각 물체 경계 내부의 스펙트럼을 조회합니다. 1D-CNN이 물질을 분류합니다.
선별 로봇으로의 출력은 복합 데이터 패킷입니다: 물체 #452는 검정 폴리프로필렌이고, 이 좌표에 위치하며, 이 각도로 배향되어 있다. 그것을 집어라. 3번 통에 넣어라.
이 하이브리드 접근 방식은 공간 작업에는 저렴하고 빠른 RGB를 사용하고, 정작 중요한 결정 — 이것은 무엇으로 만들어졌는가? — 에는 비싸고 정보 밀도가 높은 MWIR를 아껴 쓰게 해줍니다.
왜 업계는 이미 이것을 하고 있지 않은가?
사람들은 제게 이것을 끊임없이 묻습니다. MWIR가 효과가 있다면, 왜 모든 재활용 공장이 그것을 사용하지 않는 걸까요?
세 가지 이유가 있습니다.
첫째, 하드웨어 장벽. 이색적인 반도체 검출기를 갖춘 극저온 냉각 적외선 카메라는 범용 상품이 아닙니다. 소비자 전자제품 카탈로그에서 하나 주문할 수 없습니다. Specim FX50은 존재하지만, 그것을 실제 폐기물 — 더럽고, 젖어 있고, 겹쳐 있는 물체들 — 을 빠르게 처리하는 선별 라인에 통합하는 것은 상당한 공학을 필요로 합니다.
둘째, AI 장벽. 표준 선별 기계 펌웨어는 NIR 데이터를 위해 설계되었습니다. 센서만 바꿔 끼우고 기존 소프트웨어가 작동하기를 기대할 수는 없습니다. 1D-CNN 아키텍처, 스펙트럼 전처리, 센서 융합 파이프라인 — 이 모든 것이 맞춤형입니다. 바로 여기가 Veriprajna가 사는 곳입니다. 우리는 다른 감지 시대를 위해 만들어진 하드웨어에 지능 계층을 제공합니다.
셋째, 관성. 수년 동안, 검정 플라스틱에 대한 업계의 답은 '그것을 쓰지 마라' 또는 '손실을 받아들여라'였습니다. 브랜드들은 감지 가능한 안료로 전환하라는 말을 들었습니다. 일부는 그렇게 했습니다. 대부분은 하지 않았는데, 카본 블랙이 저렴하고, 자외선에 안정적이며, 제조업체가 혼색 재활용 원료 — 애초에 재활용을 경제적으로 실행 가능하게 만드는 바로 그것 — 를 사용할 수 있게 해주기 때문입니다.
카본 블랙은 제조업체가 재활용 원료를 사용할 수 있게 해줍니다. 하지만 그것은 또한 최종 제품을 재활용 센서에 보이지 않게 만듭니다. 순환성을 가능하게 하는 그 안료가 동시에 그것을 파괴합니다.
EU의 포장 및 포장 폐기물 규정이 이 문제를 강제하고 있습니다. 2030년까지, 모든 포장은 재활용 가능해야 합니다 — 이론적으로가 아니라, 실제 산업 시설에서 입증 가능하게요. 선별기가 그것을 볼 수 없다면, 그것은 법적으로 재활용 불가능합니다. 그 규제 마감일이 사람들의 정신을 집중시키고 있습니다.
이것을 필연적으로 만드는 경제학
저는 산업 운영자에게 딥테크를 판매할 때, 환경적 논거는 문을 열지만 스프레드시트가 거래를 성사시킨다는 것을 배웠습니다.
연간 5만 톤을 처리하는 중간 규모의 유럽 MRF를 생각해 봅시다. 검정 플라스틱 함량: 5%, 즉 2,500톤. 현재 그 물질은 톤당 대략 €100의 게이트 요금과 탄소세를 물며 소각으로 갑니다 — 가치 있는 물질을 파괴하는 데만 연간 €250,000의 비용이 드는 것이죠.
MWIR 선별이 그 흐름의 90%를 회수하고 선별된 펠릿을 톤당 €900에 판매하면, 계산은 극적으로 바뀝니다: 수익과 회피된 폐기 비용을 합쳐 €2.25 million. 약 $300,000의 시스템 자본 지출에 비하면, 투자 회수 기간은 두 달 미만입니다.
저는 시설 관리자들이 봉투 뒷면에 이 계산을 하고는 곧바로 언제 설치할 수 있는지 묻는 것을 지켜봤습니다. 경제성은 미미하지 않습니다. 압도적입니다.
전체 기술적 분석 — 스펙트럼 구별 데이터, 1D-CNN 아키텍처 세부 사항, 센서 융합 파이프라인을 포함하여 — 을 위해, 저는 상세한 연구 논문을 발표했으며, 이는 제가 에세이에서 다룰 수 있는 것보다 더 깊이 들어갑니다.
이것이 진정으로 말하고자 하는 것
저는 가장 어려운 산업 문제들이 API를 감싸는 것으로는 해결될 수 없다고 믿었기 때문에 Veriprajna를 시작했습니다. 그것들은 측정의 물리학을 이해하고, 올바른 센서 파이프라인을 구축하며, 과대광고 주기의 구조가 아니라 데이터의 구조에 맞는 AI 아키텍처를 설계하는 것을 요구합니다.
검정 플라스틱 재활용은 왜 딥테크가 중요한지에 대한 사례 연구입니다. 문제는 결코 우리가 지능이 부족하다는 것이 아니었습니다. 문제는 우리가 신호가 부족하다는 것이었습니다. 우리는 엉뚱한 빛을 비추고 나서 아무것도 보지 못한다고 AI를 탓하고 있었습니다.
누군가 당신에게 AI가 모든 것을 해결할 수 있다고 말하면, 그들에게 물어보세요: 무슨 데이터로 그것을 해결하나요? 센서가 현실을 포착할 수 없다면, 모델은 그저 아주 비싼 난수 생성기일 뿐입니다.
지금 이 순간에도 근적외선을 흡수하는 안료 때문에 완벽하게 재활용 가능한 고분자 수백만 톤이 매립지에 놓여 있습니다. 화학이 잘못되어서가 아닙니다. 경제성이 맞지 않아서가 아닙니다. 센서가 모든 것이 편리하게 파란색이나 초록색 계열인 세계를 위해 만들어졌기 때문입니다.
세계는 그렇게 편리하지 않습니다. 그리고 해결책은 더 나은 프롬프트가 아닙니다. 그것은 더 나은 광자입니다.