高度的循環經濟(ji)，其實現有賴(lai)于(yu)持續穩(wen)定且高質量的再(zai)生(sheng)材(cai)(cai)料(liao)供應，而這(zhe)在(zai)當前的垃圾(ji)處理流程和工(gong)藝下尚難實現，許多回收材(cai)(cai)料(liao)仍(reng)被降級處理。要改(gai)變這(zhe)一現狀，分揀必須更(geng)加精細化。在(zai)此(ci)背(bei)景下，人工(gong)智能正發揮著顛覆性的關鍵(jian)作用。

澄清誤解：人工智能并非新興趨勢

厘清人(ren)工(gong)智(zhi)(zhi)能(neng)(neng)(neng)與(yu)深度(du)學(xue)習的(de)(de)區別(bie)至關重要，因為一(yi)個(ge)普(pu)遍的(de)(de)誤(wu)解是(shi)：人(ren)工(gong)智(zhi)(zhi)能(neng)(neng)(neng)是(shi)近年(nian)才出現(xian)的(de)(de)新(xin)鮮(xian)事物。事實上(shang)，數十年(nian)來，人(ren)工(gong)智(zhi)(zhi)能(neng)(neng)(neng)早已深度(du)融(rong)入我們的(de)(de)行(xing)業。它是(shi)一(yi)個(ge)更宏大的(de)(de)概念，旨在創(chuang)造能(neng)(neng)(neng)夠(gou)模擬人(ren)類智(zhi)(zhi)能(neng)(neng)(neng)的(de)(de)機器，泛指任(ren)何利(li)用(yong)邏(luo)輯、“如(ru)果-那(nei)么”規則及(ji)機器學(xue)習等技術(shu)，讓計算(suan)機模仿人(ren)類智(zhi)(zhi)能(neng)(neng)(neng)的(de)(de)方(fang)法。

幾十年來，機器學習一直是我們的 AUTOSORT? 分選設備的(de)標準配置。我(wo)們約30年(nian)前的(de)早期(qi)設備就已采用了基本的(de)人工智能原理，即便(bian)在當(dang)時，設備也已具(ju)備決策能力，能夠(gou)判斷(duan)哪些物料應(ying)當(dang)被選出或剔除。這(zhe)種模仿人類判斷(duan)的(de)核心(xin)能力，正是人工智能的(de)精髓所在。

因此，盡管人工智能在全球回收業的應用已有多年歷史，但深度學習才是如今(jin)將其(qi)推向新高度的(de)尖端技術。深度學習(xi)是機器(qi)學習(xi)領域的(de)一個分支，它專注于一種名為“人工神經網(wang)絡”的(de)特定(ding)算法。這些網(wang)絡通過海量(liang)原始數據(ju)進行訓練，從而學會識(shi)別并(bing)記憶(yi)其(qi)中復(fu)雜的(de)模式，再將這些知識(shi)應(ying)用于新的(de)數據(ju)。

了解人工智能算法在資源回收中是如何工作的

為了解人(ren)工智能、機器學(xue)習(xi)和深度(du)學(xue)習(xi)的差異(yi)，不妨(fang)想象你是一位(wei)大廚：

• 人工智能 (AI) 好比是整個廚房，包含了所有工具、食材以及廚師的全部知識與經驗。它是創造“智能菜肴”這個最終目標的總和。
• 機器學習 (Machine Learning) 就像一個具體的菜譜。你嚴格按照步驟操作，并根據食客的反饋（數據）調整火候、調味，久而久之，這道菜你就能越做越好。
• 深度學習 (Deep Learning) 則是一種更高級的烹飪境界，它依賴經驗、直覺和海量嘗試。這位大廚不再拘泥于固定菜譜，而是通過觀察、品嘗無數菜肴來學習。他能自行領悟不同食材搭配和烹飪技巧的奧秘，并根據結果不斷精進，廚藝日臻化境。

陶朗如何把握深度學習帶來的機遇

陶朗致(zhi)力于技術進步，近年來(lai)不(bu)斷探(tan)索深度學習的(de)潛力。我們(men)的(de)AI專(zhuan)家團(tuan)隊將上萬乃至數(shu)百萬張(zhang)圖像作為訓練材料投喂給神經網絡，直到它能精準(zhun)辨別出特(te)定(ding)物料的(de)視覺(jue)特(te)征，例如(ru)某種瓶蓋的(de)樣式或包裝的(de)獨特(te)形狀。

神經網(wang)絡能(neng)將學到(dao)的(de)知識應用于分選(xuan)系(xi)統(tong)傳感(gan)器捕捉到(dao)的(de)新圖像(xiang)，從而攻克了許多傳統(tong)光(guang)學分選(xuan)設備(bei)無法(fa)處理的(de)復雜難題(ti)。此外(wai)，通過實時整合來自多個傳感(gan)器技術的(de)數據，我們(men)的(de)分揀系(xi)統(tong)能(neng)夠持(chi)續(xu)提升產出品的(de)純度(du)。

以下是(shi)我們基于深度學(xue)習(xi)的解決方案為客戶(hu)帶來(lai)的部(bu)分核心優(you)勢：

• 高度靈活性： 面對瞬息萬變的廢料成分，分揀系統必須足夠靈活，以適應新的市場要求。借助深度學習，我們無需更換硬件甚至整機，一旦我們的專家完成新算法的訓練，即可通過軟件更新為現有設備升級，從而更迅速地響應客戶需求。
• 開創新材料流： 人工智能驅動的深度學習不僅提升了分揀的精細度，更能幫助運營商開拓出具有更高價值的新材料流與新市場。
• 分揀精度再升級： 通過將現有的光學分揀系統（如基于近紅外NIR和視覺信息VIS傳感器的系統）與深度學習技術相結合，我們實現了當前技術能達到的最高分揀精度。這意味著除了按材質和顏色分揀，我們現在還能根據形狀、尺寸或其他細節特征進行前所未有的精細分離。
• 先進的工廠自動化： 深度學習的價值在于利用全彩攝像頭實現精準的物體識別，換言之，我們的 GAINnext? 系統能“看懂”人眼所見的一切。這使得以往必須依賴人力的分選任務得以自動化，從而能更快速、高效地處理海量可回收物。
• 全流程優化： AI分揀系統能生成海量的運營數據，涵蓋物料成分、分揀效率和設備性能等。工廠管理者可借此分析數據，找出優化點、精簡運營，并為改善整體回收流程提供數據驅動的決策支持。不僅如此，其應用已超越分選本身。基于深度學習的攝像頭可部署于生產線的關鍵節點，實時監控整個流程與物料流，通過AI廢物流分析，持續監控產出品質量、追蹤物料損耗，確保回收過程符合食品級再生塑料的法規。
• 攻克歷史性分揀難題： 深度學習正在解決那些過去被認為“不可能完成”的任務，正如下文的里程碑內容。

陶朗深度學習應用開創性里程碑

• 2019年： 推出業界首款基于深度學習的分揀系統 GAIN (現名：GAINnext?)。
  • 實現從聚乙烯 (PE) 流中剔除PE硅膠筒。
• 2022年： 深度學習首次應用于木材回收市場。
  • 實現天然木材與加工木材的分離。
• 2023年： 進一步擴展陶朗深度學習生態系統。
  • 推出紙張脫墨/清潔應用，獲得更高純度的紙張流。
  • 推出PET清潔應用，獲得純度更高的PET瓶流。
  • 實現中密度纖維板 (MDF) 的剔除。
• 2024年： 發布多項突破性新應用，包括業內首個食品級與非食品級塑料包裝分選解決方案；品牌升級為 GAINnext?。
  • PET 瓶的食品級與非食品級分選。
  • PP 材質的食品級與非食品級分選。
  • HDPE 材質的食品級與非食品級分選。
  • 舊鋁制飲料罐 (UBC) 的高精度分選。
• 2025年： 更多創新應用，敬請期待！

人工智能：綠色轉型的催化劑

人(ren)工(gong)智能將為資源回收領(ling)域帶來革命性變(bian)革，使其成(cheng)為綠(lv)色轉型中的(de)一項(xiang)關(guan)鍵工(gong)具。隨著法規(gui)日趨收緊、消(xiao)費者期望不(bu)斷演變(bian)，我們所處的(de)行業(ye)正站在一個關(guan)鍵的(de)十字路口。深度學習(xi)為推動循環經濟(ji)的(de)進一步(bu)發展提(ti)供了強大的(de)解決(jue)方(fang)案(an)。

在陶朗，我們同樣預見到，先進的人工智能與云技術將在廢棄物分析中得到更廣泛的應用，這不僅能提升分揀設備環節的透明度，更能貫穿整個分揀流程。這正是我們持續開發像 TOMRA Insight 這(zhe)樣的云端(duan)監控工(gong)具，并投資(zi)于擁有AI廢(fei)棄物分(fen)析(xi)平臺(tai)的 公司的原因(yin)所(suo)在。

通過釋放人工(gong)智能(neng)的(de)巨大(da)潛(qian)力，我們能(neng)夠為高價值產品(pin)開(kai)辟新(xin)市場(chang)，從而進(jin)一步(bu)促進(jin)經濟增長與可持續發展(zhan)。