你的回收是个谎言——真正的解法靠物理学，而不是ChatGPT
我看着一个完好无损的聚丙烯托盘——就是那种买寿司时会用到的托盘——从传送带末端滑落，掉进了一个标着"残余物"的料仓。残余物只是一种委婉的说法。它意味着填埋。它意味着焚烧。它意味着失败。
这个托盘是黑色的。这是它唯一的"罪过"。
我当时站在欧洲的一家物料回收厂里，那是一种每年处理数万吨废弃物的地方，而我正看着他们最先进的光学分选机——一台比大多数公寓还贵的机器——系统性地忽略每一个从其传感器下方经过的深色物体。不是因为机器坏了，而是因为其传感器的物理特性让黑色塑料在字面意义上变得不可见。
那一刻改变了我公司的发展轨迹。在Veriprajna，我们为工业问题构建深度AI系统，而我来到这家工厂时，本以为会发现一个软件问题。一个分类缺口。某个我们可以调优的东西。结果，我发现的是电磁波谱中的一个空洞——而再多的机器学习也无法填补它。
我们正在丢弃之物的规模
这里有一个应该让你不安的数字：在全球每年产生的3.53亿吨塑料废弃物中，只有9%被回收利用。一半进入填埋场。五分之一被焚烧。其余的则被"处置不当"——这是"倾倒在某个我们宁愿不去想的地方"的委婉说法。
黑色塑料让这幅图景更加糟糕。它们占塑料废弃物总量的3%到15%不等，具体取决于你身处何地。在一家每年处理5万吨的工厂里，那就是数千吨的物料——聚丙烯、聚乙烯、ABS、聚苯乙烯——被踢出回收流，不是因为它们无法被回收，而是因为机器看不见它们。
而这些物料并非一文不值。回收的黑色聚丙烯的交易价格为每吨1,130至1,200美元。回收的ABS则能卖到800至1,100美元。一家中型工厂每年正在丢弃超过200万美元的可回收价值。这不是一个可以忽略的舍入误差。这是一个等待被释放的商业模式。
你无法回收你看不见的东西。而如今，整个行业对15%的废弃物流都是盲目的。
为什么一个黑色托盘对回收机器人来说是不可见的？
答案存在于一种叫做炭黑的颜料中。它由石油的不完全燃烧产生，也是大多数黑色塑料呈现黑色的原因。它还是有史以来制造出的最有效的光吸收剂之一。
标准的回收分选机使用近红外光谱——NIR——工作波段在0.9至1.7微米之间。它的工作原理很精妙：卤素灯将光洒满传送带。当光照射到有色或透明的塑料瓶上时，会反射回来并伴随特定波长被吸收——一种光谱指纹，告诉传感器"这是PET"或"这是HDPE"。气动喷射器随即触发，瓶子落入正确的料仓。
但当同样的光照射到炭黑上时，它不会反射回来。这种颜料在整个近红外范围内吸收光子并将其转化为热量。传感器什么也接收不到。而且由于传送带本身通常是黑色橡胶，机器看到的是一个黑色背景上的黑色物体返回零信号。对分选算法而言，传送带看起来是空的。
我记得早期向一位投资人解释这一点。他说："你就不能在那些暗像素上训练一个更好的模型吗？"我调出了一张黑色PP托盘在近红外下的光谱读数。那是一条平线，一片噪声。我告诉他：这里没有数据。你无法在虚无之上训练模型。
他停顿了一下，然后说："那GPT呢？"
我遇到这个问题的次数，比我愿意承认的还要多。
为什么你不能直接用大语言模型来解决这个问题？
我想直截了当地说件事，因为当前的AI炒作周期制造了一种危险的错觉：你无法靠提示词绕过一个物理问题。
大语言模型是概率性的文本引擎。它们根据训练数据中的模式来预测下一个词元。它们在自己所做的事情上非凡卓越。但它们需要输入。而在黑色塑料分选的情况下，来自标准近红外传感器的输入是一个空集——一条与传送带背景无法区分的噪声平线。
如果你强迫一个生成式模型去分类这种噪声，它可能会猜。它可能会说"大概是聚丙烯"，因为PP很常见。但猜测不是感知。在一条工业回收生产线上，污染率超过1–2%就会让整包物料无法出售，而一个自信的猜测比根本没有答案还要糟糕。这是一种带有物理后果的幻觉。
还有延迟问题。工业分选决策发生在毫秒之内——一条以每秒3米运行的传送带不会等待对云端服务器的API调用。等一个基于云端的模型返回它自信而错误的答案时，托盘早已进入残余物料仓了。
一个大语言模型套壳无法凭空幻想出传感器从未捕获的光子。如果数据不存在，模型就是盲的——无论它拥有多少参数。
这就是我一直反复提到的区别，即我所说的"AI套壳"与深度科技之间的区别。套壳拿来别人的模型，给它套上一个用户界面。深度科技则改变测量的物理本质。我们需要改变的是测量本身。
当你改变波长时会发生什么？
炭黑的吸收并非无限。它有极限。而当你从近红外转向中波红外——即MWIR波段，具体在2.7至5.3微米之间——时，这些极限就变得可以利用。
这里正是聚合物化学变得响亮之处。
在近红外范围内，你捕捉到的是"倍频"振动——分子键的微弱回声。它们很微妙，容易被炭黑淹没。但在MWIR中，你击中的是基频振动：C-H伸缩键、C=O羰基伸缩、芳香环模式。这些信号强了几个数量级。强到足以穿透炭黑颜料并抵达传感器。
我的团队第一次看到一张黑色聚丙烯托盘在MWIR下的干净光谱读数时，有一刻是真正的难以置信。我们已经盯着平线看了好几周。然后突然间——出现了峰。锐利、分明、毫无疑问。3.4微米的C-H吸收带就在那里，清晰得如同任何教科书上的示意图。只不过这不是一个教科书样本。它是一个从真实废弃物流中捞出的、压碎的、脏兮兮的食品托盘。
我转向我的工程师说："这个托盘一直在说话。我们只是在错误的频率上聆听。"
这就是核心洞见。我们并没有让塑料变得更可见。我们改变的是我们观察的地方。
MWIR高光谱成像实际上是如何工作的？
我们围绕Specim FX50构建了我们的系统，它是目前唯一一款商业上可行的、覆盖此应用所需的完整2.7–5.3微米范围的高光谱相机。而"商业上可行"在那句话里承担了很重的分量，因为这不是一个你随手螺栓固定到传送带上的网络摄像头。
探测器材料是锑化铟——一种对热辐射敏感的奇异半导体。因为在这些波长下你本质上是在探测热信号，传感器必须被冷却到低温——大约77开尔文，即约零下196摄氏度——使用一个集成的斯特林制冷器。如果你不冷却它，传感器会被自身的热噪声弄瞎。
这台相机为其视场中的每一个像素捕获154个光谱波段，生成一个三维数据立方体：空间位置加波长。以每秒380帧的速度，它能跟上以每秒2米以上运行的传送带。
我在我们的交互式白皮书中写过完整的传感器架构及其背后的物理原理——单是低温制冷的工程细节就足以自成一篇文章。但关键点在于：相机所看到的不是颜色。它看到的是化学成分。一个黑色PP托盘和一个黑色PS盖子在你眼里看起来一模一样。在MWIR下，它们拥有完全不同的光谱特征——不同的峰、不同的吸收模式、不同的分子身份。
我们不再做计算机视觉，而开始做化学视觉。相机看到的不是"黑色形状"。它看到的是一串分子指纹。
读取化学成分而非图像的AI
以工业速度捕获154波段的高光谱数据会产生海量的信息。问题变成了：你如何足够快地对它进行分类，从而在物体从传送带上掉落之前触发气流喷射？
AI领域的标准本能是求助于二维卷积神经网络——就是那种驱动图像识别的网络。ResNet、YOLO，那些能区分猫和狗的架构。但废弃物分选打破了这些网络所依赖的每一个假设。一个压碎的瓶子看起来不像瓶子。一块撕裂的托盘碎片没有可辨认的形状。一片黑色汽车塑料碎片在空间上与一片黑色食品包装碎片完全相同。
形状不可靠。化学成分则可靠。
所以我们把这个问题当作信号处理来对待，而不是图像识别。对于传送带上的每一个像素，我们提取一个由154个数值组成的一维向量——即该点处的光谱。我们将这个向量输入到一个一维卷积神经网络中。
不同于方形卷积核在图像上滑动寻找边缘和纹理，我们的线性卷积核在光谱上滑动寻找分子特征：3.4微米处的一个陡降、4.0处的一个宽肩、一个特定的双峰，它说"这是聚苯乙烯，不是聚乙烯"。这个网络学习的是化学键的语法。
有一周，我的一位工程师主张我们应该改用Transformer架构——注意力机制，也就是驱动GPT的同一种方法。在纸面上这是合理的。但在实践中，二次方的计算复杂度让推理对于一条以每秒3米移动的传送带来说太慢了。我们的一维CNN在边缘硬件上运行不到5毫秒。当我们的系统已经完成像素分类并触发喷射器时，Transformer还在"关注"光谱的全局上下文。
我们不在云端运行。分选机上装有一块NVIDIA Jetson AGX Orin。数据从不离开工厂。等一个基于云端的系统完成它的往返时，我们的气流喷射已经把托盘重新导向正确的料仓了。
融合两种观察方式
MWIR告诉你某物是什么。但它的空间分辨率低于标准相机，而且价格昂贵。所以我们把它与RGB融合起来。
一台高分辨率彩色相机负责分割——找出传送带上物体的边界。它创建一个掩膜："在这些坐标处有一件物品"。MWIR相机捕获光谱数据。我们的融合引擎将RGB掩膜叠加到MWIR数据立方体上，并查询每个物体边界内的光谱。一维CNN对材料进行分类。
输出给分选机器人的是一个复合数据包：物体#452是黑色聚丙烯，位于这些坐标，以这个角度朝向。把它捡起来。放进三号料仓。
这种混合方法让我们能用廉价、快速的RGB来做空间工作，而把昂贵、信息密集的MWIR保留给真正重要的决策：这东西是由什么制成的？
为什么这个行业还没有这么做？
人们不断问我这个问题。如果MWIR有效，为什么不是每一家回收厂都在用它？
三个原因。
第一，硬件壁垒。带有奇异半导体探测器的低温冷却红外相机不是大宗商品。你无法从消费电子目录里订购一台。Specim FX50确实存在，但要把它集成到一条处理真实世界废弃物——脏的、湿的、高速重叠的物体——的分选生产线中，需要大量的工程工作。
第二，AI壁垒。标准分选机固件是为近红外数据设计的。你不能只是换掉传感器就指望现有软件能工作。一维CNN架构、光谱预处理、传感器融合流程——所有这些都是定制的。这正是Veriprajna的用武之地。我们为那些为不同传感时代而建造的硬件提供智能层。
第三，惯性。多年来，这个行业对黑色塑料的答案是"别用它"或"接受损失"。品牌方被告知要改用可检测的颜料。有些照做了。大多数没有，因为炭黑便宜、抗紫外线稳定，还能让制造商使用混色的回收原料——正是这一点让回收在一开始就在经济上可行。
炭黑让制造商能够使用回收成分。但它也让最终产品对回收传感器不可见。这种赋能循环性的颜料同时也在摧毁循环性。
欧盟的《包装与包装废弃物法规》正在迫使这个问题浮出水面。到2030年，所有包装都必须可回收——不是理论上的，而是可证明的，在真实的工业设施中。如果分选机看不见它，它在法律上就是不可回收的。那个监管截止期限正在让人们凝神专注。
让这一切成为必然的经济账
我领悟到，当你向工业运营商推销深度科技时，环保论点能打开门，但电子表格才能促成交易。
考虑一家每年处理5万吨的欧洲中型MRF。黑色塑料含量：5%，即2,500吨。目前，这些物料被送去焚烧，门槛费加碳税约为每吨100欧元——仅仅为了销毁有价值的物料，每年就要花费25万欧元。
而通过MWIR分选回收该物流的90%，并以每吨900欧元的价格出售分选后的颗粒料，这笔账就发生了戏剧性的转变：225万欧元的合计收入与避免的处置成本。相对于约30万美元的系统资本支出，回本周期不到两个月。
我看着工厂经理们在一个信封背面做完这笔计算，然后立刻问我们什么时候能安装。这本经济账不是边际性的。它是压倒性的。
要了解完整的技术剖析——包括光谱区分数据、一维CNN架构细节，以及传感器融合流程——我发表了一篇详细的研究论文，它比我在一篇随笔中所能达到的更深入。
这真正关乎的是什么
我创办Veriprajna，是因为我相信最棘手的工业问题无法通过套壳一个API来解决。它们需要理解测量的物理原理，构建正确的传感器流程，并设计与数据结构相匹配的AI架构——而不是与炒作周期的结构相匹配。
黑色塑料回收是一个案例研究，说明了为什么深度科技至关重要。问题从来不是我们缺乏智能。问题是我们缺乏信号。我们照射了错误的光，然后责怪AI什么都看不见。
当有人告诉你AI能解决一切时，问他们：用什么数据来解决？如果传感器无法捕获现实，那模型就只是一个非常昂贵的随机数生成器。
此刻，正有数百万吨完全可回收的聚合物躺在填埋场里，就因为一种吸收近红外光的颜料。不是因为化学不对。不是因为经济账算不过来。而是因为这个传感器是为一个万物都恰好是一种便利的蓝色或绿色的世界而建造的。
世界并不那么便利。而解决方案不是一个更好的提示词。它是一个更好的光子。