Je recycling is een leugen — en de oplossing vereist fysica, geen ChatGPT

Ik zag een volkomen goede polypropyleen bak — het soort waarin je sushi zou kopen — van het einde van een transportband glijden en in een bak vallen met de aanduiding "residu." Residu is het beleefde woord. Het betekent stortplaats. Het betekent verbranding. Het betekent falen.

De bak was zwart. Dat was zijn enige misdaad.

Ik stond in een afvalscheidingsinstallatie (Materials Recovery Facility) in Europa, het soort plek dat tienduizenden tonnen afval per jaar verwerkt, en ik keek naar hun ultramoderne optische sorteermachine — een machine die meer kost dan de meeste appartementen — die systematisch elk donkergekleurd object negeerde dat onder haar sensoren doorging. Niet omdat de machine kapot was. Maar omdat de fysica van haar sensor zwart plastic letterlijk onzichtbaar maakte.

Dat moment veranderde de koers van mijn bedrijf. Bij Veriprajna bouwen we diepgaande AI-systemen voor industriële problemen, en ik was naar deze installatie gekomen in de verwachting een softwareprobleem te vinden. Een classificatiehiaat. Iets wat we konden afstellen. In plaats daarvan vond ik een gat in het elektromagnetische spectrum — en geen enkele hoeveelheid machine learning kon dat opvullen.

De omvang van wat we weggooien

Hier is een getal dat je zou moeten storen: van de 353 miljoen ton plastic afval die wereldwijd elk jaar wordt geproduceerd, wordt slechts 9% gerecycled. De helft gaat naar de stortplaats. Een vijfde wordt verbrand. De rest wordt slecht beheerd — een eufemisme voor "ergens gedumpt waar we liever niet aan denken."

Zwarte kunststoffen maken dit beeld nog erger. Ze vormen tussen de 3% en 15% van de totale plastic afvalstroom, afhankelijk van waar je bent. In een installatie die 50.000 ton per jaar verwerkt, gaat het om duizenden tonnen materiaal — polypropyleen, polyethyleen, ABS, polystyreen — dat uit de recyclingstroom wordt verwijderd, niet omdat het niet gerecycled kan worden, maar omdat de machines het niet kunnen zien.

En dit materiaal is niet waardeloos. Gerecycled zwart polypropyleen wordt verhandeld voor $1.130–$1.200 per ton. Gerecycled ABS levert $800–$1.100 op. Eén middelgrote installatie gooit jaarlijks meer dan $2 miljoen aan terugwinbare waarde weg. Dat is geen afrondingsfout. Dat is een verdienmodel dat wacht om ontsloten te worden.

Je kunt niet recyclen wat je niet kunt zien. En op dit moment is de hele sector blind voor 15% van de afvalstroom.

Waarom is een zwarte bak onzichtbaar voor een recyclingrobot?

Het antwoord ligt in een pigment genaamd carbon black (roet). Het wordt geproduceerd uit de onvolledige verbranding van aardolie, en het is de reden dat de meeste zwarte kunststoffen zwart zijn. Het is ook een van de meest effectieve lichtabsorbeerders die ooit is gemaakt.

Standaard recyclingsorteermachines gebruiken nabij-infrarood-spectroscopie — NIR — die werkt tussen 0,9 en 1,7 micrometer. De manier waarop het werkt is elegant: halogeenlampen overspoelen de transportband met licht. Wanneer dat licht een gekleurde of doorzichtige plastic fles raakt, kaatst het terug met specifieke geabsorbeerde golflengten — een spectrale vingerafdruk die de sensor vertelt "dit is PET" of "dit is HDPE." De pneumatische uitwerper vuurt af. De fles landt in de juiste bak.

Maar wanneer datzelfde licht carbon black raakt, kaatst het niet terug. Het pigment absorbeert de fotonen over het volledige NIR-bereik en zet ze om in warmte. De sensor ontvangt niets. En omdat de transportband zelf doorgaans van zwart rubber is, ziet de machine een zwart object op een zwarte achtergrond dat nul signaal terugkaatst. Voor het sorteeralgoritme lijkt de band leeg.

Ik herinner me dat ik dit vroeg aan een investeerder uitlegde. Hij zei: "Kun je niet gewoon een beter model trainen op de donkere pixels?" Ik haalde een spectrale uitlezing van een zwarte PP-bak onder NIR erbij. Het was een vlakke lijn. Ruis. Ik zei tegen hem: hier zijn geen data. Je kunt geen model trainen op niets.

Hij pauzeerde en zei toen: "En GPT dan?"

Ik krijg deze vraag vaker dan ik zou willen toegeven.

Waarom kun je hier niet gewoon een LLM voor gebruiken?

Ik wil hier duidelijk over zijn, omdat de huidige AI-hypecyclus een gevaarlijke illusie heeft gecreëerd: je kunt je niet met prompts uit een fysicaprobleem redden.

Grote taalmodellen (Large Language Models) zijn probabilistische tekstmotoren. Ze voorspellen het volgende token op basis van patronen in hun trainingsdata. Ze zijn buitengewoon goed in wat ze doen. Maar ze hebben invoer nodig. In het geval van het sorteren van zwart plastic is de invoer van een standaard NIR-sensor een lege verzameling — een vlakke lijn van ruis die niet te onderscheiden is van de achtergrond van de transportband.

Als je een generatief model zou dwingen die ruis te classificeren, zou het misschien gokken. Het zou kunnen zeggen "waarschijnlijk polypropyleen" omdat PP veel voorkomt. Maar gokken is geen waarnemen. In een industriële recyclinglijn waar besmetting boven de 1–2% een hele baal onverkoopbaar maakt, is een zelfverzekerde gok slechter dan helemaal geen antwoord. Het is een hallucinatie met fysieke gevolgen.

Er is ook het latentieprobleem. Industriële sorteerbeslissingen vinden plaats in milliseconden — een transportband die op 3 meter per seconde loopt, wacht niet op een API-aanroep naar een cloudserver. Tegen de tijd dat een cloudgebaseerd model zijn zelfverzekerde verkeerde antwoord teruggeeft, ligt de bak al in de residubak.

Een LLM-wrapper kan geen fotonen hallucineren die nooit door de sensor zijn vastgelegd. Als de data niet bestaan, is het model blind — ongeacht hoeveel parameters het heeft.

Dit is het onderscheid waar ik steeds op terugkom tussen wat ik "AI-wrappers" noem en deep tech. Een wrapper neemt iemand anders' model en zet er een gebruikersinterface op. Deep tech verandert de fysica van de meting. Wij moesten de meting veranderen.

Wat gebeurt er als je de golflengte verschuift?

De absorptie van carbon black is niet oneindig. Ze heeft grenzen. En die grenzen worden benutbaar wanneer je van het nabij-infrarood naar het middengolf-infrarood verschuift — de MWIR-band, specifiek tussen 2,7 en 5,3 micrometer.

Dit is waar polymeerchemie luid wordt.

In het NIR-bereik pik je "boventoon"-trillingen op — vage echo's van moleculaire bindingen. Ze zijn subtiel en worden gemakkelijk overstemd door carbon black. Maar in het MWIR raak je de fundamentele trillingen: de C-H-strekbindingen, de C=O-carbonylstrekkingen, de aromatische-ringmodi. Deze signalen zijn ordes van grootte sterker. Sterk genoeg om door het carbon-black-pigment heen te breken en de sensor te bereiken.

De eerste keer dat mijn team een schone spectrale uitlezing zag van een zwarte polypropyleen bak onder MWIR, was er een moment van oprechte ongeloof. We hadden wekenlang naar vlakke lijnen zitten staren. En toen ineens — pieken. Scherp, duidelijk, onmiskenbaar. De C-H-absorptieband van 3,4 micrometer was er, zo helder als elk leerboekdiagram. Alleen was dit geen leerboekmonster. Het was een verpletterde, vuile etensbak die uit een echte afvalstroom was getrokken.

Ik draaide me om naar mijn ingenieur en zei: "De bak was altijd aan het praten. Wij luisterden alleen op de verkeerde frequentie."

Dat is het kerninzicht. We hebben het plastic niet zichtbaarder gemaakt. We veranderden waar we keken.

Hoe werkt MWIR-hyperspectrale beeldvorming eigenlijk?

We bouwden ons systeem rond de Specim FX50, die momenteel de enige commercieel haalbare hyperspectrale camera is die het volledige bereik van 2,7–5,3 micrometer bestrijkt dat voor deze toepassing nodig is. En "commercieel haalbaar" doet veel zwaar werk in die zin, want dit is geen webcam die je op een transportband vastschroeft.

Het detectormateriaal is indiumantimonide — een exotische halfgeleider die gevoelig is voor thermische straling. Omdat je bij deze golflengten in wezen warmtesignaturen detecteert, moet de sensor worden gekoeld tot cryogene temperaturen — ongeveer 77 Kelvin, oftewel ruwweg min 196 graden Celsius — met behulp van een geïntegreerde Stirling-koeler. Als je hem niet koelt, verblindt de sensor zichzelf met zijn eigen thermische ruis.

De camera legt 154 spectrale banden vast voor elke pixel in zijn gezichtsveld, waardoor een driedimensionale datakubus ontstaat: ruimtelijke positie plus golflengte. Met 380 beelden per seconde houdt hij gelijke tred met transportbanden die sneller dan 2 meter per seconde lopen.

Ik schreef over de volledige sensorarchitectuur en de fysica erachter in onze interactieve whitepaper — de technische details van alleen al de cryogene koeling zouden hun eigen essay kunnen vullen. Maar het kernpunt is dit: wat de camera ziet, is geen kleur. Ze ziet chemie. Een zwarte PP-bak en een zwart PS-deksel zien er voor jouw ogen identiek uit. Onder MWIR hebben ze volledig verschillende spectrale signaturen — verschillende pieken, verschillende absorptiepatronen, verschillende moleculaire identiteiten.

We stopten met computer vision en begonnen met chemische visie. De camera ziet geen "zwarte vormen." Ze ziet een stroom van moleculaire vingerafdrukken.

De AI die chemie leest, geen plaatjes

Het vastleggen van 154-bands hyperspectrale data op industriële snelheid genereert een enorme hoeveelheid informatie. De vraag wordt: hoe classificeer je die snel genoeg om een luchtstraal te activeren voordat het object van de band valt?

Het standaardinstinct in AI is om te grijpen naar een 2D convolutioneel neuraal netwerk — het soort dat beeldherkenning aandrijft. ResNet, YOLO, de architecturen die een kat van een hond kunnen onderscheiden. Maar afvalscheiding breekt elke aanname waarop die netwerken vertrouwen. Een verpletterde fles ziet er niet uit als een fles. Een gescheurd bakfragment heeft geen herkenbare vorm. Een scherf zwart auto-onderdelenplastic is ruimtelijk identiek aan een scherf zwarte voedselverpakking.

Vorm is onbetrouwbaar. Chemie niet.

Dus behandelen we het probleem als signaalverwerking, niet als beeldherkenning. Voor elke pixel op de transportband extraheren we een eendimensionale vector van 154 waarden — het spectrum op dat punt. We voeren die vector in een 1D-convolutioneel neuraal netwerk.

In plaats van vierkante kernels die over een beeld glijden op zoek naar randen en texturen, glijden onze lineaire kernels over het spectrum op zoek naar moleculaire signaturen: een scherpe daling bij 3,4 micrometer, een brede schouder bij 4,0, een specifieke dubbelpiek die zegt "dit is polystyreen, geen polyethyleen." Het netwerk leert de grammatica van chemische bindingen.

Er was een week waarin een van mijn ingenieurs betoogde dat we in plaats daarvan een Transformer-architectuur zouden moeten proberen — aandachtsmechanismen, dezelfde aanpak die GPT aandrijft. Op papier klonk het logisch. In de praktijk maakte de kwadratische rekenkundige complexiteit de inferentie te traag voor een band die op 3 meter per seconde beweegt. Ons 1D-CNN draait in minder dan 5 milliseconden op edge-hardware. De Transformer was nog steeds "aandacht aan het besteden" aan de globale context van het spectrum terwijl ons systeem de pixel al had geclassificeerd en de uitwerper had afgevuurd.

We draaien niet in de cloud. Er zit een NVIDIA Jetson AGX Orin op de sorteermachine. De data verlaten nooit de installatie. Tegen de tijd dat een cloudgebaseerd systeem zijn heen-en-weerreis zou hebben voltooid, heeft onze luchtstraal de bak al naar de juiste bak omgeleid.

Twee manieren van zien samensmelten

MWIR vertelt je wat iets is. Maar het heeft een lagere ruimtelijke resolutie dan een standaardcamera en het is duur. Dus fuseren we het met RGB.

Een hoge-resolutie kleurencamera verzorgt de segmentatie — het vinden van de grenzen van objecten op de band. Ze creëert een masker: "er is een item op deze coördinaten." De MWIR-camera legt de spectrale data vast. Onze fusiemotor legt het RGB-masker over de MWIR-datakubus en bevraagt het spectrum binnen elke objectgrens. Het 1D-CNN classificeert het materiaal.

De uitvoer naar de sorteerrobot is een samengesteld datapakket: Object #452 is zwart polypropyleen, gelegen op deze coördinaten, georiënteerd onder deze hoek. Pak het op. Leg het in bak drie.

Deze hybride aanpak laat ons goedkope, snelle RGB gebruiken voor het ruimtelijke werk en het dure, informatiedichte MWIR reserveren voor de beslissing die ertoe doet: waarvan is dit ding gemaakt?

Waarom doet de sector dit niet al?

Mensen vragen me dit voortdurend. Als MWIR werkt, waarom gebruikt dan niet elke recyclinginstallatie het?

Drie redenen.

Ten eerste, de hardwarebarrière. Cryogeen gekoelde infraroodcamera's met exotische halfgeleiderdetectoren zijn geen standaardproducten. Je kunt er geen bestellen uit een consumentenelektronicacatalogus. De Specim FX50 bestaat, maar het integreren ervan in een sorteerlijn die afval uit de echte wereld verwerkt — vuile, natte, overlappende objecten op snelheid — vereist aanzienlijke engineering.

Ten tweede, de AI-barrière. Standaard sorteermachinefirmware is ontworpen voor NIR-data. Je kunt niet zomaar de sensor verwisselen en verwachten dat de bestaande software werkt. De 1D-CNN-architectuur, de spectrale voorbewerking, de sensorfusiepijplijn — dit alles is op maat gemaakt. Dit is waar Veriprajna leeft. Wij leveren de intelligentielaag voor hardware die is gebouwd voor een ander tijdperk van waarneming.

Ten derde, traagheid. Jarenlang was het antwoord van de sector op zwart plastic "gebruik het niet" of "accepteer het verlies." Merken kregen te horen dat ze moesten overstappen op detecteerbare pigmenten. Sommige deden dat. De meeste niet, omdat carbon black goedkoop is, UV-stabiel, en fabrikanten in staat stelt gemengde-kleur gerecyclede grondstof te gebruiken — precies datgene wat recycling in de eerste plaats economisch haalbaar maakt.

Carbon black stelt fabrikanten in staat gerecyclede inhoud te gebruiken. Maar het maakt het eindproduct ook onzichtbaar voor recyclingsensoren. Het pigment dat circulariteit mogelijk maakt, vernietigt haar tegelijkertijd.

De Verordening verpakkingen en verpakkingsafval van de EU dwingt de kwestie af. Tegen 2030 moet alle verpakking recyclebaar zijn — niet theoretisch, maar aantoonbaar, in daadwerkelijke industriële installaties. Als de sorteermachine het niet kan zien, is het juridisch gezien niet-recyclebaar. Die regelgevingsdeadline zet mensen aan het denken.

De economie die dit onvermijdelijk maakt

Ik heb geleerd dat wanneer je deep tech verkoopt aan industriële exploitanten, het milieuargument de deur opent maar de spreadsheet de deal sluit.

Neem een middelgrote Europese MRF die 50.000 ton per jaar verwerkt. Aandeel zwart plastic: 5%, oftewel 2.500 ton. Momenteel gaat dat materiaal naar verbranding tegen een poorttarief plus koolstofbelasting van ruwweg €100 per ton — een kostenpost van €250.000 per jaar alleen al om waardevol materiaal te vernietigen.

Als MWIR-sortering 90% van die stroom terugwint en de gesorteerde korrels verkoopt tegen €900 per ton, verschuift de rekensom dramatisch: €2,25 miljoen aan gecombineerde inkomsten en vermeden afvoerkosten. Tegenover een systeemkapitaalinvestering van rond de $300.000 is de terugverdientijd minder dan twee maanden.

Ik heb installatiemanagers deze berekening op de achterkant van een envelop zien maken en dan meteen zien vragen wanneer we kunnen installeren. De economie is niet marginaal. Ze is overweldigend.

Voor de volledige technische uiteenzetting — inclusief de spectrale-differentiatiedata, de details van de 1D-CNN-architectuur en de sensorfusiepijplijn — heb ik een gedetailleerd onderzoeksrapport gepubliceerd dat dieper gaat dan ik in een essay kan.

Waar dit werkelijk over gaat

Ik ben Veriprajna begonnen omdat ik geloofde dat de moeilijkste industriële problemen niet konden worden opgelost door een API te omhullen. Ze vereisen begrip van de fysica van de meting, het bouwen van de juiste sensorpijplijn, en het ontwerpen van AI-architecturen die overeenkomen met de structuur van de data — niet de structuur van de hypecyclus.

Het recyclen van zwart plastic is een casestudy in waarom deep tech ertoe doet. Het probleem was nooit dat we intelligentie tekortkwamen. Het probleem was dat we signaal tekortkwamen. We schenen het verkeerde licht en gaven vervolgens de AI de schuld dat hij niets zag.

Wanneer iemand je vertelt dat AI alles kan oplossen, vraag ze dan: oplossen met welke data? Als de sensor de werkelijkheid niet kan vastleggen, is het model gewoon een zeer dure willekeurige-getallengenerator.

Er liggen op dit moment miljoenen tonnen perfect recyclebaar polymeer op stortplaatsen vanwege een pigment dat nabij-infrarood licht absorbeert. Niet omdat de chemie verkeerd is. Niet omdat de economie niet werkt. Maar omdat de sensor is gebouwd voor een wereld waarin alles een handige tint blauw of groen is.

De wereld is niet zo handig. En de oplossing is geen betere prompt. Het is een beter foton.