你的光學分選機對黑色塑膠視而不見：我們不再把它當成軟體問題
我第一次真正理解這個問題，是站在殘料線的末端，在一旁觀察的時候。
一個黑色聚丙烯托盤沿著輸送帶下來，經過一排造價將近五十萬美元的光學分選機，然後和其他所有註定要進垃圾掩埋場的東西一起，落入了拒收流。它上方的噴射器從未啟動。並不是因為軟體判斷失誤，而是因為軟體根本什麼都沒看到。對那台分選機來說，黑色橡膠帶上的一個黑色托盤就是一片虛空。那裡沒有任何東西可供分類。
那個托盤是值得回收的。黑色的 PP、PE 和 ABS 大約佔典型塑膠流的3% 至 15%，視地區而定，而且幾乎全都進了殘料。對一座中型設施來說，這累加起來是一個帶著逗號的數字，每年都以垃圾掩埋場的入場費形式付出去，付在買家原本樂意花錢購買的材料上。這正是我們圍繞著 Veriprajna 的材料回收與黑色塑膠分選工作所建立起來、要填補的缺口：不是「把 AI 帶進回收業」——因為回收業擁有的 AI 已經比大多數產業都多——而是解決那個所有這些 AI 一直視而不見、繞道而過的問題。
我投入這件事時，深信這是一個機器學習問題。我走出來時，才明白這是一個披著機器學習外衣的物理問題，而且我們所能做的最有價值的事，有時候是告訴一位廠長：花的錢可以比他們預期的更少。
為什麼一台五十萬美元的分選機會對黑色塑膠失明？
標準光學分選機用近紅外光讀取聚合物，波長範圍在 0.9 到 1.7 微米之間。這個訣竅很優雅：每一種塑膠都有一組分子指紋，其內部的化學鍵——碳氫鍵與氧氫鍵的伸縮振動——會吸收特定的近紅外波長，形成一個感測器可以與資料庫比對的模式。TOMRA、Machinex、Pellenc，整個高階領域都運作在這個原理的某種版本之上。
碳黑徹底破壞了它。這種色素在近紅外光抵達那些分子鍵並反射回來之前，就幾乎把所有近紅外光都吸收殆盡。偵測器什麼也收不到。你要怎麼重新訓練模型都行；但輸入裡根本沒有訊號可供學習。
再多的 AI 訓練都無法修復一個零訊號的輸入。光子從未抵達偵測器。這是感測器物理，不是一次韌體更新。
那句話正是另一種方法之所以存在的全部原因。解法在於改變你觀察光譜的哪一段。中波紅外光，大致在 2.7 到 5.3 微米之間，讀取的是聚合物分子的基頻振動，而非近紅外光所捕捉到的微弱泛音；而隨著波長攀升，碳黑的箝制力逐漸鬆開。到了大約 3 微米，這種色素實際上變得透明，而位於 3.4 微米的碳氫伸縮峰便清晰而毫不含糊地透出來。一個在近紅外視野裡是個黑洞的黑色托盤，在中波紅外裡變成了一個乾淨、鋸齒狀的特徵訊號。聚苯乙烯的芳香族碳氫模態，能與 PE 和 PP 的脂肪族譜帶清楚分離開來。我們部署的相機，一台 Specim FX50，在那個範圍內擷取 154 個光譜波段。它看見的不是黑色的形狀，而是在輸送帶的速度下讀取化學成分。
當我最初把這個構想勾勒出來時，我以為故事到此就結束了。新相機、新光譜，問題解決。但它並沒有到此結束。
宣傳手冊不想讓你看到的那個數字
Specim 的行銷資料，以及圍繞中波紅外分選的大多數報導，都把你引向接近 99% 的準確率數字。我們開始建構分類器時，我腦子裡就是那個數字。我們在光譜上訓練了一個一維卷積神經網路，看著它在乾淨的參考樣本上表現得漂亮極了，於是我允許自己相信我們已經走完了大半路程。
然後我們拿一座真實物料回收廠（MRF）會遇到的那種輸入來測試它。不是原始的顆粒，而是整件物品——被刮花的、沾了食物汙漬的、貼著標籤的、在移動的輸送帶上相互重疊的，還帶著回收廠裡覆蓋一切的灰塵與汙垢。平衡準確率回來時是83.4%。
我想誠實地說說那個數字帶來的衝擊，因為那是這個專案裡最重要的時刻。我的第一直覺是我們哪裡做錯了，是流程裡有個錯誤，是我們漏掉了某次校準。但並沒有。一篇經同儕審查、於 2026 年 1 月發表在《Resources, Conservation and Recycling》上、正是探討這個問題（中波紅外加上一個 CNN 用於黑色塑膠辨識）的論文，在真實廢料上回報了同一類的數字。99% 是實驗室的數字。83% 才是現實世界。
實驗室展示與髒污輸送帶之間的落差，正是大多數回收技術悄然死去的地方。我們決定住進那道落差裡，而不是把它藏起來。
那件事重塑了我們推銷的整個方式。我們不再承諾接近完美的回收率，而開始談論現實的回收率——那種即使如此仍能讓系統回本好幾倍的回收率——因為即便在 83% 的水準下，這筆帳也一點都不勉強。一座年處理五萬噸、黑色塑膠佔 5% 的設施，等於坐擁大約 2,500 噸可回收的聚合物。按現行的再生 PP 價格與省下的掩埋成本計算，誠實、保守的估算落在每年 220 萬到 270 萬的損益影響，相對之下改造成本只是幾十萬的低位數。要讓這筆帳成立，你不需要 99%。你需要的是別再假裝自己有 99%。
「直接買更快的硬體就好」曾是我錯誤的直覺
我搞錯的第二件事，是關於速度。
任何一條分選線裡都埋著一個真實的工程問題：從「相機看到一個黑色 PP 托盤」到「氣閥在恰好正確的位置觸發」，你能有多快？如果那段延遲太長，輸送帶已經把物品帶過了觸發窗口，噴射器要嘛沒打中、要嘛把托盤連同旁邊兩個一起打掉，於是你的純度就崩了。我一開始想當然地認為，這個問題的答案永遠是更快、更確定性的硬體——一條能達到大約 2 毫秒、毫無抖動的 FPGA 資料流管線。我們甚至已經開始設計一條了。
然後我真的為一座具代表性的設施算了一遍數字，那結果讓我很難堪。想像一座五萬噸的廠，一條 1.2 公尺寬的輸送帶以每秒 3 公尺運行，噴射噴嘴間距 12.5 毫米，一條未經最佳化的邊緣 GPU 管線耗時 50 毫秒。輸送帶速度乘以延遲，就是氣閥觸發前的 150 毫米行程，加上抖動，真正的觸發窗口會塗抹在 200 到 260 毫米之間，遠遠寬過 60 到 90 毫米的目標。純度當然會下降。但解法不是 FPGA。
對那座設施而言，解法是把 GPU 管線最佳化——TensorRT、批次大小為一、核心融合、半精度——這把延遲降到 12 到 18 毫秒。現在你的行程誤差是 36 到 54 毫米，系統就能運作了，零硬體支出，純粹靠工程。而 FPGA 路線，2 毫秒、6 毫米的誤差，只有在輸送帶速度大約超過每秒 5 公尺時才對得起它的成本，而且它還帶著好幾個月的專門工程。大多數廠並沒有以每秒 5 公尺運行。
對於「我需不需要那昂貴的確定性硬體」，誠實的答案通常是不需要，而唯一會這樣告訴你的人，是那些沒有在把它賣給你的人。
所以我們把這套算帳做進了一次探索性合作。我們先跑它，在提議任何東西之前，而且我們往往會告訴客戶那個更便宜的答案。這讓我們賺得更少。但這也意味著，下一位廠長會從上一位那裡聽說我們。
當中波紅外相機故障時會發生什麼？
第一次會議談的是中波紅外能不能看見黑色塑膠。第二次會議永遠是同一個問題，而那正是把真正在現場操作過這套設備的人，和賣投影片的人區分開來的問題：相機故障時會發生什麼？
那是一種合理的擔憂。Specim FX50 用一具整合式史特林冷卻器把它的偵測器冷卻到大約 77 K，而那具冷卻器正是會磨損的部件。規格表說是 10,000 小時。在真實的物料回收廠裡，帶著灰塵侵入與持續震動，你得按 7,000 到 8,000 小時來規劃。每天 16 小時的話，那就是大約每 14 到 18 個月要維修一次冷卻器，而向 Specim 訂貨的更換交期要 12 到 16 週。如果你的回收線因為一具低溫冷卻器還在船上，而癱瘓了整整一個財季，那你買到的就不是一套解決方案，而是一項負債。
所以應急方案是整體建置的一部分，而不是事後的補救。相機安裝在一個熱插拔支架上，因此半小時就能拆下來；而冷卻器採輪替運作，其中一具會在故障之前就被拉去翻修，回來後成為下一個週期的備品。當一台機組被拆下時，一種降級的備援模式只跑 RGB 分割，準確率較低，讓分選線永遠不會完全停擺。在這一切底下，還有第二個合格的感測器來源，其中包括 Telops 和 IRCameras，因為這個市場裡幾乎每一份中波紅外提案，都悄悄地仰賴著來自單一家公司的單一台相機，而一座要拿數百萬去賭回收成效的設施，理應得到比一個它自己都不知道存在的單點故障更好的保障。
這個領域止步之處，以及為什麼
關於競爭，我想說得精確一些，因為回收 AI 這個領域確實擁擠，我也不打算假裝不是這樣。TOMRA 自 2022 年起就在邊緣端運行深度學習，並在現場擁有數千台機組。這個缺口之所以至今仍存在，並不是因為既有業者在睡覺。而是因為基於各自的結構性原因，他們每一家都恰好在它面前止步。
那些能夠看見黑色塑膠的業者，是把它綑綁著賣。TOMRA 的 Autosort Black 是一台獨立的機器，置於一條起價約 45 萬到 65 萬歐元的分選線裡，附帶封閉的軟體，你無法把它授權到你已經擁有的硬體上。Steinert 的 UniSort BlackEye 確實跑中波紅外，但它被調校成一台用於乾淨碎片、每小時約一噸的精修分選機，而不是用來處理來自主流程、受汙染的整件物品輸入。那些看不見它的業者，則以各自不同的方式對此坦白：Machinex 的高光譜產品線工作在短波紅外，撞上的是和標準近紅外一樣的碳黑之牆；Pellenc 的輪廓偵測可以標記「物流中有個黑色的東西」以供去除汙染物，但無法告訴你黑色 PP 和黑色 PS 的區別；AMP 的機器人分揀機和 Greyparrot 的分析儀確實做著真實的工作——分別是分揀與量測——但用的是根本無法對聚合物進行分類的 RGB 相機。
這個市場裡的每一家供應商，在某件與你的黑色塑膠問題相鄰的事情上都很出色。但他們沒有一家在賣那個能直接解決它的改造方案。
那就是整個切入口。我們不去取代別人已經花錢買下的分選機。我們加裝一個感測站，通常裝在那條接住偏黑拒收物的側輸送帶上，用一台 RGB 相機找出物件邊界，用 FX50 對其內部的光譜進行分類，並透過 OPC-UA、Modbus 或 EtherCAT 建立一個乾淨的介面接入現有機器的 PLC，去觸發現有的噴射器。買家保留他們現有分選線處理得很好的那 92% 物流，同時回收那一片它原本被設計成忽略的部分。
而對電子廢棄物回收業者來說，還有一個更難、利潤更高的版本。報廢的電子產品裡滿是黑色 ABS，其中大量摻有溴化阻燃劑，而 RoHS 禁止這些材料回到新設備裡，也因此有 40% 到 50% 已捕獲的電子電器（WEEE）塑膠從未得到妥善回收。X 射線螢光能讀出溴，卻讀不出聚合物；中波紅外能讀出聚合物，卻讀不出溴。把兩者融合進單一個分類頭裡，以大約 5 毫秒運行，你就能在單一道次中把乾淨的再生 ABS 從阻燃劑拒收物裡分離出來，而大多數設施到現在還在跑兩道。兩種感測器合用，能把物流中高達 98% 的溴化塑膠剝離出去。那個感測器融合問題在生產級別上基本尚未解決，而這正是它值得建構的原因。
黑色塑膠問題有一個十五年的時鐘
關注包裝的人會提出那個顯而易見的異議：既然品牌只要改用近紅外可偵測的黑色色素，問題就會從源頭消失，那又何必為碳黑建立基礎設施呢？這確實是一股真實的浪潮。UPM 在 2025 年底推出了一種生物基、近紅外可偵測的黑色；Cabot 有符合食品接觸規範的替代品；Ampacet 有為可分選性而調校的母料。
我很仔細地審視了這一點，因為如果替代品即將把這個問題一掃而空，那麼建立一項中波紅外業務就會是一個糟糕的賭注。但情況並非如此。標準碳黑每公斤大約 0.20 歐元；可偵測的替代品是它的三到六倍，這還沒算上讓食品接觸包裝重新取得認證的成本。自 2018 年以來採用速度一直很慢，最好的估計是可偵測黑色佔快消品黑色包裝不到 10%，而遺留下來的物流無處可去：汽車內裝不會改、電子外殼不會改、對成本敏感的自有品牌包裝也不會改。
所以這是一場為期十五到二十年的轉型，而不是一道懸崖。誠實的框架——那個我真正相信的框架——是：在品牌緩慢轉換的當下先用中波紅外回收，而同一條分選線在之後的二十年裡持續回收那條長尾。與此同時，監管的底線正在這一切底下不斷升高：加州的 SB 54 開始每年從包裝生產商那裡徵收大約五億，首個申報截止日在 2026 年 5 月底，而歐盟的包裝法規將要求可回收性分級，以及陡峭上升的再生成分目標——到 2030 年塑膠包裝要達到 30%——如果黑色塑膠持續進垃圾掩埋場，這個目標根本無法達成。回收回來的材料，已經不只是營收了。它是合規。
當有人問他們到底需不需要我們時，我會告訴他們的話
有兩個問題幾乎每次都會出現，而我寧願在這裡回答它們，也不願在銷售通話裡回答。
第一個是他們是不是應該直接去聘請那些大型顧問公司之一。他們可以，而且對某些問題來說他們確實應該。但一次 Accenture 或 Capgemini 的合作動輒數百萬，產出的是一份供應商選型矩陣和一張路線圖。它不會寫那個一維 CNN，不會針對你特定的輸送帶背景校準一具低溫冷卻的感測器，也不會調試那個 PLC 介面。我們比系統整合商小，比在公司內部自建這項能力更快——坦白說，你很難輕易地聘到那些能夠鑑定一具史特林冷卻器、或針對 EtherCAT 控制器寫出一套追蹤演算法的人——而且我們比那些工作就是要賣給你下一台機器的原廠更專注。
第二個問題，是我最引以為傲我們如何回答的：他們到底需不需要這個？有時候答案是不需要。一座年處理量不到約 25,000 噸、黑色塑膠佔比很低、又位於掩埋成本便宜的地區的設施，可能永遠等不到回本。我們會這麼說，然後走開。一家平台供應商在結構上就不可能告訴你，你並不適合。我們可以，而那些回頭找我們的專案，正是那些帳真的算得攏的。
回收產業在過去幾年裡，一直被推銷「AI」，彷彿它是一件你要嘛擁有、要嘛沒有的單一東西。它不是。那個落進拒收料倉的黑色托盤，不在乎上游有多少個神經網路在運行。它在乎的是，這棟建築裡有沒有任何東西，正在一個它得以存在的波長下看著它。此刻，大多數廠都沒有。這是一個比宣傳手冊聽起來要更小、更可解的問題，也是一個比殘料報告永遠會告訴你的更有價值的問題。如果你想看看我們會如何把你這條線上的帳算攏，完整的分析在這裡。
