你的光学分选机看不见黑色塑料，而我们不再把它当作软件问题
我第一次真正理解这个问题时，正站在一条残余物分选线的末端观察着。
一只黑色聚丙烯托盘顺着传送带下来，经过一排价值近五十万美元的光学分选机，然后和其他所有注定要被填埋的东西一起落入废弃流。它上方的喷射器从未启动。不是因为软件判断失误，而是因为软件根本什么都没看到。对那台分选机来说，黑色橡胶带上的一只黑色托盘就是一片虚空。那里没有任何东西可供分类。
那只托盘是值得回收的。黑色 PP、PE 和 ABS 所占比例大约介于典型塑料流的 3% 到 15%，具体取决于地区，而其中几乎全部都进入了残余物流。对一家中型设施而言，这累积成一个带逗号的数字，每年作为填埋场入场费支付出去——而这些材料本是买家乐意付钱购买的。这正是我们围绕其构建 Veriprajna 材料回收与黑色塑料分选业务的那道空白：不是要"把 AI 带入回收行业"，因为回收业拥有的 AI 已经比大多数行业都多，而是要解决所有这些 AI 一直视而不见的那一件事。
我起初确信这是一个机器学习问题。走出来时我明白了，这其实是一个披着机器学习外衣的物理问题，而我们能做的最有价值的事，有时是告诉工厂主管：花的钱比他们预想的还要少。
为什么一台五十万美元的分选机在黑色塑料面前会失明？
标准光学分选机用近红外光读取聚合物，波长在 0.9 至 1.7 微米范围内。其原理很精巧：每种塑料都有一个分子指纹，其内部的化学键——碳氢键和氧氢键的伸缩振动——会以特定模式吸收特定的近红外波长，传感器可以将这一模式与谱库进行比对。TOMRA、Machinex、Pellenc，整个高端领域都基于这一原理的某种版本运作。
炭黑彻底破坏了这一切。这种颜料在近红外光到达那些分子键并反射回来之前，就几乎把它全部吸收了。探测器什么都接收不到。你可以随心所欲地重新训练模型；但输入中根本没有信号可供学习。
再多的 AI 训练也无法修复零信号的输入。光子从未到达探测器。这是传感器物理学，而不是固件更新。
这句话正是另一种方法存在的全部理由。解决办法是改变你所观察的光谱区段。中波红外，大约 2.7 至 5.3 微米，读取的是聚合物分子的基频振动，而不是近红外所捕捉到的微弱倍频；而且随着波长升高，炭黑的束缚逐渐松动。到大约 3 微米时，这种颜料实际上变得透明，位于 3.4 微米处的碳氢伸缩峰清晰而明确地显现出来。一只在近红外视野中曾是空洞的黑色托盘，在中波红外下变成了一条干净、锯齿状的特征谱线。聚苯乙烯的芳香族碳氢振动模式与 PE 和 PP 的脂肪族谱带清晰地分离开来。我们部署的相机——一台 Specim FX50——在该范围内捕获 154 个光谱波段。它看到的不是黑色的形状，而是在传送带速度下读取化学成分。
当我最初勾勒出这个方案时，我以为故事到此就结束了。新相机，新光谱，问题解决。但故事并没有到此结束。
宣传册不想让你看到的那个数字
Specim 的营销材料，以及大多数围绕中波红外分选的报道，都会把你引向接近 99% 的准确率数字。我们开始构建分类器时，我脑中装的就是这个数字。我们在光谱数据上训练了一个一维卷积神经网络，看着它在洁净的参考样本上表现出色，我便让自己相信我们已经大功告成了。
随后，我们让它面对一座真实材料回收厂（MRF）所见的那种输入。不是原始的颗粒料。而是完整的物件，有磨损、有食物污渍、被标签覆盖、在移动的传送带上彼此重叠，还沾着回收厂里包裹一切的灰尘和油垢。平衡准确率的结果是83.4%。
我想坦诚地说说这个结果给我带来的冲击，因为那是整个项目中最重要的时刻。我的第一反应是我们做错了什么，是流程里有一个 bug，是我们跳过了某个校准环节。但都没有。一篇刊登于Resources, Conservation and Recycling、2026 年 1 月发表的同行评审论文，针对的正是这个问题——中波红外加上 CNN 进行黑色塑料识别——在真实废料上报告了同样量级的数字。99% 是实验室里的数字，83% 才是现实世界。
实验室演示与肮脏传送带之间的鸿沟，正是大多数回收技术悄然消亡之处。我们决定活在这道鸿沟里，而不是掩盖它。
这彻底重塑了我们推介的方式。我们不再承诺近乎完美的回收率，转而谈论切合实际的回收率——那种仍能让系统数倍回本的回收率，因为即便在 83% 的水平上，这笔经济账也远远算得过来。一座年处理 5 万吨、黑色塑料占比 5% 的设施，坐拥大约 2,500 吨可回收的聚合物。按当前再生 PP 的价格和所规避的填埋成本计算，诚实而保守的测算大约落在每年 220 万至 270 万的损益（P&L）影响，而相应的改造成本只有几十万。要让这笔账成立，你并不需要 99%。你需要的是别再假装自己已经拥有它。
"直接买更快的硬件就好"是我错误的直觉
我搞错的第二件事是关于速度。
任何一条分选线里都埋着一个真实的工程问题：从"相机看到一只黑色 PP 托盘"到"气阀在恰好正确的位置启动"，你能有多快？如果这个延迟太长，传送带早已把物件带过了喷射窗口，喷射器要么打空，要么把托盘连同两个相邻物件一起打掉，你的纯度就崩了。我起初以为，这个问题的答案永远是更快、更确定的硬件——一条能达到约 2 毫秒且无抖动的 FPGA 数据流管线。我们甚至已经开始设计一条了。
然后我真正为一座有代表性的设施算了算，这些数字让我羞愧。想象一座 5 万吨的工厂，一条 1.2 米宽的传送带以每秒 3 米运行，喷射喷嘴间距 12.5 毫米，一条未经优化的边缘 GPU 管线耗时 50 毫秒。传送带速度乘以延迟，意味着在气阀启动前物件已行进 150 毫米，再加上抖动，真实的喷射窗口会摊开在 200 到 260 毫米之间，远远宽于 60 到 90 毫米的目标。纯度当然会下降。但解决办法并不是 FPGA。
对那座设施来说，解决办法是优化 GPU 管线——TensorRT、批大小为一、内核融合、半精度——这会把延迟降到 12 到 18 毫秒。现在你的行程误差是 36 到 54 毫米，系统就能正常工作，硬件开销为零，纯靠工程。而 FPGA 路线，2 毫秒、6 毫米的误差，只有在传送带速度大约超过每秒 5 米时才值回其成本，而且它还附带数月的专门工程工作。大多数工厂并不以每秒 5 米运行。
对"我需要那昂贵的确定性硬件吗"这个问题，诚实的答案通常是不需要，而唯一会这样告诉你的人，是那些并不向你兜售它的人。
于是我们把这套测算做成了一次探索性咨询。我们先做这个，在提出任何方案之前，而且多数情况下我们给客户的是更便宜的答案。这让我们赚得更少，但也意味着下一位工厂主管会从上一位那里听说我们。
当中波红外相机坏掉时会发生什么？
第一次会议讨论的是中波红外能否看见黑色塑料。第二次会议永远是同一个问题，而正是这个问题，把真正在现场部署过这套设备的人，和只会兜售幻灯片的人区分开来：相机坏掉时会发生什么？
这种担忧合情合理。Specim FX50 用一个集成的斯特林制冷机把探测器冷却到约 77 开尔文，而正是这个制冷机是会磨损的部件。数据手册标称 10,000 小时。在真实的材料回收厂里，有粉尘侵入和持续振动，就按 7,000 到 8,000 小时来规划吧。每天运行 16 小时，那大约每 14 到 18 个月就要维护一次制冷机，而 Specim 的更换交货周期长达 12 到 16 周。如果你的回收线因为一台低温制冷机还在船上运输而停摆整整一个财季，那你买到的不是解决方案，而是一个隐患。
所以应急预案是构建的一部分，而不是事后补救。相机安装在热插拔支架上，因此半小时内就能拆下，而制冷机采取轮换制——某台在失效之前就被取下翻修，翻修后回来作为下一轮的备件。当一台机组不在线时，一种降级的回退模式仅运行 RGB 分割，准确率较低，因此这条线永远不会完全停下。而在这一切之下，还坐着第二家合格的传感器来源，其中包括 Telops 和 IRCameras，因为这个市场上几乎每一份中波红外的推介都悄悄依赖来自同一家公司的同一款相机，而一座在回收上押下数百万的设施，理应比一个它自己都不知道存在的单点故障要好得多。
这一领域止步于何处，以及原因
我想精确地谈谈竞争格局，因为回收 AI 领域确实拥挤，我不会假装并非如此。TOMRA 自 2022 年起就在边缘端运行深度学习，现场部署着数以千计的设备。这道空白之所以依然存在，并不是因为在位者在沉睡，而是因为它们每一家都出于结构性原因，恰好在它面前止步。
那些能够看见黑色塑料的厂商，会把它捆绑销售。TOMRA 的 Autosort Black 是一整条产线内部的一台独立机器，产线起价约 45 万到 65 万欧元，配的是封闭软件，你无法把它授权到自己已经拥有的硬件上。Steinert 的 UniSort BlackEye 确实运行中波红外，但它被调校为一台处理洁净碎片的精分选机，处理量约每小时一吨，并非用于来自主流水线的受污染整件物料输入。那些看不见它的厂商，则以不同的方式对此坦诚：Machinex 的高光谱产线工作在短波红外（SWIR），撞上的是与标准近红外相同的那堵炭黑之墙；Pellenc 的轮廓检测能标记出"物料流中的一个黑色物体"以剔除污染物，却无法告诉你哪是黑色 PP、哪是黑色 PS；AMP 的机器人分拣手和 Greyparrot 的分析仪确实各司其职——分别负责分拣和测量——但用的是根本无法对聚合物进行分类的 RGB 相机。
这个市场上的每一家供应商，都在与你的黑色塑料问题相邻的某件事上表现出色。但它们没有一家出售能直接解决它的改造方案。
这就是整个切入口。我们不替换别人已经付过钱的分选机。我们加装一个传感工位，通常装在承接黑色物料密集废弃物的侧带上，用一台 RGB 相机找出物件边界，用 FX50 对其内部的光谱进行分类，再通过 OPC-UA、Modbus 或 EtherCAT 与现有机器的 PLC 建立一个干净的接口，去触发既有的喷射器。买家保留其现有产线处理良好的那 92% 物料流，同时回收那部分它当初被设计为忽略的物料。
而对电子产品回收商来说，还有一个更难、利润率更高的版本。报废电子产品里满是黑色 ABS，其中很多掺入了溴系阻燃剂，而 RoHS 禁止这类材料重新回到新设备中，正因如此，40% 到 50% 被收集的电子电气废弃物（WEEE）塑料从未得到妥善回收。X 射线荧光能读取溴，却读不出聚合物；中波红外能读取聚合物，却读不出溴。把两者融合进一个分类头中，以约 5 毫秒的速度运行，你就能在一次通过中把洁净的可回收 ABS 与含阻燃剂的废弃物分开，而大多数设施仍需分两次进行。两种传感器配合使用，可从物料流中剥离出高达 98% 的溴系塑料。这个传感器融合问题在生产级别上很大程度上尚未解决，而这恰恰正是它值得去做的原因。
黑色塑料问题有一个十五年的倒计时
关注包装领域的人会提出一个显而易见的反驳：既然品牌方只需换用近红外可检测的黑色颜料，问题就能从源头消失，那为什么还要为炭黑建设基础设施呢？这确实是一股真实的潮流。UPM 于 2025 年底推出了一款生物基、近红外可检测的黑色颜料；Cabot 有符合食品接触标准的替代品；Ampacet 则有针对可分选性调校的色母粒。
我认真审视过这一点，因为如果替代方案即将消灭这个问题，那么建立一项中波红外业务就是一场糟糕的赌注。但它并非如此。标准炭黑价格约为每公斤 0.20 欧元；可检测的替代品是其三到六倍，这还没算上重新认证食品接触包装的成本。自 2018 年以来，采用速度一直很慢，最佳估算认为可检测黑色在快消品（FMCG）黑色包装中占比不到 10%，而存量物料流无处可去：汽车内饰不会更换，电子外壳不会更换，对成本敏感的自有品牌包装也不会更换。
所以这是一场 15 到 20 年的过渡，而不是一道断崖。诚实的表述——也是我真正相信的那个——是：现在就用中波红外回收，同时让品牌方缓慢转换，而同一条产线在此后二十年里持续回收那条长尾。与此同时，监管的底线正在这一切之下抬升：加州的 SB 54 开始每年从包装生产商那里征收约 5 亿美元，首个申报截止日期在 2026 年 5 月底，而欧盟的包装法规将要求可回收性分级，以及急剧上升的再生成分目标——到 2030 年塑料包装中要达到 30%——如果黑色塑料继续被送去填埋，这些目标根本无法实现。回收的材料不再只是收入，它是合规。
当有人问他们是否真的需要我们时，我会怎么说
几乎每一次都会冒出两个问题，比起在销售电话里，我更愿意在这里回答它们。
第一个是他们是否应该干脆去聘请一家大型咨询公司。他们可以，而且对某些问题也确实应该。但一次埃森哲（Accenture）或凯捷（Capgemini）的咨询要花上数百万，产出的是一份供应商选型矩阵和一张路线图。它不会去写那个一维 CNN，不会针对你特定的传送带背景去校准一台低温冷却的传感器，也不会去承接 PLC 接口的搭建。我们比系统集成商更小，比在公司内部自建能力更快——坦白说，你很难轻易招到能够认证斯特林制冷机、或能针对 EtherCAT 控制器编写跟踪算法的人——而且我们比那些以向你推销下一台机器为己任的原始设备制造商（OEM）更专注。
第二个问题，是我最为我们的回答方式感到自豪的：他们真的需要这个吗？有时答案是不需要。一座年处理量约在 2.5 万吨以下、黑色塑料占比很低、又位于填埋成本低廉地区的设施，可能永远看不到回本。我们会直说，然后转身离开。一家平台型供应商在结构上就不可能告诉你，你并不合适。而我们可以，那些最终回到我们这里的项目，正是那些账真正算得过来的。
过去几年里，回收行业一直被兜售"AI"，仿佛它是一件你要么拥有、要么没有的单一之物。它不是。那只落入废弃料仓的黑色托盘，并不在乎上游有多少个神经网络在运行。它在乎的是：这栋楼里是否有任何东西，正用一种能让它显形的波长注视着它。而大多数工厂，此刻，并没有。这是一个比宣传册所说的更小、更可解决的问题，也是一个比残余物报告所能告诉你的更有价值的问题。如果你想看看我们会如何为你的产线把这笔账算清楚，完整的分析就在这里。
