高(gao)度的(de)循(xun)環經濟(ji)，其實(shi)現(xian)有(you)賴于持續穩定且高(gao)質(zhi)量(liang)的(de)再生材料供應(ying)，而這在(zai)當(dang)前的(de)垃圾處理流程和工藝下(xia)尚難(nan)實(shi)現(xian)，許多回收材料仍(reng)被降(jiang)級處理。要(yao)改(gai)變這一現(xian)狀，分(fen)揀必須更加精細化。在(zai)此背景下(xia)，人(ren)工智能正(zheng)發揮著顛覆性的(de)關鍵作用。

澄清誤解：人工智能并非新興趨勢

厘(li)清人工智(zhi)能與深度學習的(de)(de)區別(bie)至關重要，因(yin)為一個(ge)普遍的(de)(de)誤解是：人工智(zhi)能是近(jin)年才出現的(de)(de)新鮮事(shi)物。事(shi)實上(shang)，數十年來，人工智(zhi)能早已深度融(rong)入我們的(de)(de)行業。它是一個(ge)更宏大(da)的(de)(de)概念，旨在創造能夠模擬人類智(zhi)能的(de)(de)機(ji)器，泛(fan)指任何(he)利用邏輯、“如果-那么”規則及機(ji)器學習等技術，讓計算機(ji)模仿人類智(zhi)能的(de)(de)方法。

幾十年來，機器學習一直是我們的 AUTOSORT? 分(fen)選(xuan)設(she)(she)備(bei)的(de)標準配(pei)置。我(wo)們(men)約(yue)30年前的(de)早期設(she)(she)備(bei)就已采(cai)用了基本的(de)人工(gong)智(zhi)能(neng)原理(li)，即(ji)便在(zai)(zai)當(dang)時，設(she)(she)備(bei)也已具備(bei)決(jue)策(ce)能(neng)力，能(neng)夠判(pan)斷哪些(xie)物料應當(dang)被選(xuan)出或剔除。這種模仿人類判(pan)斷的(de)核心能(neng)力，正是人工(gong)智(zhi)能(neng)的(de)精髓(sui)所在(zai)(zai)。

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將(jiang)其(qi)推(tui)向(xiang)新(xin)高度的(de)尖端技術。深度學(xue)習是機(ji)器學(xue)習領域的(de)一個分支，它專注于一種名(ming)為“人(ren)工神經網絡”的(de)特定算法。這些網絡通過海量原始數據進行訓練，從而學(xue)會識(shi)別(bie)并記憶其(qi)中復雜的(de)模式，再將(jiang)這些知識(shi)應用于新(xin)的(de)數據。

了解人工智能算法在資源回收中是如何工作的

為(wei)了(le)解人(ren)工智能、機器(qi)學習和深度學習的差異，不妨想象你是一位大廚(chu)：

• 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(lang)致力于技(ji)術進(jin)步，近年來不斷探索深度學(xue)習(xi)的(de)潛力。我們(men)的(de)AI專家團隊將上(shang)萬乃至數百萬張(zhang)圖(tu)像作為(wei)訓(xun)練材料(liao)投喂給神經網絡，直到它能精準辨別出特定物料(liao)的(de)視覺特征，例如某種瓶蓋的(de)樣式或包(bao)裝的(de)獨特形狀。

神經(jing)網(wang)絡(luo)能(neng)將學到的(de)知(zhi)識(shi)應用于分(fen)選系(xi)統傳感(gan)器捕捉到的(de)新(xin)圖(tu)像，從(cong)而攻克了許多(duo)(duo)傳統光學分(fen)選設備無法(fa)處理的(de)復(fu)雜難(nan)題。此外，通過(guo)實時整合來自多(duo)(duo)個傳感(gan)器技術的(de)數據(ju)，我們的(de)分(fen)揀系(xi)統能(neng)夠(gou)持續提(ti)升產出(chu)品(pin)的(de)純度。

以下(xia)是我(wo)們(men)基于深度學習(xi)的解決方案為客(ke)戶(hu)帶來的部分核(he)心(xin)優勢(shi)：

• 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

人工(gong)智能將為資源(yuan)回(hui)收領域(yu)帶來(lai)革命性(xing)變革，使其成為綠色(se)轉型中的一(yi)項關鍵工(gong)具(ju)。隨著法規(gui)日趨(qu)收緊、消費者期望不斷(duan)演(yan)變，我們所處(chu)的行業正站在一(yi)個關鍵的十字路口。深度學(xue)習(xi)為推動循環(huan)經濟(ji)的進一(yi)步(bu)發展提供(gong)了強大的解決方案。

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(yang)的云端監控工(gong)具，并投資于擁有AI廢棄物分析平臺的 公司的原因(yin)所在。

通過釋放(fang)人工智能的巨大潛力，我們能夠為(wei)高(gao)價值產品開(kai)辟(pi)新市(shi)場，從而進一步促進經(jing)濟增(zeng)長(chang)與(yu)可持續發展。