你的回收其實是個謊言——真正的解方需要物理學，而不是 ChatGPT
我看著一個完好無缺的聚丙烯托盤——就是那種你會用來裝壽司的托盤——從輸送帶末端滑落，掉進一個標示為「殘餘物」的箱子裡。「殘餘物」是委婉的說法。它的意思是掩埋。它的意思是焚燒。它的意思是失敗。
那個托盤是黑色的。這是它唯一的罪名。
我當時站在歐洲的一座物料回收設施裡，那種每年處理數萬噸廢棄物的地方，我正看著他們最先進的光學分選機——一台比大多數公寓還貴的機器——有系統地忽略每一個經過感測器下方的深色物體。不是因為機器壞了。而是因為它感測器的物理特性讓黑色塑膠實際上變得隱形。
那一刻改變了我公司的發展軌跡。在 VeriPrajna，我們為工業問題打造深層 AI 系統，而我來到這座設施時，原本預期會發現一個軟體問題。一個分類上的缺口。某個我們可以調校的東西。結果，我卻發現了電磁光譜中的一個空洞——而任何機器學習都無法填補它。
我們正在丟棄的規模有多大
這裡有個應該讓你不安的數字：全球每年產生的 3.53 億噸塑膠廢棄物中，只有 9% 得到回收。一半進了掩埋場。五分之一被焚燒。其餘的則被不當處理——這是「傾倒在某個我們寧可不去想的地方」的委婉說法。
黑色塑膠讓這幅畫面更加糟糕。它們佔塑膠廢棄物總流量的 3% 到 15%，取決於你所在的地方。在一座每年處理 5 萬噸的設施裡，那就是數千噸的物料——聚丙烯、聚乙烯、ABS、聚苯乙烯——被排除在回收流程之外，不是因為它們無法回收，而是因為機器看不見它們。
而這些物料並非毫無價值。回收的黑色聚丙烯交易價格為 每噸 1,130–1,200 美元。回收的 ABS 售價為 800–1,100 美元。一座中型設施每年就丟棄了超過 200 萬美元的可回收價值。這不是一個四捨五入的誤差。這是一個等待被開啟的商業模式。
你無法回收你看不見的東西。而此時此刻，整個產業對 15% 的廢棄物流量都是盲目的。
為什麼一個黑色托盤對回收機器人來說是隱形的？
答案存在於一種名為碳黑的顏料中。它由石油的不完全燃燒產生，也是大多數黑色塑膠之所以是黑色的原因。它同時也是有史以來製造出最有效的光吸收劑之一。
標準的回收分選機使用近紅外光譜術——NIR——運作波長介於 0.9 到 1.7 微米之間。它的運作方式很優雅：鹵素燈以光線灑滿輸送帶。當那道光線打到有顏色或透明的塑膠瓶時，它會反彈回來，並被吸收掉特定波長——一個光譜指紋，告訴感測器「這是 PET」或「這是 HDPE」。氣動彈射器啟動。瓶子落進正確的箱子裡。
但當同一道光線打到碳黑上時，它並不會反彈回來。這種顏料吸收整個 NIR 範圍內的光子，並將它們轉化為熱。感測器什麼也接收不到。而由於輸送帶本身通常是黑色橡膠，機器看到的是一個黑色背景上的黑色物體，回傳零訊號。對分選演算法而言，輸送帶看起來是空的。
我記得早期曾向一位投資人解釋這件事。他說：「你不能就在那些暗像素上訓練一個更好的模型嗎？」我調出一個黑色 PP 托盤在 NIR 下的光譜讀數。那是一條平坦的線。雜訊。我告訴他：這裡沒有資料。你無法用一無所有的東西訓練模型。
他停頓了一下，然後說：「那 GPT 呢？」
這個問題我聽到的次數，比我願意承認的還要多。
為什麼你不能就直接用大型語言模型來做這件事？
我想直截了當地說一件事，因為當前的 AI 熱潮已經製造出一種危險的錯覺：你無法靠下提示詞來解決一個物理問題。
大型語言模型是機率性的文字引擎。它們根據訓練資料中的模式來預測下一個 token。它們在自己所做的事情上非凡出色。但它們需要輸入。就黑色塑膠分選這個案例而言，來自標準 NIR 感測器的輸入是一個空集合——一條與輸送帶背景無法區分的雜訊平線。
如果你強迫一個生成式模型去分類那道雜訊，它可能會猜。它可能會說「大概是聚丙烯」，因為 PP 很常見。但猜測不是感測。在一條污染率超過 1–2% 就會讓整批壓縮包無法銷售的工業回收線上，一個自信的猜測比完全沒有答案還糟。那是一場帶有物理後果的幻覺。
還有延遲問題。工業分選決策發生在毫秒之間——一條以每秒 3 公尺運行的輸送帶，不會等待對雲端伺服器的一次 API 呼叫。等到一個雲端模型回傳它那自信的錯誤答案時，托盤早已在殘餘物箱裡了。
一個 LLM 外殼無法幻想出感測器從未捕捉到的光子。如果資料不存在，模型就是盲的——無論它有多少參數。
這就是我一再回到的區別，介於我所謂的「AI 外殼」與深科技之間。一個外殼拿別人的模型，然後在上面套一個使用者介面。深科技則改變測量的物理特性。我們需要改變測量方式。
當你移動波長時會發生什麼事？
碳黑的吸收並非無限。它有極限。而當你從近紅外移動到 中波紅外 ——即 MWIR 波段，具體介於 2.7 到 5.3 微米之間——時，那些極限就變得可以被利用。
這裡正是聚合物化學變得響亮之處。
在 NIR 範圍內，你捕捉到的是「泛頻」振動——分子鍵的微弱回聲。它們很細微，很容易被碳黑淹沒。但在 MWIR 中，你擊中的是 基頻振動：C-H 伸縮鍵、C=O 羰基伸縮、芳香環模式。這些訊號強上好幾個數量級。強到足以穿透碳黑顏料並抵達感測器。
當我的團隊第一次看到一個黑色聚丙烯托盤在 MWIR 下呈現出乾淨的光譜讀數時，出現了一個真正難以置信的時刻。我們已經盯著平線看了好幾個星期。然後突然間——峰值。銳利、分明、毫無疑義。3.4 微米的 C-H 吸收帶就在那裡，清晰得如同任何教科書圖表。只不過這不是教科書上的樣本。這是一個從真實廢棄物流量中拉出來、被壓碎、骯髒的食品托盤。
我轉向我的工程師說：「這個托盤一直在說話。是我們在錯誤的頻率上聆聽。」
這就是核心洞見。我們並沒有讓塑膠變得更可見。我們改變了我們觀看的位置。
MWIR 高光譜成像實際上是如何運作的？
我們的系統圍繞著 Specim FX50 打造，它是目前唯一在商業上可行、能涵蓋此應用所需完整 2.7–5.3 微米範圍的高光譜相機。而「商業上可行」這幾個字在那句話裡承載了相當多的分量，因為這不是一台你可以拴在輸送帶上的網路攝影機。
偵測器的材料是 銻化銦 ——一種對熱輻射敏感的奇異半導體。因為你在這些波長下基本上是在偵測熱訊號，感測器必須被冷卻到低溫——大約 77 克耳文，也就是約攝氏零下 196 度——使用一個整合式史特林冷卻器。如果你不冷卻它，感測器會以自身的熱雜訊使自己失明。
這台相機為其視野中的每一個像素捕捉 154 個光譜波段，產生一個三維資料立方體：空間位置加上波長。以每秒 380 幀的速度，它跟得上以每秒 2 公尺以上運行的輸送帶。
我在 我們的互動式白皮書 中撰寫了完整的感測器架構及其背後的物理原理——光是低溫冷卻的工程細節就能自成一篇文章。但關鍵重點是：這台相機所看到的不是顏色。它看到的是化學。一個黑色 PP 托盤和一個黑色 PS 蓋子，在你眼裡看起來一模一樣。在 MWIR 下，它們有著完全不同的光譜特徵——不同的峰值、不同的吸收模式、不同的分子身分。
我們停止做電腦視覺，開始做化學視覺。這台相機看到的不是「黑色形狀」。它看到的是一連串的分子指紋。
讀取化學而非圖片的 AI
以工業速度捕捉 154 波段的高光譜資料會產生龐大的資訊量。問題變成：你要如何足夠快地分類它，好在物體掉落輸送帶之前觸發氣噴？
AI 中的標準直覺是伸手去拿 2D 卷積神經網路——那種驅動影像辨識的網路。ResNet、YOLO，那些能分辨貓和狗的架構。但廢棄物分選打破了這些網路所依賴的每一項假設。一個被壓碎的瓶子看起來不像瓶子。一片撕裂的托盤碎片沒有可辨識的形狀。一片黑色汽車塑膠碎片，在空間上與一片黑色食品包裝碎片一模一樣。
形狀不可靠。化學不然。
所以我們把這個問題視為 訊號處理，而非影像辨識。對於輸送帶上的每一個像素，我們提取一個由 154 個數值組成的一維向量——該點的光譜。我們把那個向量餵進一個 1D 卷積神經網路。
與其讓方形卷積核在影像上滑動以尋找邊緣和紋理，我們的線性卷積核在光譜上滑動以尋找分子特徵：在 3.4 微米處的一個急劇下降、在 4.0 處的一個寬闊肩峰、一個特定的雙峰，說著「這是聚苯乙烯，不是聚乙烯」。這個網路學會了化學鍵的文法。
有一個星期，我的一位工程師主張我們應該改試 Transformer 架構——注意力機制，就是驅動 GPT 的同一套方法。在紙上這說得通。但實務上，二次方的計算複雜度使得推論對一條以每秒 3 公尺移動的輸送帶而言太慢了。我們的 1D-CNN 在邊緣硬體上運行時間低於 5 毫秒。當我們的系統已經分類完像素並啟動彈射器時，Transformer 還在「注意」光譜的全域脈絡。
我們不在雲端運行。有一台 NVIDIA Jetson AGX Orin 就坐落在分選機上。資料從不離開設施。等到一個雲端系統完成它的來回往返時，我們的氣噴早已把托盤重新導向正確的箱子了。
融合兩種觀看方式
MWIR 告訴你某個東西 是什麼。但它的空間解析度比標準相機低，而且它很昂貴。所以我們把它與 RGB 融合。
一台高解析度彩色相機負責分割——找出輸送帶上物體的邊界。它建立一個遮罩：「在這些座標處有一個物件。」MWIR 相機捕捉光譜資料。我們的融合引擎把 RGB 遮罩疊加到 MWIR 資料立方體上，並查詢每個物件邊界內的光譜。1D-CNN 對材料進行分類。
輸出給分選機器人的是一個複合資料封包：第 452 號物件是黑色聚丙烯，位於這些座標，以此角度定向。把它撿起來。放進三號箱。
這種混合方法讓我們能用便宜、快速的 RGB 來處理空間工作，並把昂貴、資訊密集的 MWIR 保留給真正重要的決策：這個東西是用什麼做的？
為什麼這個產業還沒有這麼做？
人們不斷問我這件事。如果 MWIR 有用，為什麼不是每一座回收廠都在使用它？
三個原因。
第一，硬體障礙。配備奇異半導體偵測器的低溫冷卻紅外相機並非商品化的產品。你無法從消費電子型錄裡訂購一台。Specim FX50 確實存在，但要把它整合進一條處理真實世界廢棄物——骯髒、潮濕、高速重疊的物體——的分選線裡，需要相當可觀的工程。
第二，AI 障礙。標準分選機的韌體是為 NIR 資料設計的。你無法就這樣換掉感測器，還期待既有的軟體能運作。1D-CNN 架構、光譜預處理、感測器融合流程——這一切都是客製化的。這正是 VeriPrajna 所在之處。我們為那些為另一個感測時代所打造的硬體，提供智慧層。
第三，慣性。多年來，這個產業對黑色塑膠的答案是「別用它」或「接受損失」。品牌被告知要改用可偵測的顏料。有些照做了。大多數沒有，因為碳黑便宜、耐紫外線，並讓製造商能使用混色的回收原料——那正是首先讓回收在經濟上可行的東西。
碳黑讓製造商能使用回收成分。但它也讓最終產品對回收感測器而言變得隱形。那種能實現循環性的顏料，同時也摧毀了它。
歐盟的《包裝與包裝廢棄物法規》正在迫使問題浮上檯面。到 2030 年，所有包裝都必須可回收——不是理論上，而是可證明地，在實際的工業設施中。如果分選機看不見它，它在法律上就是不可回收的。那個法規期限正在讓人們集中心思。
讓這件事勢在必行的經濟學
我已經學到，當你在向工業營運者推銷深科技時，環境論點打開了門，但試算表才是成交的關鍵。
想想一座每年處理 5 萬噸的歐洲中型物料回收設施。黑色塑膠含量：5%，即 2,500 噸。目前，那些物料被送去焚燒，閘門費加碳稅約為每噸 100 歐元——光是為了銷毀有價值的物料，每年就要花 25 萬歐元。
透過 MWIR 分選回收那道流量的 90%，並以每噸 900 歐元售出分選後的顆粒，數學就急劇轉變：225 萬歐元的營收與避免處置成本的合計金額。對比約 30 萬美元的系統資本支出，投資回收期不到兩個月。
我曾看著設施經理在信封背面做完這道計算，然後立刻問我們什麼時候能安裝。這個經濟效益並非微不足道。它是壓倒性的。
至於完整的技術剖析——包括光譜區分資料、1D-CNN 架構細節，以及感測器融合流程——我已經發表了 一篇詳盡的研究論文，它比我在一篇文章中所能觸及的更為深入。
這件事真正的意義所在
我創立 VeriPrajna，是因為我相信最艱難的工業問題無法靠套一個 API 來解決。它們需要理解測量的物理特性、打造正確的感測器流程，並設計出與資料結構相符的 AI 架構——而非與熱潮週期的結構相符。
黑色塑膠回收是一個關於深科技為何重要的案例研究。問題從來不在於我們缺乏智慧。問題在於我們缺乏訊號。我們照著錯誤的光，然後怪罪 AI 什麼都看不見。
當有人告訴你 AI 能解決一切時，問他們：用什麼資料來解決它？如果感測器無法捕捉現實，那麼模型不過是一台非常昂貴的亂數產生器。
此時此刻，有數百萬噸完全可回收的聚合物正躺在掩埋場裡，只因為一種吸收近紅外光的顏料。不是因為化學是錯的。不是因為經濟效益行不通。而是因為那個感測器是為一個一切都是方便的藍色或綠色調的世界所打造的。
這個世界並沒有那麼方便。而解決方案不是一個更好的提示詞。它是一顆更好的光子。